Wie prüfst du Datenqualität?

Die sechs Dimensionen

1) Vollständigkeit: Sind alle Felder gefüllt? Wie viele Nulls? 2) Korrektheit: Stimmen die Werte mit der Realität überein? 3) Konsistenz: Sind die Werte in verschiedenen Tabellen identisch? 4) Aktualität: Wie alt sind die Daten? 5) Eindeutigkeit: Doppelte Einträge erkannt? 6) Plausibilität: Sind die Werte überhaupt möglich (Alter 250, Preis negativ)?

Typische Qualitätsfehler

Tippfehler in Adressen, fehlende Geburtsdaten, unterschiedliche Datumsformate, Dubletten mit leicht unterschiedlicher Schreibweise, Werte außerhalb des erlaubten Bereichs, alte Daten in Echtzeit-Reports. Diese Fehler entstehen bei manueller Eingabe oder schlechten Validierungs-Regeln. In großen Datenbanken sind oft 10 bis 30 Prozent der Datensätze betroffen.

Werkzeuge zur Prüfung

Profiling-Tools (Excel, Power Query, Python pandas.describe(), SQL SELECT statistics). Geben pro Spalte: Anzahl Nulls, Min/Max, Unique-Werte, Top-Werte. Diese Profil-Berichte vor jeder Analyse erstellen. Wer ohne Profil arbeitet, übersieht systematische Fehler und zieht falsche Schlüsse.

Datenqualität verbessern

1) Validierung an der Quelle (Eingabefelder mit Regeln). 2) Single Source of Truth (ein System, nicht 5 Excel-Dateien). 3) Stammdaten-Pflege als laufender Prozess (nicht einmal-Aktion). 4) Daten-Governance: wer ist für welche Daten verantwortlich? Diese vier Maßnahmen heben Datenqualität nachhaltig. Datenputz allein ohne Prozesse kommt nach 6 Monaten in den alten Zustand zurück.