Datenqualität mit Regeln prüfen

Qualität an der geplanten Nutzung ausrichten

Daten sind nicht abstrakt gut oder schlecht. Eine Lieferadresse braucht andere Eigenschaften als eine Kennzahl für langfristige Trends. Das Team wählt daher einen konkreten Prozess oder Entscheidungszweck und fragt, welche Fehler dort relevant sind. Daraus entstehen Dimensionen wie Vollständigkeit, Gültigkeit, Eindeutigkeit, Aktualität und Konsistenz. Jede Dimension wird mit einem beobachtbaren Risiko verbunden. Diese Zweckbindung verhindert eine große Regelbibliothek ohne Priorität. Sie macht auch sichtbar, wenn ein Feld für den betrachteten Prozess gar nicht benötigt wird und besser entfernt oder nicht weitergegeben werden sollte.

Einordnung: Redaktioneller Arbeitsschritt; keine gesetzliche oder technische Vorgabe.

Regeln präzise und maschinenlesbar formulieren

Eine Regel nennt Datenfeld, betroffene Datensätze, Bedingung, erwartetes Ergebnis und zulässige Ausnahme. „Telefonnummer muss korrekt sein“ ist nicht ausführbar; Format, Landbezug und Umgang mit fehlender Nummer müssen beschrieben werden. Bereichsgrenzen, Referenzlisten und zeitliche Beziehungen werden versioniert. Wo eine fachliche Plausibilität nicht sicher automatisierbar ist, erzeugt die Regel einen Prüfhinweis statt einer automatischen Änderung. Beispiele für gültige und ungültige Fälle ergänzen die Definition. So können Fachbereich und Technik dieselbe Erwartung prüfen, ohne dass ein stillschweigender Code zur einzigen Dokumentation wird.

Einordnung: Redaktioneller Arbeitsschritt; keine gesetzliche oder technische Vorgabe.

Richtigkeit und Datenminimierung zusammendenken

Art. 5 DSGVO führt unter anderem Richtigkeit und Datenminimierung als Grundsätze für personenbezogene Daten auf. Daraus folgt keine pauschale Pflicht, beliebige Zusatzfelder zur Qualitätssteigerung zu sammeln. Eine Qualitätsprüfung sollte nur Informationen verwenden, die für den festgelegten Zweck erforderlich sind. Fehlerhafte personenbezogene Angaben benötigen einen kontrollierten Korrekturweg; automatische Anreicherung aus ungeprüften Drittquellen kann neue Risiken schaffen. Die konkrete rechtliche Bewertung hängt von Verarbeitung und Kontext ab. Technische Regeln dokumentieren deshalb ihren Zweck und verweisen offene Rechtsfragen an die dafür zuständigen Funktionen.

Beleggrundlage: Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung) · Info 6: Die DSGVO in der Bundesverwaltung

Fehler nach Auswirkung statt nach Menge priorisieren

Zehntausend harmlose Formatabweichungen können weniger dringend sein als drei falsche Kontoverbindungen. Für jede Regel werden betroffener Prozess, mögliche Wirkung, Erkennbarkeit und Korrekturfrist beschrieben. Das Ergebnis ist eine begründete Priorität, keine reine Fehlerquote. Wiederkehrende Muster werden nach Quelle, Schnittstelle oder Bearbeitungsschritt gruppiert, damit Ursachen statt einzelner Datensätze behandelt werden. Ein vorübergehender Ausnahmefall bleibt mit Ablaufdatum und Verantwortlichem sichtbar. Er darf nicht durch dauerhaftes Abschalten der Regel verschwinden. So führt die Prüfung zu einer steuerbaren Arbeitsliste und nicht zu einem unübersichtlichen Warnungsstapel.

Einordnung: Redaktioneller Arbeitsschritt; keine gesetzliche oder technische Vorgabe.

Korrekturen an der richtigen Stelle durchführen

Ein Fehler wird möglichst in der führenden Quelle behoben und von dort erneut verteilt. Vor Massenkorrekturen wird eine Stichprobe geprüft und ein rückholbarer Plan erstellt. Das Team dokumentiert alte und neue Regelversion, betroffene Menge, Freigabe und Kontrollergebnis. Wenn eine automatische Korrektur nur vermutet, bleibt sie ein Vorschlag für fachliche Prüfung. Nach der Bereinigung läuft dieselbe Qualitätsregel erneut; zusätzlich wird kontrolliert, ob nachgelagerte Kopien aktualisiert wurden. Unklare Fälle werden nicht stillschweigend auf einen Standardwert gesetzt, weil dadurch sichtbare Lücken in scheinbar vollständige, aber falsche Angaben verwandelt würden.

Einordnung: Redaktioneller Arbeitsschritt; keine gesetzliche oder technische Vorgabe.

Regelsatz wie ein Produkt betreiben

Jede aktive Regel hat Eigentümer, Version, Startdatum, Datenquelle, Schweregrad und letzten Prüftermin. Änderungen werden zunächst gegen bekannte Beispiele und eine begrenzte Datenmenge getestet. Kennzahlen zeigen Treffer, bestätigte Fehler, Fehlalarme und Bearbeitungsrückstand. Eine stark steigende Quote kann auf schlechtere Daten, aber auch auf eine neue Regelversion oder geänderte Eingabe hinweisen. Deshalb werden Verlauf und Kontext gemeinsam betrachtet. Regeln ohne Nutzung oder mit dauerhaft unklarer Bedeutung werden überprüft und gegebenenfalls kontrolliert beendet. Die Historie bleibt erhalten, damit frühere Qualitätsberichte verständlich bleiben. Vor einer Regelabschaltung wird geprüft, welche Berichte, Schnittstellen oder Freigaben ihr Ergebnis verwenden. Ein Ersatz oder bewusstes Ende wird dort dokumentiert; andernfalls kann eine scheinbar folgenlose Bereinigung eine unbemerkte Kontrolllücke in einem nachgelagerten Prozess erzeugen.

Einordnung: Redaktioneller Arbeitsschritt; keine gesetzliche oder technische Vorgabe.

Im Zusammenhang weiterlesen

• Datenquelle und Dateneigner festlegen — Eine belastbare Datenverantwortung verbindet die maßgebliche Quelle mit Definition, Qualitätsentscheidung und Eskalationsweg.
• Stammdatenänderungen kontrollieren — Stammdaten bleiben verlässlich, wenn Änderungen an Quelle, Berechtigung, Wirkung und Rückholbarkeit gemeinsam geprüft werden.
• Kennzahlen mit Definition dokumentieren — Eine Kennzahl ist erst steuerbar, wenn verschiedene Personen sie mit derselben Definition reproduzieren und richtig einordnen können.