DQM - Data Quality Management
Das Data Quality Management (DQM) ist ein leistungsstarkes Zusatzmodul in Syncler, das Funktionen zur Prüfung, Bewertung und Sicherung der Datenqualität bereitstellt.
Mit diesem Werkzeug können Datenfehler frühzeitig erkannt, automatisch korrigiert und kontinuierlich überwacht werden.
DQM unterstützt Organisationen dabei, die Zuverlässigkeit und Konsistenz ihrer Daten sicherzustellen – sowohl während der Datenübertragung als auch im laufenden Betrieb von Systemen.
Verfügbare Editionen
Das DQM-Modul steht in zwei Editionen zur Verfügung, die sich im Funktionsumfang unterscheiden:
| Edition | Beschreibung |
|---|---|
| DQM Basis | Integriert in Daten-Synchronisationen (Syncs). Diese Variante ermöglicht es, während der Datenübertragung Daten zu überprüfen, zu korrigieren oder auf Fehler zu reagieren. |
| DQM Premium | Erweiterte Version zur kontinuierlichen Analyse und Überwachung kompletter Datenbestände. Diese Edition erlaubt die Erstellung von DQM-Projekten, um Bestandsdaten regelmäßig zu bewerten und Reports zu generieren. |
Die Premium-Edition ist ideal für Unternehmen, die langfristig eine hohe Datenqualität sicherstellen und Trends in der Datenpflege erkennen möchten.
Grundprinzipien und Komponenten
Das DQM basiert auf der Verwendung von Regeln und deren Ausführung innerhalb eines Workflows.
Diese Regeln werden auf einzelne Datensätze angewendet oder – in der Premium-Variante – auf komplette Datenbestände.
1. Regeln
Regeln sind das Herzstück des DQM. Sie definieren, welche Bedingungen geprüft und welche Aktionen bei Regelverletzungen ausgeführt werden sollen.
Beispiele für typische Regeln:
- Prüfung, ob Pflichtfelder (z. B. E-Mail-Adresse, Kundennummer) gefüllt sind
- Validierung von Datenformaten (z. B. Telefonnummern, IBAN, Postleitzahlen)
- Prüfung auf Dubletten oder widersprüchliche Einträge
- Automatische Korrektur von Groß-/Kleinschreibung oder Formatierungen
Weitere Details finden Sie unter: Regeln
2. Workflows
Regeln werden in Workflows kombiniert.
Ein Workflow kann mehrere Regeln in logischer Abfolge enthalten und so komplexe Datenprüfungen ermöglichen. Einige Regeln ermöglichen eine Ja/Nein-Verzweigung, die folgenden Schritte im Workflow nur auf die jeweilige Teilmenge von Datensätzen anwendet.
Beispiele für Workflow-Szenarien:
- Prüfung eingehender Kundendaten aus einem CRM-System
- Validierung von Artikeldaten vor dem Import in ein ERP-System
- Erkennung und Zusammenführung doppelter Datensätze
- Prüfung, Filterung und Verteilung von Kontakt-Formulardaten
3. Projekte (nur DQM Premium)
In der Premium-Edition steht das zusätzliche Element Projekt zur Verfügung.
Ein DQM-Projekt dient zur regelmäßigen Analyse und Bewertung von Bestandsdaten.
Dabei werden die definierten Regeln auf eine Datenquelle angewendet und die Ergebnisse im DQM-Dashboard zusammengefasst.
Hinweis:
Jedes Projekt kann für unterschiedliche Datenobjekte (z. B. Kunden, Produkte, Adressen) eingerichtet werden.
Ergebnisse können im Dashboard oder per Export ausgewertet werden.
Weitere Informationen unter: Projekte
DQM-Assistenten
Zur schnellen Analyse stehen DQM-Assistenten bereit, die ein sogenanntes Live-Scoring durchführen.
Dabei wird eine begrenzte Anzahl von Datensätzen aus einem System ausgewertet, um einen ersten Überblick über die Datenqualität zu erhalten.
Die Assistenten liefern eine prozentuale Bewertung in den zentralen DQM-Dimensionen.
Diese Werte werden anschließend im Dashboard oder direkt in den Projektergebnissen angezeigt.
Dimensionen der Datenqualität
Das DQM bewertet die Datenqualität anhand von fünf zentralen Dimensionen.
Diese Dimensionen ermöglichen eine differenzierte Analyse und zeigen, in welchen Bereichen Optimierungsbedarf besteht.
| Dimension | Beschreibung |
|---|---|
| Validität | Überprüfung, ob Daten den erwarteten Formaten, Werten und Anforderungen entsprechen (z. B. gültige Postleitzahl, korrekte E-Mail-Syntax). |
| Vollständigkeit | Kontrolle, ob alle erforderlichen Informationen vorhanden sind. Fehlende Pflichtfelder oder unvollständige Adressen werden hier erkannt. |
| Einzigartigkeit | Sicherstellung, dass keine redundanten oder doppelten Datensätze existieren. Diese Prüfung ist besonders wichtig für CRM- und ERP-Systeme. |
| Aktualität | Bewertung, wie zeitnah oder veraltet Informationen sind. Beispiel: Alte Kontaktdaten oder inaktive Kunden. |
| Genauigkeit | Überprüfung, ob Daten mit der realen Situation übereinstimmen (z. B. korrekte Anschrift oder Telefonnummer). |
Ergebnisse und Berichterstellung
Die Resultate der DQM-Prüfungen werden visuell im DQM-Dashboard dargestellt.
Hier können Sie auf einen Blick erkennen:
- den aktuellen Qualitätsstatus Ihrer Daten (prozentuale Bewertung)
- die Verteilung der Fehlerarten (z. B. Dubletten, ungültige Werte, fehlende Felder)
- historische Entwicklungen bei wiederkehrenden Prüfungen
Für die Premium-Edition können Berichte auch exportiert oder an Datenverantwortliche verteilt werden, um gezielte Korrekturmaßnahmen einzuleiten.
Anwendungsbeispiele
- Kundendatenprüfung vor einem Massenmailing
- Adressvalidierung bei Imports aus externen Quellen
- Dublettenanalyse in CRM- oder ERP-Systemen
- Qualitätskontrolle bei Produktdatenpflege oder Inventarlisten
- Kontinuierliches Monitoring zur Einhaltung von Governance-Richtlinien
Best Practices
- Nutzen Sie DQM Basis, um Daten direkt im Synchronisationsprozess zu validieren und zu korrigieren.
- Führen Sie regelmäßig DQM-Projekte (Premium) durch, um eine langfristige Verbesserung der Datenqualität zu erreichen.
- Definieren Sie klare Verantwortlichkeiten für Datenpflege und -überwachung.
- Verwenden Sie automatische Korrekturregeln, um wiederkehrende Fehlerquellen zu eliminieren.
Zusammenfassung
Das DQM-Modul in Syncler ist ein zentrales Werkzeug zur Sicherung Ihrer Datenqualität.
Ob zur laufenden Kontrolle während der Datenübertragung (DQM Basis) oder zur regelmäßigen Überwachung ganzer Datenbestände (DQM Premium) – das Feature unterstützt Sie bei der:
- Erkennung von Qualitätsproblemen
- Automatischen Datenbereinigung
- Kontinuierlichen Verbesserung Ihrer Datenbasis
Eine konsequente Anwendung der DQM-Regeln und Projekte führt langfristig zu besseren Analysen, präziseren Entscheidungen und höherer Datenintegrität.