Datenqualität ist keine abstrakte Note.
Datenqualität ist keine abstrakte Note. Sie bestimmt, welche Entscheidungen mit verfügbaren Daten verteidigbar bleiben. Eine vollständige, aber zwischen Ausgaben, Expositionen und Verkäufen schlecht abgeglichene Reihe kann ein präzises Modell im falschen Umfang erzeugen. Kontrollen müssen daher an den Gebrauch gebunden sein: Beschreiben, Vergleichen, Attribuieren, Prognostizieren und Optimieren verlangen nicht dieselbe Evidenz.
Entscheidung und Methode.
Analyse nach entscheidungsspezifischen Schwellen erlauben, begrenzen oder verschieben; ein Mittelwert darf keinen blockierenden Fehler ausgleichen. Erwartete Ausgabe, Granularität, Horizont und Fehlerkosten benennen. Vollständigkeit, Validität, Konsistenz, Eindeutigkeit, Aktualität, Matching und finanzielle Abstimmung im tatsächlich analysierten Umfang messen. Zufallsfehler, systematischen Bias, Definitionsbruch und strukturelles Fehlen unterscheiden und betroffene Segmente und Perioden dokumentieren. Grün erlaubt, Orange verlangt Sensitivität, Rot beschränkt auf Exploration; ein Korrekturplan hat Eigentümer und Termin. Für jede Korrektur Rohdaten und Transformationstrace bewahren.
Rechenbeispiel.
Datensatz: 96 % Vollständigkeit, 91 % Validität, 85 % Aktualität, 78 % Exposure-Sales-Matching, 99 % Ausgabenabstimmung; einfacher Mittelwert 89,8 %. Matching-Schwelle für Attribution und Optimierung: 90 %. Die Lücke von 12 Punkten betrifft vor allem Mobile mit 34 % der Verkäufe. Der Mittelwert kompensiert nicht. Deskriptive Analyse bleibt erlaubt; Attribution und Reallokation werden bis zur Korrektur mobiler IDs verschoben oder mit Sensitivität ohne Kanal begrenzt.
Prüfungen und Grenzen.
Schwellen vor Score-Beobachtung nach Gebrauch definieren; blockierenden Fehler nicht kompensieren; Rohdaten und Trace bewahren; fragile Segmente, Perioden und Entscheidungen berichten. Technisch konforme Daten können kausal unzureichend bleiben. Automatische Kontrollen erkennen Geschäftsdefinitionswechsel schlecht; hohe globale Rate kann schlechte Qualität im entscheidenden Segment verdecken.
Ressourcen und Quellen.
Kontrollregister herunterladen. Weiterführend: notwendige Daten definieren, MMM-Daten kontrollieren, analytischen Datensatz aufbauen. Quellen: ISO/IEC 25012:2008; Batini et al. (2009); Redman (2013).