Ein durchschnittlicher Qualitätsscore kann Modell zulassen, dessen einzelne Schwäche Nutzung ungültig macht.
Ein durchschnittlicher Qualitätsscore kann Modell zulassen, dessen einzelne Schwäche Nutzung ungültig macht. Vollständige, aber nicht mit Finanzen abgeglichene Ausgaben, wechselnde Taxonomie oder gebrochene Verkaufsserie dürfen nicht durch gute Nebenscores ausgeglichen werden. MMM-Qualität mit reproduzierbaren Kontrollen, blockierenden Schwellen, Korrekturhistorie und Eigentümer führen. Ergebnis ist kein allgemeines Grün, sondern Liste erlaubter, eingeschränkter oder verbotener Nutzungen.
Entscheidung und Methode.
Entscheidungsnutzung verweigern, solange blockierende Abstimmungs-, Kontinuitäts- oder Definitionskontrolle unter Schwelle liegt, auch bei hoher Durchschnittsqualität. Für jede Tabelle Dimension, Formel, Schwelle, Frequenz, Eigentümer und Aktion schreiben; Information, Warnung und Blocking Gate trennen. Kontrollen über alle Perioden wiederholen, um Brüche, Verzögerungen, Duplikate, unmögliche Werte und Abstimmungslücken zu finden und Korrekturwirkung zu messen. Jeden Defekt mit betroffener Nutzung verbinden: für globalen Trend akzeptabel, für wöchentlichen Plattformreturn blockierend. Stabile Kontrollen automatisieren, Ausnahmen protokollieren und bei Quellen-, Definitions- oder Schwellenänderung prüfen.
Rechenbeispiel.
In diesem fiktiven Lehrregister decken Daten 104 Wochen ab. Vollständigkeit 99,8 %, Ausgabenabgleich 98,7 %, Taxonomiestabilität 94 %, Frische 92 %; 7 Serienbrüche undokumentiert. Einfacher Durchschnitt 96,1 %, dennoch scheitern drei Gates: Abgleich verlangt 99 %, Taxonomie 97 %, höchstens 2 ungelöste Brüche. Illustrierende Finanzlücke 52 k€. Explorative Arbeit kann Daten vorbereiten, Allokation bleibt blockiert bis 52 k€ abgeglichen, Brüche dokumentiert und Taxonomie über 97 %.
Prüfungen und Grenzen.
Jede Kontrolle hat Formel, Schwelle, Eigentümer und Aktion; Blocking Gates werden nicht durch Mittelwerte ausgeglichen; Korrekturen bewahren Ausgangswert und Begründung; erlaubte Nutzungen verknüpfen Restdefekte. Technisch saubere Daten können kausal unzureichend bleiben. Schwellen variieren mit Entscheidungsexposition. Automation erkennt nicht erklärte Änderungen der Geschäftsbedeutung schlecht.
Ressourcen und Quellen.
MMM-Qualitätsregister herunterladen. Weiterführend: Identifizierbarkeit testen, Quellen diagnostizieren, Modell validieren. Quellen: Wang und Strong (1996); Batini und Scannapieco (2016); Chan und Perry (2017).