Was sind Datenqualitätsindikatoren? (plus Typen und Verwendungszwecke) • BUOM

10. September 2021

Viele Unternehmen, beispielsweise Vertriebsleiter und leitende Angestellte, nutzen Datenqualitätskennzahlen, um die Produktivität ihres Teams zu steigern und bessere Ergebnisse zu erzielen. Es gibt verschiedene Arten von Datenqualitätsmetriken, und jede dient einem anderen Zweck. Wenn Sie mehr über Datenqualitätsmetriken erfahren, können Sie diese in Ihren Teams nutzen. In diesem Artikel besprechen wir die Definition von Datenqualitätsmetriken, beschreiben deren Verwendung und listen verschiedene Typen auf, die in Unternehmen häufig verwendet werden.

Was sind Datenqualitätsindikatoren?

Datenqualitätsmetriken sind Indikatoren, die zur Bewertung der Datenqualität verwendet werden können. Sie sagen oft die Datenqualität voraus und können ein Signal zum Handeln geben. Sie können Datenqualitätsmetriken auf eine Vielzahl von Sektoren anwenden, darunter Gesundheitswesen, Wissenschaft, Finanzen, Technologie und Versicherungen.

Wie werden Datenqualitätsindikatoren verwendet?

Hier ist eine Liste von drei Möglichkeiten zur Verwendung von Datenqualitätsmetriken mit einer Erläuterung jeder Verwendung:

Festlegung von Datenqualitätszielen

Möglicherweise möchten Sie nach einem internen Audit oder einer Kundenbeschwerde ein Datenqualitätsziel festlegen. Mithilfe eines Ziels können Sie den Erfolg Ihrer Datenqualitätsinitiative über einen bestimmten Zeitraum messen. Angenommen, Ihre Kundendienstabteilung erhält eine Reihe von Kundenbeschwerden über falsche Adressinformationen. Anschließend können Sie sich das Ziel setzen, die Adressqualität im nächsten Quartal um 20 % zu verbessern.

Zur Beurteilung der Datenqualität

Sie können eine Datenqualitätsbewertung durchführen, indem Sie historische Aufzeichnungen untersuchen und die Informationen, die Sie über Ihre Kunden und Ihre Geschäftsprozesse im Laufe der Zeit haben, analysieren. Diese Überprüfung kann potenzielle Probleme und Möglichkeiten zur Verbesserung der Datenqualität identifizieren. Sie können auch ein Messsystem einrichten, um Daten über die Qualität Ihrer Daten zu sammeln und zu analysieren.

Die Erwartungen an den Kundenservice steigern

Durch die Festlegung klarer Datenqualitätsziele können Sie Ihre Kundendienstmitarbeiter auf Datenqualitätsprobleme aufmerksam machen, auf die sie regelmäßig stoßen können. Je besser Sie vorbereitet sind, desto besser können Sie die Kundenbedürfnisse erfüllen. Sie können beispielsweise die Anzahl der Kundendienstanrufe im Zusammenhang mit Adress- und Kontoinformationen reduzieren, indem Sie sich das Ziel setzen, die Anzahl der Kunden zu reduzieren, die eine falsche Adresse melden.

Arten von Datenqualitätsmetriken

Hier ist eine Liste verschiedener Arten von Datenqualitätsmetriken mit einer Beschreibung jedes Typs:

Genauigkeitsraten

Mithilfe dieser Kennzahlen können Sie die Genauigkeit Ihrer Daten bewerten. Die Datengenauigkeit ist ein Maß dafür, wie genau Ihre Daten mit den tatsächlichen Fakten übereinstimmen, die sie darstellen. Je genauere Daten Sie haben, desto besser können Sie diese Informationen verstehen. Zu diesen Arten von Indikatoren gehören:

• Genauigkeit: Diese Metrik misst den Prozentsatz der tatsächlichen Datenelemente, die Sie aufzeichnen oder speichern. Wenn Sie beispielsweise 100 Mitarbeiter haben, aber nur Daten für 80 Mitarbeiter erfassen, beträgt die Genauigkeit 80 %.

• Rückruf: Der Rückruf ist ein Maß dafür, wie viele Elemente in einer Liste vorhanden sind und wie viele davon für bestimmte Analysetypen relevant sind. Sie können es als Verhältnis zwischen der Anzahl der richtigen Elemente und der Gesamtzahl der Elemente berechnen, die die von Ihnen festgelegten Kriterien für Übereinstimmungsergebnisse erfüllen.

• Perzentil: Ein Perzentil ist ein Maß für die Wahrscheinlichkeit, dass ein Wert in Ihrem Datensatz die Zielwerte erreicht. Wenn beispielsweise 90 % der Datenwerte innerhalb eines Perzentils über oder unter dem Zielwert liegen, können Sie feststellen, dass Ihre Daten korrekt sind.

• Standardabweichung: Die Standardabweichung ist ein Maß dafür, wie groß oder klein alle Werte in einer Menge von ihrem Mittelwert oder Medianwert sind.

Integritätsindikatoren

Mithilfe von Integritätsmetriken können Sie die Integrität Ihrer Daten bewerten. Eine hohe Datenintegrität ermöglicht eine genauere Analyse, sodass Sie die Erwartungen Ihrer Kunden besser erfüllen können. Zu den Integritätsmaßnahmen gehören:

• Transaktionsprüfung: Die Transaktionsprüfung misst, wie viele Transaktionen nicht allen definierten Regeln entsprechen. Wenn ein Kunde beispielsweise eine Versicherungsgesellschaft betritt und einen Antrag ausfüllt, ohne eine Telefonnummer anzugeben, aber später einen Anruf von der Firma erhält, in der er die Nummer anfordert, kann es sein, dass der Antrag bei der Dateneingabe einen Fehler aufweist.

• Nullwerte: Nullwerte geben an, wie viele der Werte in Ihrem Datensatz unvollständig oder leer sind. Diese Bewertung kann Ihnen dabei helfen, Bereiche Ihres Prozesses zu identifizieren, in denen Sie zusätzliche Anleitung und Schulung bereitstellen können, um sicherzustellen, dass die von Ihnen erfassten und analysierten Werte vollständig und korrekt sind.

• Fehlende Datenpunkte. Fehlende Datenpunkte geben an, wie viele einzelne Fälle oder Datensätze nicht alle erforderlichen Datenelemente für ein bestimmtes Attribut enthalten.

Konsistenzmetriken

Mithilfe von Konsistenzmetriken können Sie bewerten, ob die Werte in Ihrem Datensatz mit den Werten übereinstimmen, die Sie zuvor aufgezeichnet und gespeichert haben. Konsistenz verbessert die Datenqualität, indem sichergestellt wird, dass alle Daten unverändert bleiben. Zu diesen Maßnahmen gehören:

• Datenkonsistenz. Die Datumskonsistenz misst, wie viele Datumsangaben in einem Datensatz außerhalb ihres historischen Bereichs liegen.

• Numerische Konsistenz. Die numerische Konsistenz misst, wie viele Werte in einem Datensatz vom erwarteten Bereich abweichen.

Vollständigkeitsindikatoren

Vollständigkeitsmetriken helfen Ihnen, die Vollständigkeit Ihrer Daten zu bewerten. Die Datenvollständigkeit ist ein Maß dafür, wie vollständig, genau und repräsentativ ein bestimmter Datensatz ist. Mithilfe dieser Bewertung können Sie potenzielle Lücken in Ihren Daten identifizieren und entscheiden, wie diese Lücken geschlossen werden können. Zu den Vollständigkeitsmaßnahmen gehören:

• Mindestanzahl von Vorkommen. Die Mindestanzahl an Vorkommen misst, wie viele Werte in einem Datensatz weniger als eine angegebene Anzahl an Vorkommen aufweisen.

• Maximale Latenz: Die maximale Latenz misst die Zeit zwischen dem Auftreten eines Ereignisses und seiner Aufzeichnung auf Ihrem System.