Konzeptkarte

Data-Quality-Frameworks

Stand 2026-07-23

Redaktion: Cédric-Olivier Mâry, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Was ist Data-Quality-Frameworks?

Data-Quality-Frameworks reichen von einfachen Null-Prüfungen bis zur statistischen Drift-Erkennung auf Produktionspipelines – die Disziplin aus Regeln, Kennzahlen und Behebung, die Daten vertrauenswürdig hält.

Was es ist

Ein Data-Quality-Framework ist die Gesamtheit der Regeln, Messungen und Behebungsworkflows, die entscheiden, ob eine Zahl einen Entscheidungsträger erreichen darf. Es reicht vom Trivialen (eine Not-Null-Bedingung auf einem Schlüssel) bis zum Statistischen (Drift-Erkennung auf einer Produktionspipeline), und sein eigentliches Thema ist nicht Korrektheit, sondern Verantwortlichkeit: Wer wird informiert, wenn ein Wert falsch ist, und was passiert als Nächstes.

Warum es wichtig ist

Bei einem SAP-Analytics-Engagement ist Qualität die Disziplin, die entscheidet, ob eine semantische Schicht den Kontakt mit dem Business übersteht. Ein Dashboard, das zu 3 % falsch ist, ist nicht zu 97 % nützlich — es ist unbrauchbar, weil niemand sagen kann, welche 3 % das sind. Das Framework ist das, was „die Daten sehen komisch aus“ von einer Behauptung in ein Ticket mit einem Verantwortlichen verwandelt.

Es ist zunehmend auch eine Compliance-Fläche und keine bloße Ingenieurspräferenz. Für KI-Systeme im Anwendungsbereich verlangt der EU AI Act angemessene Grade an Genauigkeit und Robustheit sowie die Dokumentation von Data-Governance-Praktiken (EUR-Lex — Verordnung (EU) 2024/1689). Ein Modell, das auf einer Pipeline ohne Qualitätskontrollen trainiert wurde, ist nicht nur riskant — es ist schwer zu deklarieren.

Warum es zählt

Eine Drift-Erkennungsschicht erfasst Qualitätserosion, die eine einmalige Null-Prüfung nie erfassen wird — beide gehören an entgegengesetzte Enden derselben Reifekurve, nicht als Alternativen.
Behebungsworkflows, nicht nur Erkennungsregeln, sind das, was aus einem Qualitätsalarm ein korrigiertes Dataset macht — Erkennung ohne Behebungspfad ist ein Dashboard, auf das niemand reagiert.
Dies ist Tiefenwissen, das Berater nutzen, um Honorarverhandlungen zu verankern — ein Kunde, der den Daten vertraut, vertraut dem Berater, der sie garantiert.

Kernpunkte

Die Gesamtheit der Regeln, Kennzahlen und Behebungsworkflows, die Daten vertrauenswürdig halten.
Reicht von einfachen Null-Prüfungen bis zur statistischen Drift-Erkennung auf Produktionspipelines.
Eingeordnet unter Governance & Betrieb (Fortgeschritten) — Tiefenwissen, genutzt zur Verankerung von Honorarverhandlungen.
Getaggt: Governance — erscheint in der Academy-Suche neben verwandten Tracks.
Data-Quality-Frameworks sind erst gemeistert, wenn sie eine benannte Käuferentscheidung verändern.
Beginnen Sie mit dem semantischen Vertrag und dem Kontrollmodell, bevor Sie das Tool demonstrieren.
Nutzen Sie aktuelle SAP-, Analysten-, Studien-, KG- und News-Signale als Beleg, nicht als Dekoration.
Trennen Sie verifizierte Fakten von richtungsweisenden Trends und modellierten Annahmen.
Definieren Sie Owner, Kennzahl, Schwellenwert, Support-Pfad und Rollback, bevor skaliert wird.
Definieren Sie auch für Nicht-KI-Anwendungsfälle Qualität, Adoption und operative Verantwortlichkeit.

Begriffe auf dieser Seite

Dateneigentümer: Der Business-Stakeholder, der für die Korrektheit einer Datendomäne verantwortlich ist (nicht das IT-Team).
Datenverwalter: Die operative Rolle, die die Stammdatenqualität im Tagesgeschäft pflegt.
Entscheidungsverantwortlicher: Die verantwortliche Person, die den Trade-off akzeptiert und die nächste Maßnahme finanziert.
Semantischer Vertrag: Die gemeinsame Definition von Geschäftsbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.
Kontrollebene: Die Schicht, die Policy, Zugriff, Lineage, Monitoring und Eskalation über das Betriebsmodell hinweg anwendet.
Evidenzgrad: Ein Label, das verifizierte Fakten, richtungsweisende Signale, modellierte Annahmen und Feldbeobachtungen voneinander trennt.
Adoptionskennzahl: Das messbare Verhalten, das belegt, dass das Konzept die tatsächliche Arbeit nach Go-live verändert hat.
Wiederverwendbares IP: Ein Artefakt, eine Checkliste oder ein Modell, das über Kunden hinweg wiederverwendet werden kann, ohne kundenspezifische Daten zu kopieren.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke.

In der App öffnen →