Begriff / BausteinErklärt einen einzelnen Begriff oder stellt eine Person vor, in wenigen Absätzen. Artikel greifen darauf zurück. Zum Nachschlagen.Baut auf: Daten & BI

Datenqualitätsdimensionen

Merkmale, anhand derer sich beschreiben lässt, ob Daten für einen Zweck taugen, etwa Vollständigkeit, Korrektheit, Konsistenz, Aktualität und Eindeutigkeit.

2 Min. Lesezeit
#Datenqualität#Data Governance

Datenqualitätsdimensionen sind die Gesichtspunkte, unter denen Datenqualität beschrieben und gemessen wird. „Gute Daten“ ist keine einzelne Eigenschaft, sondern setzt sich aus mehreren zusammen. Häufig genannt werden fünf: Vollständigkeit (sind alle benötigten Werte vorhanden), Korrektheit (stimmen die Werte mit der Wirklichkeit überein), Konsistenz (widersprechen sich Datensätze oder Systeme nicht), Aktualität (spiegeln die Daten den heutigen Stand) und Eindeutigkeit (ist jedes Objekt nur einmal erfasst).

Eine feste, allgemein verbindliche Liste gibt es nicht. Die Fachliteratur und Standardwerke wie das DAMA-DMBOK führen je nach Autor mehr oder andere Dimensionen auf, und gleiche Namen werden nicht immer gleich definiert. Die bekannteste empirische Grundlage stammt von Wang und Strong: Sie befragten Datennutzende, was für sie gute Daten ausmacht, und ordneten die Antworten in 15 Dimensionen, die sie vier Gruppen zuteilten (innere Qualität, kontextbezogene Qualität, Darstellung und Zugänglichkeit). Korrektheit war danach nur ein Teil dessen, was Nutzende erwarten. Der Gedanke, dass Qualität sich am Verwendungszweck misst, geht auf Joseph Juran zurück.

Was daraus für die Praxis folgt, ist die Frage, welche Dimension für welchen Zweck zählt. Eine Adressliste mit veralteten Einträgen genügt für eine grobe regionale Auswertung und nicht für die Rechnungsstellung. Deshalb lassen sich Schwellenwerte kaum zentral festlegen; sie gehören zu denen, die den Zweck kennen. Wie das mit Zuständigkeiten zusammenhängt, behandeln Datenqualität ist ein Organisationsproblem, Data Ownership und Data Contracts.

Eine Grenze: Dimensionen machen Qualität beschreibbar, aber nicht automatisch messbar. Wie „aktuell genug“ ist, bleibt eine Festlegung, die jemand treffen muss.

Quellen

  • Wang, R. Y. & Strong, D. M. (1996). Beyond Accuracy: What Data Quality Means to Data Consumers. Journal of Management Information Systems, 12(4), 5–33. Online einsehbar: web.mit.edu/tdqm.
  • DAMA International (2017). DAMA-DMBOK: Data Management Body of Knowledge (2. Aufl.). Technics Publications.
  • Juran, J. M. & De Feo, J. A. (2010). Juran’s Quality Handbook (6. Aufl.). McGraw-Hill.