Unabhängige Informationen zu Daten, KI und digitaler Regulierung in Luxemburg

Data Governance · Erklärt

Datenqualitätsdimensionen erklärt: Vollständigkeit, Genauigkeit, Aktualität und mehr

Datenqualitätsdimensionen wie Vollständigkeit, Genauigkeit und Aktualität sind messbare Eigenschaften, die zeigen, ob Daten für einen Zweck taugen.

Das Wichtigste

  • Der am häufigsten verwendete Satz an Datenqualitätsdimensionen stammt von DAMA UK: Vollständigkeit, Eindeutigkeit, Konsistenz, Aktualität, Gültigkeit und Genauigkeit.
  • Das britische Government Data Quality Framework, veröffentlicht am 3. Dezember 2020, übernimmt diese sechs Dimensionen und betont, dass die Liste nicht abschließend ist.
  • ISO/IEC 25012 definiert ein breiteres Modell mit 15 Datenqualitätsmerkmalen, aufgeteilt in inhärente und systemabhängige Qualität.
  • Der EZB-Leitfaden zur Risikodatenaggregation vom Mai 2024 erwartet von Banken, mindestens Genauigkeit und Integrität, Vollständigkeit und Aktualität mit Toleranzschwellen zu messen.
  • Die DSGVO verlangt sachlich richtige und aktuelle personenbezogene Daten (Artikel 5 Absatz 1 Buchstabe d), die KI-Verordnung verlangt für Hochrisiko-KI Trainingsdaten, die so weit wie möglich fehlerfrei und vollständig sind (Artikel 10 Absatz 3).

Datenqualitätsdimensionen sind messbare Eigenschaften wie Vollständigkeit, Genauigkeit und Aktualität, mit denen sich beurteilen lässt, ob Daten für einen bestimmten Zweck taugen. Der am häufigsten verwendete Satz, definiert von DAMA UK und am 3. Dezember 2020 vom britischen Government Data Quality Framework übernommen, umfasst sechs Dimensionen. Für Organisationen in Luxemburg ist das keine Theorie: Der EZB-Leitfaden für Banken vom Mai 2024, die Datenschutz-Grundverordnung und die KI-Verordnung nennen jeweils konkrete Dimensionen.

Warum „gute Daten” kein Maßstab ist

Fragen Sie drei Abteilungen, ob die Kundendaten gut sind, und Sie bekommen drei Antworten. Die Finanzabteilung meint, dass die Summen abstimmen. Der Vertrieb meint, dass die Telefonnummern funktionieren. Compliance meint, dass die wirtschaftlich Berechtigten dokumentiert sind.

Alle drei haben recht. Genau das ist das Problem.

Stellen Sie sich vor: Ihre Organisation startet ein Datenqualitätsprogramm, kauft ein Profiling-Werkzeug und baut ein Dashboard mit 400 Regeln. Sechs Monate später schaut niemand mehr hin, weil nie geklärt wurde, welche Regel für welche Entscheidung zählt. Dimensionen lösen das, indem sie allen dieselbe Sprache geben. Aus „die Daten sind schlecht” wird dann „das Datum der Geschäftsaufnahme fehlt bei 12 % der Kunden, die vor 2020 gewonnen wurden”.

Die sechs Dimensionen

Dimension Welche Frage sie beantwortet Beispielprüfung
Vollständigkeit Sind die erforderlichen Datensätze und Werte vorhanden? Anteil der Kundendatensätze mit steuerlichem Ansässigkeitsstaat
Eindeutigkeit Ist jede Entität nur einmal erfasst? Anzahl der Lieferanten mit zwei oder mehr aktiven Datensätzen
Konsistenz Stimmen die Werte über Datensätze und Systeme hinweg überein? Gleicher Legal Entity Identifier im CRM und in der Buchhaltung
Aktualität Sind die Daten aktuell und rechtzeitig verfügbar? Tage zwischen Adressänderung und Aktualisierung im System
Gültigkeit Entspricht der Wert dem erwarteten Format und Wertebereich? IBAN-Struktur, Datumsformate, zulässige Produktcodes
Genauigkeit Entsprechen die Daten der Wirklichkeit? Stichprobe von Datensätzen gegen Originalbelege

Das britische Framework definiert Genauigkeit als den Grad, in dem Daten der Wirklichkeit entsprechen, und Gültigkeit als den Grad, in dem Daten im erwarteten Bereich und Format liegen. Der Unterschied ist wichtig. Eine völlig gültige Postleitzahl kann trotzdem zum falschen Kunden gehören. Gültigkeit lässt sich billig automatisieren; Genauigkeit braucht fast immer eine Referenz außerhalb des Systems.

Das Framework warnt auch, dass Dimensionen miteinander konkurrieren. Schneller veröffentlichen kann heißen, weniger vollständig zu veröffentlichen, und solche Zielkonflikte sollten den Nutzern erklärt statt verschwiegen werden.

ISO/IEC 25012: die lange Liste

Wenn Sie eine formale Referenz brauchen, beschreibt ISO/IEC 25012 ein Datenqualitätsmodell mit 15 Merkmalen. Die Norm trennt inhärente Qualität, die die Daten selbst betrifft (Genauigkeit, Vollständigkeit, Konsistenz, Glaubwürdigkeit, Aktualität), von systemabhängiger Qualität, die von den Systemen abhängt, in denen die Daten liegen, etwa Zugänglichkeit.

Nutzen Sie die Norm als Checkliste, nicht als Dogma. Kaum eine Organisation braucht alle 15 Merkmale, um bessere Entscheidungen zu treffen.

Wo die in Luxemburg geltenden Regeln Dimensionen nennen

Regel Wen sie betrifft Genannte Dimensionen
EZB-Leitfaden zur Risikodatenaggregation (Mai 2024) Bedeutende Banken unter direkter EZB-Aufsicht Mindestens Genauigkeit und Integrität, Vollständigkeit und Aktualität, mit Toleranzschwellen
DSGVO, Artikel 5 Absatz 1 Buchstabe d Jeder Verantwortliche für personenbezogene Daten Sachliche Richtigkeit, erforderlichenfalls auf dem neuesten Stand
KI-Verordnung, Artikel 10 Absatz 3 Anbieter von Hochrisiko-KI-Systemen Relevant, hinreichend repräsentativ, so weit wie möglich fehlerfrei und vollständig

Der EZB-Leitfaden ist am konkretesten. Er erwartet Datenqualitätsindikatoren, die mindestens Genauigkeit und Integrität, Vollständigkeit und Aktualität abdecken, mit Toleranzschwellen und belastbaren Korrekturprozessen, und die regelmäßig dem Leitungsorgan berichtet werden. Er ist die operative Seite von BCBS 239.

Die DSGVO fügt eine Nuance hinzu: Die Richtigkeit wird im Hinblick auf die Zwecke der Verarbeitung beurteilt. Datenqualität bemisst sich also immer an einem Zweck, nie im luftleeren Raum.

Der menschliche Faktor

Dimensionen werden mit Werkzeugen gemessen, aber von Menschen ausgewählt. Das Vorgehen, das funktioniert, ist einfach.

Wählen Sie zuerst die Datenelemente, die eine Entscheidung oder einen Bericht steuern: die Risikoeinstufung eines Kunden, den Nettoinventarwert eines Fonds, den Stammdatensatz eines Produkts. Lassen Sie dann den fachlichen Eigentümer jedes Elements die relevanten Dimensionen wählen und die Schwelle festlegen. Die IT baut die Prüfungen; sie sollte nicht entscheiden, dass 95 % Vollständigkeit genügen.

Eine Schwelle ohne Eigentümer ist nur eine Zahl auf einem Dashboard.

Verbinden Sie schließlich jede fehlgeschlagene Prüfung mit ihrer Ursache. Die Datenherkunft zeigt, woher ein Wert stammt, und dort liegt meist auch die Korrektur. Wer tiefer einsteigen will, wie Qualität und Stammdaten zusammenhängen, findet hier ein Praxisbuch zu Stammdaten und Datenqualität.

Die gute Nachricht: Für den Anfang braucht es kein Programm. Drei Dimensionen auf zehn kritischen Datenelementen, monatlich gemessen, schlagen vierhundert Regeln, die niemand liest.

Was jetzt zu tun ist

  1. Listen Sie die zehn Datenelemente auf, die hinter Ihrem wichtigsten Bericht oder Ihrer wichtigsten Aufsichtsmeldung stehen.
  2. Benennen Sie für jedes Element einen fachlichen Eigentümer und lassen Sie ihn zwei oder drei relevante Dimensionen wählen.
  3. Legen Sie pro Dimension eine Toleranzschwelle fest und was bei einer Überschreitung passiert.
  4. Automatisieren Sie zuerst Prüfungen auf Gültigkeit, Vollständigkeit und Eindeutigkeit; planen Sie stichprobenbasierte Genauigkeitsprüfungen gegen Originalbelege.
  5. Berichten Sie die Ergebnisse vierteljährlich an die Geschäftsleitung, zusammen mit den akzeptierten Zielkonflikten.

Fragen & Antworten

Welche sechs Dimensionen der Datenqualität gibt es?

Im DAMA-UK-Satz, den das britische Government Data Quality Framework verwendet: Vollständigkeit, Eindeutigkeit, Konsistenz, Aktualität, Gültigkeit und Genauigkeit.

Was ist der Unterschied zwischen Gültigkeit und Genauigkeit?

Gültigkeit prüft, ob ein Wert Format und Wertebereich einhält, etwa eine korrekt aufgebaute IBAN. Genauigkeit prüft, ob der Wert der Wirklichkeit entspricht, also ob es tatsächlich das Konto des Kunden ist.

Schreiben die in Luxemburg geltenden Regeln bestimmte Dimensionen vor?

Teilweise. Der EZB-Leitfaden für bedeutende Banken nennt Genauigkeit und Integrität, Vollständigkeit und Aktualität; die DSGVO nennt die Richtigkeit personenbezogener Daten; die KI-Verordnung verlangt fehlerfreie und vollständige Trainingsdaten für Hochrisiko-Systeme.

Muss jeder Datenbestand auf allen Dimensionen gemessen werden?

Nein. Das britische Framework empfiehlt, die Dimensionen zu priorisieren, die den Bedürfnissen von Nutzern und Fachbereichen entsprechen, und lässt zu, dass manche nicht relevant sind.

Quellen

  1. The Government Data Quality Framework (3. Dezember 2020) · UK Government Data Quality Hub
  2. ISO/IEC 25012 data quality model · iso25000.com
  3. Guide on effective risk data aggregation and risk reporting (Mai 2024) · EZB-Bankenaufsicht
  4. Verordnung (EU) 2016/679 (DSGVO), Artikel 5 · gdpr-info.eu
  5. Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 10 · artificialintelligenceact.eu

Geschrieben und anhand von Primärquellen geprüft.