{"id":38122,"date":"2024-01-30T00:30:59","date_gmt":"2024-01-30T00:30:59","guid":{"rendered":"https:\/\/www.scalefree.com\/?p=38122"},"modified":"2026-04-27T08:59:25","modified_gmt":"2026-04-27T06:59:25","slug":"sicherstellung-der-datenqualitat-in-ihrem-data-warehouse","status":"publish","type":"post","link":"https:\/\/www.scalefree.com\/de\/blog\/data-warehouse\/ensuring-data-quality-in-your-data-warehouse\/","title":{"rendered":"Datenqualit\u00e4t sicherstellen in Ihrem Data Warehouse"},"content":{"rendered":"<div id=\"fws_69f3cc83af16f\"  data-column-margin=\"default\" data-midnight=\"dark\"  class=\"wpb_row vc_row-fluid vc_row\"  style=\"padding-top: 0px; padding-bottom: 0px; \"><div class=\"row-bg-wrap\" data-bg-animation=\"none\" data-bg-animation-delay=\"\" data-bg-overlay=\"false\"><div class=\"inner-wrap row-bg-layer\" ><div class=\"row-bg viewport-desktop\"  style=\"\"><\/div><\/div><\/div><div class=\"row_col_wrap_12 col span_12 dark left\">\n\t<div  class=\"vc_col-sm-12 wpb_column column_container vc_column_container col no-extra-padding inherit_tablet inherit_phone\"  data-padding-pos=\"all\" data-has-bg-color=\"false\" data-bg-color=\"\" data-bg-opacity=\"1\" data-animation=\"\" data-delay=\"0\" >\n\t\t<div class=\"vc_column-inner\" >\n\t\t\t<div class=\"wpb_wrapper\">\n\t\t\t\t\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h2>Sicherstellung der Datenqualit\u00e4t<\/h2>\n\t<\/div>\n<\/div>\n\n\n\n\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Eine schlechte Datenqualit\u00e4t kann zu ungenauen Erkenntnissen, einem fehlerhaften Entscheidungsfindungsprozess und beeintr\u00e4chtigtem Gesch\u00e4ftserfolg f\u00fchren. Im Zeitalter von Big Data verlassen sich Unternehmen in hohem Ma\u00dfe auf Data Warehouses zur Speicherung, Verwaltung und Analyse gro\u00dfer Datenmengen. Die Effektivit\u00e4t eines Data Warehouses h\u00e4ngt jedoch von der Qualit\u00e4t der darin enthaltenen Daten ab. Wie kann eine hohe Datenqualit\u00e4t gew\u00e4hrleistet werden?<\/p>\n<p>In diesem Blog-Artikel gehen wir auf die Bedeutung der Datenqualit\u00e4t in einem <a href=\"https:\/\/www.scalefree.com\/expertiseterprise-data-warehouse\/\" target=\"_blank\" rel=\"noopener\">Enterprise Data Warehouses<\/a> ein und bieten praktische Strategien zur Gew\u00e4hrleistung genauer, zuverl\u00e4ssiger und hochwertiger Daten mit <a href=\"https:\/\/www.scalefree.com\/de\/beratung\/data-vault-2-0\/\">Data Vault 2.0<\/a>.<\/p>\n<p>Vielleicht m\u00f6chten Sie sich auch die Aufzeichnung des Webinars zu genau diesem Thema ansehen. Sehen Sie es sich hier <a href=\"https:\/\/www.scalefree.com\/knowledge\/webinars\/beginnersuring-data-quality-in-your-data-warehouse-2\/\" target=\"_blank\" rel=\"noopener\">kostenlos an<\/a>!<\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element  webinar-box\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h2>Datenqualit\u00e4t sicherstellen in Ihrem Data Warehouse<\/h2>\n<p>In der heutigen datengetriebenen Kultur verlassen sich Unternehmen stark auf ihre Data Warehouses, um fundierte Entscheidungen zu treffen. Die Wirksamkeit eines Data Warehouses h\u00e4ngt jedoch von der Qualit\u00e4t der darin enthaltenen Daten ab. In dieser Pr\u00e4sentation wird die Bedeutung der Datenqualit\u00e4t erl\u00e4utert und es werden praktische Strategien vorgestellt, um mit Data Vault 2.0 genaue, zuverl\u00e4ssige und hochwertige Daten zu gew\u00e4hrleisten.<\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div><a class=\"nectar-button jumbo regular extra-color-1  regular-button ctaBtn\"  role=\"button\" style=\"\" target=\"_blank\" href=\"https:\/\/us02web.zoom.us\/webinar\/register\/WN_Z41X3kYYScSP922NrzsG_g#\/registration\" data-color-override=\"false\" data-hover-color-override=\"false\" data-hover-text-color-override=\"#fff\"><span>Webinar-Aufzeichnung ansehen<\/span><\/a><div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p><span style=\"font-weight: 400;\"><div class=\"content-list-wrapper\"><p class=\"content-heading\">In diesem Artikel:<\/p><ul class=\"content-list\"><li><a href=\"#what-are-the-reasons-for-bad-data\">Was sind die Gr\u00fcnde f\u00fcr schlechte Daten?<\/a><li><a href=\"#data-quality-techniques\">Techniken f\u00fcr Datenqualit\u00e4t<\/a><ul><li><a href=\"#the-benefit-of-the-data-vault-2-0-approach\">Der Vorteil des Data Vault 2.0-Ansatzes<\/a><\/li><li><a href=\"#common-data-quality-techniques\">G\u00e4ngige Datenqualit\u00e4tstechniken<\/a><\/li><\/ul><li><a href=\"#conclusion\">Fazit<\/a><\/ul><\/div><\/span><\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h2>Was sind die Gr\u00fcnde f\u00fcr schlechte Daten?<\/h2>\n\t<\/div>\n<\/div>\n\n\n\n\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Die Datenqualit\u00e4t bezieht sich auf die Genauigkeit, Vollst\u00e4ndigkeit, Konsistenz und Zuverl\u00e4ssigkeit der Daten. Im Kontext eines Data Warehouses ist die Aufrechterhaltung einer <a href=\"https:\/\/www.scalefree.com\/scalefree-newsletter\/data-quality-in-the-data-vault-architecture\/\">hoher Datenqualit\u00e4t<\/a> entscheidend, um aussagekr\u00e4ftige Erkenntnisse zu gewinnen und fundierte Entscheidungen zu treffen. Mehrere Faktoren tragen zum Vorhandensein schlechter oder fehlerhafter Daten bei. Das Erkennen und Verstehen dieser Gr\u00fcnde ist f\u00fcr die Umsetzung wirksamer Strategien f\u00fcr das Datenqualit\u00e4tsmanagement unerl\u00e4sslich. Hier sind einige h\u00e4ufige Gr\u00fcnde f\u00fcr schlechte Daten in einem Data Warehouse:<\/p>\n<ul>\n<li>Unvollst\u00e4ndige oder fehlende Quelldaten<\/li>\n<li>Fehlende Standardisierungen<\/li>\n<li>Probleme bei der Datentransformation<\/li>\n<li>Schlechte Daten-Governance<\/li>\n<li>Unzureichende Validierung und Qualit\u00e4tskontrollen<\/li>\n<li>Lack of <a href=\"https:\/\/www.scalefree.com\/data-vault-2-1-trainings\/data-vault-training-certification\/\">user training<\/a> and awareness<\/li>\n<\/ul>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h2>Techniken f\u00fcr Datenqualit\u00e4t<\/h2>\n\t<\/div>\n<\/div>\n\n\n\n\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Es gibt eine Vielzahl von Datenqualit\u00e4tstechniken, und es gibt keine einzige beste Option f\u00fcr alle Probleme. Die Schwierigkeit besteht darin, die aktuelle Situation zu verstehen und die St\u00e4rken und Schw\u00e4chen der verf\u00fcgbaren Techniken zu erkennen. In der Tat ist die Wirksamkeit der Techniken je nach Kontext unterschiedlich. Eine bestimmte Technik eignet sich in manchen Situationen gut, in anderen weniger gut. Scott Ambler entwickelte f\u00fcnf Vergleichsfaktoren, die f\u00fcr die Beurteilung der Wirksamkeit einer Datenqualit\u00e4tstechnik geeignet sind. Diese Faktoren, die unten aufgef\u00fchrt sind, sollen Ihnen helfen, die richtige DQ-Technik f\u00fcr die jeweilige Situation auszuw\u00e4hlen:<\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div><div class=\"img-with-aniamtion-wrap center custom-width-70pct custom-width-tablet-90pct custom-width-phone-100pct\" data-max-width=\"custom\" data-max-width-mobile=\"default\" data-shadow=\"none\" data-animation=\"none\" >\n      <div class=\"inner\">\n        <div class=\"hover-wrap\"> \n          <div class=\"hover-wrap-inner\">\n            <img loading=\"lazy\" decoding=\"async\" class=\"img-with-animation skip-lazy nectar-lazy\" data-delay=\"0\" height=\"460\" width=\"741\" data-animation=\"none\" data-nectar-img-src=\"https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Technique-Comparison-Factors-1.png\" src=\"data:image\/svg+xml;charset=utf-8,%3Csvg%20xmlns%3D'http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg'%20viewBox%3D'0%200%20741%20460'%2F%3E\" alt=\"Grafischer Vergleich der Datenqualit\u00e4tstechniken f\u00fcr ein Data Warehouse\" data-nectar-img-srcset=\"https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Technique-Comparison-Factors-1.png 741w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Technique-Comparison-Factors-1-640x397.png 640w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Technique-Comparison-Factors-1-600x372.png 600w\" sizes=\"auto, (max-width: 741px) 100vw, 741px\" \/>\n          <\/div>\n        <\/div>\n      <\/div>\n    <\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p><span style=\"color: #d4d4d4;\">Quelle: https:\/\/agiledata.org\/essays\/dataqualitytechniquecomparison.html<\/span><\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<ul>\n<li><strong>Rechtzeitigkeit:<\/strong> Reagieren Sie auf ein entdecktes DQ-Problem oder wenden Sie es an, um DQ-Probleme proaktiv zu vermeiden oder zu reduzieren?<\/li>\n<li><strong>Automatisierungsgrad:<\/strong> Inwieweit ist eine Automatisierung m\u00f6glich? Eine kontinuierliche Technik w\u00fcrde bei Bedarf automatisch aufgerufen werden.<\/li>\n<li><strong>Auswirkungen auf die Quelle:<\/strong> Hat die Technik irgendwelche Auswirkungen auf die eigentliche Datenquelle?<\/li>\n<li><strong>Nutzenrealisierung:<\/strong> Wird der Nutzen der Qualit\u00e4tsverbesserung sofort eintreten oder ist ein langfristiger Nutzen zu erwarten?<\/li>\n<li><strong>Erforderliche Kenntnisse:<\/strong> Erfordert die Technik anspruchsvolle F\u00e4higkeiten, die m\u00f6glicherweise durch Ausbildung\/Erfahrung erworben werden m\u00fcssen, oder ist die Technik leicht zu erlernen?<\/li>\n<\/ul>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h3>Der Vorteil des Data Vault 2.0-Ansatzes<\/h3>\n\t<\/div>\n<\/div>\n\n\n\n\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Wenn fehlerhafte Daten entdeckt werden, muss als Erstes eine Ursachenanalyse durchgef\u00fchrt werden. Was ist, wenn die fehlerhaften Daten aus der Quelle stammen? Der beste Ansatz w\u00e4re, die Fehler direkt im <a href=\"https:\/\/www.scalefree.com\/scalefree-newsletter\/satellite-modeling-for-any-structural-changes-in-the-source-system\/\">Quellsystem<\/a>&nbsp;zu beheben. Diese Methode wird jedoch h\u00e4ufig abgelehnt, da sie als kostspielig angesehen wird. Da die Quellen au\u00dferhalb der Reichweite eines Data Warehousing-Teams liegen, m\u00fcssen wir einen Weg finden, die schlechten Daten irgendwo in unserer Architektur zu bereinigen. In Data Vault 2.0 betrachten wir eine Datenbereinigungsroutine als eine Gesch\u00e4ftsregel (Soft Rule), wobei diese Regeln im <a href=\"https:\/\/www.scalefree.com\/scalefree-newsletter\/granularities-of-business-vault-entities\/\">Business Vault<\/a>.<\/p>\n<p>In der gezeigten Architektur (Abbildung 1) gibt es eine in den Business Vault integrierte Qualit\u00e4tsschicht, in der die Datenbereinigungsroutinen durchgef\u00fchrt werden. Ziel ist es, die bereinigten Daten in hohem Ma\u00dfe f\u00fcr nachgelagerte Business Vault- und Information Mart-Objekte wiederverwendbar zu machen. Wenn sich die Datenqualit\u00e4tsregeln \u00e4ndern oder neue Erkenntnisse \u00fcber die Daten gewonnen werden, ist es m\u00f6glich, die Regeln anzupassen, ohne dass fr\u00fchere Rohdaten neu geladen werden m\u00fcssen.<\/p>\n<p>Jetzt sind die Daten bereit f\u00fcr die Verwendung in einem beliebigen Dashboarding- oder Reporting-Tool. Es ist auch m\u00f6glich, die bereinigten Daten zur\u00fcck in die Quelle zu schreiben. Zu diesem Zweck werden die Daten \u00fcber einen <a href=\"https:\/\/www.scalefree.com\/scalefree-newsletter\/about-information-marts-in-data-vault-2-0-2\/\">Interface Mart<\/a> an das Quellsystem selbst zur\u00fcckgesendet. Auf diese Weise k\u00f6nnen die Gesch\u00e4ftsanwender die hochwertigen Daten auch in ihren Quellanwendungen nutzen. Wenn die Rohdaten das n\u00e4chste Mal in den Raw Data Vault geladen werden, sind die Daten bereits bereinigt.<\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div><div class=\"img-with-aniamtion-wrap center custom-width-70pct custom-width-tablet-90pct custom-width-phone-100pct\" data-max-width=\"custom\" data-max-width-mobile=\"default\" data-shadow=\"none\" data-animation=\"none\" >\n      <div class=\"inner\">\n        <div class=\"hover-wrap\"> \n          <div class=\"hover-wrap-inner\">\n            <img loading=\"lazy\" decoding=\"async\" class=\"img-with-animation skip-lazy nectar-lazy\" data-delay=\"0\" height=\"1988\" width=\"3056\" data-animation=\"none\" data-nectar-img-src=\"https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert.png\" src=\"data:image\/svg+xml;charset=utf-8,%3Csvg%20xmlns%3D'http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg'%20viewBox%3D'0%200%203056%201988'%2F%3E\" alt=\"Datenqualit\u00e4t in einem Data Warehouse\" data-nectar-img-srcset=\"https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert.png 3056w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert-640x416.png 640w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert-1024x666.png 1024w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert-768x500.png 768w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert-1536x999.png 1536w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert-2048x1332.png 2048w, https:\/\/www.scalefree.com\/wp-content\/uploads\/2024\/01\/Data-Quality-Architecture-korrigiert-600x390.png 600w\" sizes=\"auto, (max-width: 3056px) 100vw, 3056px\" \/>\n          <\/div>\n        <\/div>\n      <\/div>\n    <\/div><div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Der zweite in Abbildung 1 beschriebene Anwendungsfall ist die \u00dcberwachung schlechter Daten durch einen sogenannten Quality Mart. Der Quality Mart ist Teil der Informationsbereitstellungsschicht und selektiert alle schlechten Daten anstelle der bereinigten Daten. Auf dieser Grundlage k\u00f6nnen Berichte oder grafische Benutzeroberfl\u00e4chen f\u00fcr den Datenverwalter erstellt werden. Dar\u00fcber hinaus kann der Datenverwalter Kommentare zu bestimmten Datens\u00e4tzen hinterlassen, die nicht als schlechte Daten betrachtet werden sollten oder Ausnahmen von den Regeln darstellen. Diese Benutzeroberfl\u00e4che speichert alle hinzugef\u00fcgten Daten (Kommentare, Markierungen usw.) in einer Datenbank, die wiederum als Quelle f\u00fcr das Data Vault dient. Diese Daten k\u00f6nnen verwendet werden, um die Gesch\u00e4ftsregeln zu erweitern. Insbesondere, um die Ausnahmen von den Datenbereinigungsregeln herauszufiltern.<\/p>\n<p>Ein weiterer Vorteil von Data Vault 2.0 sind die hohen musterbasierten und standardisierten Einheiten. Dies erm\u00f6glicht eine einfache und automatisierte Entwicklung von technischen Tests. Einmal f\u00fcr jede Data Vault-Entit\u00e4t erstellt, k\u00f6nnen diese Tests sowohl auf die Raw Data Vault-Entit\u00e4ten als auch auf die Business Vault-Entit\u00e4ten angewendet werden. Dies gew\u00e4hrleistet ein konsistentes und pr\u00fcfbares Data Warehouse. Sehen Sie sich diesen <a href=\"https:\/\/www.scalefree.com\/de\/blog\/data-warehouse\/technische-tests-eines-data-vault-basierten-edw\/\" target=\"_blank\" rel=\"noopener\">Blog-Artikel<\/a>\u00a0an, wenn Sie ausf\u00fchrlichere Informationen \u00fcber technische Pr\u00fcfungen in Data Vault ben\u00f6tigen.<\/p>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h3>G\u00e4ngige Datenqualit\u00e4tstechniken<\/h3>\n\t<\/div>\n<\/div>\n\n\n\n\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Im letzten Abschnitt haben wir bereits einige Techniken beschrieben, die eine hohe Datenqualit\u00e4t in einer <a href=\"https:\/\/www.scalefree.com\/consulting\/data-vault-2-0\/#architecture\">Data Vault 2.0 Architektur<\/a>\u00a0gew\u00e4hrleisten. Nat\u00fcrlich gibt es eine Reihe anderer Techniken, die unabh\u00e4ngig davon sind, welcher Modellierungsansatz verwendet wird. Dar\u00fcber hinaus gibt es Techniken, die sich nicht in erster Linie auf die Datenqualit\u00e4t konzentrieren, aber dennoch einen positiven Einfluss darauf haben. Im Folgenden wollen wir uns einige von ihnen genauer ansehen:<\/p>\n<ul>\n<li><strong>Validierung von Gesch\u00e4ftsregeln:<\/strong> An dieser Stelle m\u00fcssen wir zwischen Datenqualit\u00e4t und Informationsqualit\u00e4t unterscheiden. Die Datenqualit\u00e4t konzentriert sich auf die intrinsischen Merkmale der Daten und befasst sich mit Problemen wie Fehlern, Inkonsistenzen und Vollst\u00e4ndigkeit auf granularer Ebene. Informationsqualit\u00e4t ist ein breiteres Konzept, das nicht nur die Qualit\u00e4t einzelner Datenelemente, sondern auch den Gesamtwert und den Nutzen der aus diesen Daten abgeleiteten Informationen umfasst. Was f\u00fcr den einen Gesch\u00e4ftsfall eine n\u00fctzliche Information ist, kann f\u00fcr einen anderen nicht ausreichend sein. Aus diesem Grund m\u00fcssen die Gesch\u00e4ftsanwender stark in diesen Prozess einbezogen werden, zum Beispiel durch Benutzerakzeptanztests.<br \/>\n<br><\/li>\n<li><strong>Data Governance<\/strong> beinhaltet die Festlegung von Rollen, Zust\u00e4ndigkeiten und Verantwortlichkeiten f\u00fcr die Datenqualit\u00e4t und stellt sicher, dass Daten als wertvolles Unternehmensgut behandelt werden. Entwicklung und Durchsetzung von <a href=\"https:\/\/www.scalefree.com\/blog\/tools\/running-modern-etl-processes-with-framework-based-tools-part-1\/\">Data Governance-Frameworks,<\/a> einschlie\u00dflich Datenqualit\u00e4tsstandards, Verantwortlichkeiten f\u00fcr die Verwaltung und Dokumentation.<br \/>\n<br><\/li>\n<li><strong>Daten-Leitfaden und -Standardisierung<\/strong> gew\u00e4hrleistet die Einheitlichkeit von Formaten, Einheiten und Werten im gesamten Data Warehouse und verringert so das Risiko von Fehlern aufgrund von Abweichungen in der Darstellung der Daten. Legen sie standardisierte Namenskonventionen, Ma\u00dfeinheiten, Formatierungsregeln und Datensicherheits-\/Privatschutzkonventionen fest und setzen sie diese durch. Dar\u00fcber hinaus ist Data Vault 2.0 in dieser Hinsicht sehr hilfreich, da alle Entit\u00e4ten stark standardisiert und automatisierbar sind.<br \/>\n<br><\/li>\n<li><strong>Datenverwalter:<\/strong> Als Teil der Data-Governance-Praxis ist ein Datenverwalter eine Aufsichts-\/Governance-Rolle innerhalb einer Organisation und daf\u00fcr verantwortlich, die Qualit\u00e4t und Zweckm\u00e4\u00dfigkeit der Daten der Organisation sicherzustellen.<br \/>\n<br><\/li>\n<li><strong>Kontinuierliche Integration (CI)<\/strong> ist eine Entwicklungspraxis, bei der die Entwickler ihre Arbeit h\u00e4ufig integrieren. Erfolgreiche Tests sollten eine obligatorische Bedingung f\u00fcr die Einf\u00fchrung jeder neuen \u00c4nderung an Ihrer <a href=\"https:\/\/www.scalefree.com\/blog\/data-warehouse\/choosing-the-right-tech-stack-for-an-open-source-powered-edw\/\">EDW gegebenenfalls umgehen<\/a> sein. Dies l\u00e4sst sich durch den Einsatz von DevOp-Tools und die kontinuierliche Integration in Ihrem Entwicklungszyklus erreichen. Die Durchf\u00fchrung automatisierter Tests bei jeder \u00dcberpr\u00fcfung oder Zusammenf\u00fchrung von Code stellt sicher, dass Probleme mit der Datenkonsistenz oder Fehler fr\u00fchzeitig erkannt und behoben werden, bevor sie in die Produktionsumgebung einflie\u00dfen.<br \/>\n<br><\/li>\n<li>Eine <strong>Review<\/strong> ist ein Peer-Review der Implementierung (Quellcode, Datenmodelle usw.). Die Entwicklung eines soliden Review-Prozesses bildet die Grundlage f\u00fcr eine kontinuierliche Verbesserung und sollte Teil des Workflows eines Entwicklungsteams werden, um die Qualit\u00e4t zu verbessern und sicherzustellen, dass jeder Teil des Codes von einem anderen Teammitglied gepr\u00fcft wurde.<br \/>\n<br><\/li>\n<li><strong><a href=\"https:\/\/www.scalefree.com\/data-vault-2-1-trainings\/data-vault-training-certification\/\">User training<\/a> und sensibilisieren:<\/strong> Educate users on the importance of data quality and <a href=\"https:\/\/www.scalefree.com\/data-vault-2-1-trainings\/data-vault-training-certification\/\">provide training<\/a> on the necessary topics and skills. Foster a culture of data quality awareness within the organization to encourage proactive identification and resolution of data quality issues.<\/li>\n<\/ul>\n\t<\/div>\n<\/div>\n\n\n\n<div class=\"divider-wrap\" data-alignment=\"default\"><div style=\"height: 25px;\" class=\"divider\"><\/div><\/div>\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<h2>Fazit<\/h2>\n\t<\/div>\n<\/div>\n\n\n\n\n<div class=\"wpb_text_column wpb_content_element\" >\n\t<div class=\"wpb_wrapper\">\n\t\t<p>Es steht au\u00dfer Frage, dass eine hohe Datenqualit\u00e4t f\u00fcr ein erfolgreiches Data Warehousing-Projekt unerl\u00e4sslich ist. Der Prozess hin zu einer hohen Datenqualit\u00e4t ist keine einmalige Anstrengung, sondern eine st\u00e4ndige Verpflichtung. Es handelt sich um einen vielschichtigen Prozess, der eine Kombination von Techniken, team\u00fcbergreifende Zusammenarbeit und die F\u00f6rderung einer Kultur der Datenverantwortung umfasst.<\/p>\n<p>In diesem Artikel haben wir uns mit den Ursachen f\u00fcr schlechte Daten befasst und verschiedene Techniken zur Bew\u00e4ltigung dieser Probleme er\u00f6rtert. Genauer haben wir beschrieben, wie Datenqualit\u00e4tstechniken in einer Data Vault 2.0-Architektur implementiert werden k\u00f6nnen.<\/p>\n<p>Wenn Sie tiefer in das Thema Datenqualit\u00e4t eintauchen m\u00f6chten, sollten Sie sich die kostenlosen <a href=\"https:\/\/us02web.zoom.us\/webinar\/register\/WN_Z41X3kYYScSP922NrzsG_g#\/registration\" target=\"_blank\" rel=\"noopener\">Webinar-Aufzeichnung<\/a> ansehen.<\/p>\n\t<\/div>\n<\/div>\n\n\n\n\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>","protected":false},"excerpt":{"rendered":"Sicherstellung der Datenqualit\u00e4t Eine schlechte Datenqualit\u00e4t kann zu ungenauen Erkenntnissen, fehlerhaften Entscheidungen und letztlich zu einem beeintr\u00e4chtigten Gesch\u00e4ftserfolg f\u00fchren. In der \u00c4ra von Big Data verlassen sich Unternehmen stark auf data warehouses...","protected":false},"author":98,"featured_media":38132,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1665,1442],"tags":[1135,588,553,1327,2383,495,2473,2477,427,2471,2476,545,327,480,1575,2480,1157,343,2474,2475,717,2478,1613,2479,2472],"class_list":{"0":"post-38122","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-beginner","8":"category-data-warehouse","9":"tag-big-data","10":"tag-business-rules","11":"tag-continuous-integration","12":"tag-data-analysis","13":"tag-data-consistency","14":"tag-data-governance","15":"tag-data-guidance","16":"tag-data-models","17":"tag-data-quality","18":"tag-data-quality-management","19":"tag-data-security-privacy","20":"tag-data-transformation","21":"tag-data-vault-2-0","22":"tag-data-warehouse","23":"tag-devops","24":"tag-formatting-rules","25":"tag-information-quality","26":"tag-quality-mart","27":"tag-review-process","28":"tag-root-cause-analysis","29":"tag-standardization","30":"tag-standardized-naming-conventions","31":"tag-technical-tests","32":"tag-units-of-measure","33":"tag-validation-of-business-rules"},"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/posts\/38122","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/users\/98"}],"replies":[{"embeddable":true,"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/comments?post=38122"}],"version-history":[{"count":0,"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/posts\/38122\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/media\/38132"}],"wp:attachment":[{"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/media?parent=38122"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/categories?post=38122"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.scalefree.com\/de\/wp-json\/wp\/v2\/tags?post=38122"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}