Grundlagen der Datenqualität
Stand 2026-09-03
Datenqualitätsprobleme sind die Hauptursache für Misstrauen des Business gegenüber Analytics-Systemen. Der Berater, der DQ quantifiziert — mit Scores auf Dimensionsebene, Profiling-Nachweisen und geschäftlich vereinbarten Schwellenwerten —, macht aus einer vagen Beschwerde ein Governance-Artefakt und ein Beratungsmandat. Die DQ-Scorecard ist der Ankerpunkt. Die sechs Dimensionen (Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Eindeutigkeit, Gültigkeit) erfordern jeweils eine andere Messtechnik; sie zu vermischen führt zu einer Remediation, die nie fertig wird. Das Monitoring nach dem Go-live über Datasphere Data Quality Rules ist der einzige Mechanismus, der eine DQ-Regression nach der Migration verhindert.
Was Sie lernen
- Einen Datenextraktionsumfang entlang der sechs DQ-Dimensionen (Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Eindeutigkeit, Gültigkeit) profilieren — mit Dimensionsscores je Objekt, erstellt mithilfe der SAP-Datasphere-Profiling-Werkzeuge
- Eine DQ-Scorecard für einen Analytics-Migrations- oder Go-live-Umfang erstellen — mit gemessenen Dimensionsscores, geschäftlich vereinbarten Schwellenwerten, zusammengesetzten Scores und einer Remediationsprioritätsrangfolge
- Die fünf DQ-Fehlermuster in SAP-Analytics-Projekten diagnostizieren (fehlendes Profiling vor der Modellierung, undefinierte Schwellenwerte, Verwechslung von Genauigkeit/Vollständigkeit, aufgeschobene Dublettenbereinigung, fehlendes Post-Go-live-Monitoring) und für jedes die richtige Remediation vorschreiben
- Eine Post-Go-live-DQ-Monitoring-Konfiguration in Datasphere entwerfen — mit Festlegung von Data Quality Rules, Schwellenwerten, Alert-Routing und Remediationsworkflow für einen produktiven Analytics-Bestand
Datenqualität ist die einzelne Fähigkeit mit der größten Bedeutung für die Glaubwürdigkeit in jedem Analytics-Projekt, und sie ist genau deshalb glaubwürdigkeitskritisch, weil sie unsichtbar bleibt, bis sie öffentlich versagt. Ein Berater, der ein Datenqualitätsproblem nicht quantifizieren kann — es an einer definierten Dimension messen, als Zahl ausdrücken, auf die ein Business-Stakeholder reagieren kann, und einen Remediationspfad mit Kosten und Priorität vorschlagen —, ist der Berater, der den Raum verliert, sobald eine Dashboard-Zahl vor einem Manager falsch aussieht. Dieses Modul baut das Datenqualitäts-Toolkit des Praktikers von Grund auf: die Dimensionen, die Qualität messbar machen, die Scorecard, die Messung in eine Governance-Entscheidung verwandelt, die Profiling-Techniken, die die Messungen überhaupt erst erzeugen, die Fehlermuster, die sich über Projekte hinweg wiederholen, sowie die Monitoring-Konfiguration, die verhindert, dass Qualität nach dem Go-live stillschweigend verfällt.
Die sechs Dimensionen der Datenqualität
Der häufigste Anfängerfehler in dieser Disziplin ist, "Datenqualität" als ein einziges, undifferenziertes Problem zu behandeln. Das ist sie nicht. Sie besteht aus sechs unabhängig messbaren Dimensionen, von denen jede eine andere Messtechnik und einen anderen Remediationsansatz erfordert, und ihre Vermischung erzeugt unfokussierte Remediationsprogramme, die nie wirklich enden, weil niemand sagen kann, wie "fertig" aussieht.
Voraussetzungen
- Zunächst Kernkonzepte durchgehen: C041, C038, C037
Lernergebnisse
- Einen Datenumfang anhand der sechs DQ-Dimensionen profilieren und mechanisch abgeleitete Dimensionsscores erstellen.
- Eine DQ-Scorecard mit geschäftlich vereinbarten Schwellenwerten und Remediationsprioritäten erstellen und präsentieren.
- Jedes der fünf DQ-Fehlermuster in SAP-Analytics-Projekten diagnostizieren und beheben.
- Datasphere Data Quality Rules für Post-Go-live-Monitoring mit schwellenwertbasierter Alarmierung konfigurieren.
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.