Qualitätssicherung und Qualitätskontrolle
Qualitätssicherung und Qualitätskontrolle sind zwei grundlegende Ansätze im Datenqualitätsmanagement. Qualitätssicherung wirkt vorbeugend und prozessorientiert, um hohe Datenqualität langfristig zu gewährleisten, während Qualitätskontrolle nachsorgend die Qualität bereits verarbeiteter Daten überprüft. Beide Ansätze integrieren Methoden wie Validierung und Tests, wobei wirtschaftliche Aspekte die Auswahl der Maßnahmen beeinflussen.
Lernziele
Dieser Artikel vermittelt folgende Erkenntnisse:
- Unterscheidung zwischen Qualitätssicherung und Qualitätskontrolle.
- Kenntnis der Datenqualitätsdimensionen.
- Anwendung typischer Methoden in Datenverarbeitungsprozessen.
- Bewertung wirtschaftlicher Aspekte bei Qualitätsmaßnahmen.
Kurzüberblick
Qualitätssicherung und Qualitätskontrolle bilden die Säulen des Datenqualitätsmanagements. Qualitätssicherung zielt auf die Prävention von Fehlern im gesamten Datenlebenszyklus ab, während Qualitätskontrolle Fehler in fertig verarbeiteten Daten identifiziert und behebt. Wirtschaftliche Überlegungen spielen eine entscheidende Rolle, da schlechte Datenqualität Kosten von bis zu 3,1 Billionen US-Dollar jährlich verursachen kann und Mitarbeiter durchschnittlich 25 Prozent ihrer Arbeitszeit mit der Behebung von Problemen verbringen.
Kontext und Einordnung
Im Datenmanagement sind Qualitätssicherung und Qualitätskontrolle essenziell, um die Zuverlässigkeit und Nützlichkeit von Daten zu sichern. Sie unterstützen Entscheidungsprozesse, reduzieren Risiken und tragen zu Compliance bei, etwa mit der DSGVO, deren Verstöße Bußgelder bis zu 4 Prozent des Jahresumsatzes nach sich ziehen können.
Begriffe und Definitionen
Qualitätssicherung
Qualitätssicherung ist ein prozessbezogener, vorbeugender Ansatz zur Gewährleistung hoher Datenqualität über den gesamten Datenlebenszyklus. Sie umfasst organisatorische und technische Maßnahmen zur Fehlervermeidung.
Qualitätskontrolle
Qualitätskontrolle ist ein produktbezogener, nachsorgender Ansatz, der bereits verarbeitete Daten auf Fehler und Abweichungen prüft. Sie konzentriert sich auf die Identifizierung und Behebung von Fehlern in Datensätzen nach der Verarbeitung.
Datenqualitätsdimensionen
Datenqualität wird durch sechs Dimensionen bestimmt: Genauigkeit (Übereinstimmung mit der Realität), Vollständigkeit (keine fehlenden Werte), Konsistenz (übergreifende Harmonie), Aktualität (Daten sind aktuell), Eindeutigkeit (keine Duplikate) und Gültigkeit (Einhaltung von Geschäftsregeln).
Vorgehen
Qualitätskontrolle
- Überprüfung der Datengenauigkeit und Korrektheit.
- Stichprobenprüfung für effiziente Überprüfung großer Mengen.
- Anwendung von Datenvalidierungsregeln.
- Vergleich mit Qualitätsstandards.
- Identifizierung von Anomalien oder Fehlern.
Methoden umfassen Datenprofilierung, statistische Analysen, Konsistenzprüfungen und Datenbereinigung. Maßnahmen beinhalten standardisierte Testverfahren, Einhaltung von Datenschutzvorgaben, Abgleich mit Soll-Zustand (Soll-Ist-Vergleich) und Einsatz von Modellen wie Scrum.
Qualitätssicherung
Organisatorisch: Beschreibung von Prozessen, Schulungen, Richtlinien.
Technisch: Überwachung, Validierungsregeln, Tests, automatisierte Bereinigung.
Methoden: Implementierung von Datenqualitätsmanagementsystemen, kontinuierliche Schulungen, kontinuierliche Kontrollen, Einsatz von Tools.
Beispiele
Angenommen, ein Unternehmen verarbeitet Kundendaten. In der Qualitätskontrolle werden Stichproben auf Vollständigkeit geprüft, und fehlende E-Mail-Adressen werden korrigiert. In der Qualitätssicherung werden Validierungsregeln eingeführt, um Duplikate bei der Eingabe zu verhindern.
Häufige Fehler und Tipps
Fehler: Vernachlässigung der vorbeugenden Maßnahmen führt zu hohen Nachbesserungskosten.
Tipp: Regelmäßige Datenprofilierung durchführen, um Dimensionen frühzeitig zu bewerten.
Selbsttest
- Der Hauptunterschied zwischen Qualitätssicherung und Qualitätskontrolle ist...
- Drei Datenqualitätsdimensionen sind...
- Wirtschaftliche Vorteile guter Datenqualität umfassen...
Weiterführendes
Weitere Informationen zu Kosten-Nutzen-Analysen und Return on Investment unterstützen die Bewertung von Qualitätsmaßnahmen. Initiativen zur Datenqualität erreichen typischerweise einen Return on Investment von 300 bis 600 Prozent über drei Jahre mit Amortisationszeiten von 6 bis 18 Monaten.