Seminar Actian Data Intelligence (Zeenea) – Datenqualität, Vertrauenssignale und DQM-Integration

Das Seminar zeigt, wie Datenqualität in Actian Data Intelligence und Zeenea als verständlicher Vertrauenskontext bereitgestellt wird. Qualitätsdimensionen, Regeln, Messwerte, Zertifizierungen, Nutzungsfitness und externe DQM-Ergebnisse werden mit Katalogobjekten, Lineage, Verantwortlichkeiten und Datenprodukten verknüpft. Zusätzlich entsteht ein Integrations- und Betriebsmodell für Aktualisierung, Abweichungsbehandlung und kontinuierliche Verbesserung.

Inhaltsübersicht

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik
• 1. Qualität aus dem Nutzungszweck ableiten
• 2. Qualitätsdimensionen und Regelmodell
• 3. Profiling, Sampling und Baseline
• 4. Vertrauenssignale im Katalog
• 5. DQM-Integration und Mapping
• 6. Synchronisation, API und Fehlerbehandlung
• 7. Ownership und Issue Management
• 8. Lineage-basierte Ursachen- und Impact-Analyse
• 9. Qualität in Datenprodukten und Contracts
• 10. Steuerung und kontinuierliche Verbesserung

Zielsetzung

• Qualitätsanforderungen aus konkreten Nutzungsfällen ableiten
• Dimensionen, Regeln, Messwerte und Schwellen konsistent modellieren
• Qualitätssignale nutzerorientiert in Studio und Explorer bereitstellen
• Externe DQM-Ergebnisse über geeignete Integrationsmuster synchronisieren
• Ownership, Eskalation und Behebung von Qualitätsproblemen organisieren
• Qualität in Datenprodukte, Contracts und Freigaben integrieren
• Kennzahlen für Qualität, Vertrauen und Verbesserung etablieren

Zielgruppe

Data Quality Manager, Data Stewards, Data Owner, Data Engineers, Data Product Owner, Data Governance, Analytics- und Plattformteams.

Voraussetzungen

Grundkenntnisse zu Datenqualität und Datenkatalogen. Erfahrung mit DQM-Werkzeugen, Qualitätsregeln oder Datenprofiling ist hilfreich.

Seminarinhalte

1. 1. Qualität aus dem Nutzungszweck ableiten

   1. Schritt 1: Fitness for Use als Ausgangspunkt statt universeller Qualitätsurteile verwenden
   2. Schritt 2: Entscheidungen, Risiken und kritische Datenelemente identifizieren
   3. Schritt 3: Messbare Anforderungen und akzeptable Toleranzen formulieren

   Praxis: Für einen Analysefall werden Qualitätsanforderungen und Kritikalität abgeleitet.

2. 2. Qualitätsdimensionen und Regelmodell

   1. Schritt 1: Vollständigkeit, Genauigkeit, Aktualität, Konsistenz, Eindeutigkeit und Validität einordnen
   2. Schritt 2: Regel, Messung, Schwelle, Ergebnis und Status voneinander trennen
   3. Schritt 3: Objekt-, Feld-, Produkt- und Prozessbezug passend modellieren

   Praxis: Ein Qualitätsregel-Katalog für kritische Felder wird erstellt.

3. 3. Profiling, Sampling und Baseline

   1. Schritt 1: Datenprofil und Stichprobe zur Hypothesenbildung und Regelpriorisierung nutzen
   2. Schritt 2: Verteilungen, Nullwerte, Ausreißer und Wertebereiche fachlich interpretieren
   3. Schritt 3: Baseline, Saisonabhängigkeit und erwartete Veränderung dokumentieren

   Praxis: Ein Profiling-Ergebnis wird in prüfbare Regeln und Schwellen übersetzt.

4. 4. Vertrauenssignale im Katalog

   1. Schritt 1: Messwerte, Status, Zertifizierungen, Review-Datum und Owner kombinieren
   2. Schritt 2: Aktualität, Gültigkeitsbereich und Kontext der Signale transparent machen
   3. Schritt 3: Missverständliche Ampellogik und Scheingenauigkeit vermeiden

   Praxis: Eine nutzerorientierte Qualitätsdarstellung für Explorer wird entworfen.

5. 5. DQM-Integration und Mapping

   1. Schritt 1: Quellobjekte, DQM-Assets und Katalogobjekte eindeutig korrelieren
   2. Schritt 2: Ergebnisfelder, Dimensionen, Zeitstempel und Status auf das Metamodell abbilden
   3. Schritt 3: Synchronisationsrichtung, Frequenz und Feldverantwortung definieren

   Praxis: Ein Mapping für externe Qualitätsmessungen wird ausgearbeitet.

6. 6. Synchronisation, API und Fehlerbehandlung

   1. Schritt 1: GraphQL-basierte Übergabe und Aktualisierung konzeptionell strukturieren
   2. Schritt 2: Idempotenz, Delta, Retry, veraltete Werte und Löschungen behandeln
   3. Schritt 3: Monitoring und Abstimmung bei Mapping- oder Berechtigungsfehlern planen

   Praxis: Ein technischer Ablauf mit Kontrollpunkten und Wiederanlauf wird modelliert.

7. 7. Ownership und Issue Management

   1. Schritt 1: Data Owner, Steward, Rule Owner und technische Behebung klar zuordnen
   2. Schritt 2: Befund, Priorität, Ursache, Maßnahme, Frist und Nachtest standardisieren
   3. Schritt 3: Eskalation und Kommunikation nach geschäftlicher Auswirkung steuern

   Praxis: Ein Qualitätsincident wird vom Signal bis zum Abschluss bearbeitet.

8. 8. Lineage-basierte Ursachen- und Impact-Analyse

   1. Schritt 1: Upstream-Ursachen und Downstream-Auswirkungen mit Lineage ermitteln
   2. Schritt 2: Qualitätssignale entlang eines Datenflusses kontextbezogen interpretieren
   3. Schritt 3: Behebungsreihenfolge und Regressionstests risikobasiert planen

   Praxis: Ein Qualitätsproblem wird über mehrere Prozessstufen analysiert.

9. 9. Qualität in Datenprodukten und Contracts

   1. Schritt 1: Produkt-SLOs, Contract-Regeln und Freigabeschwellen definieren
   2. Schritt 2: Verletzungen, Ausnahmen, Consumer-Kommunikation und Wiederherstellung regeln
   3. Schritt 3: Marketplace-Darstellung mit verständlichen Vertrauensinformationen ergänzen

   Praxis: Ein Datenprodukt erhält Qualitäts-SLOs und Contract-Kontrollen.

10. 10. Steuerung und kontinuierliche Verbesserung

    1. Schritt 1: Regelabdeckung, Fehlerrate, Wiederholungen, Behebungszeit und Geschäftsauswirkung messen
    2. Schritt 2: Reviews, Problem-Backlog und Präventionsmaßnahmen etablieren
    3. Schritt 3: Qualitätskennzahlen mit Governance- und Produktsteuerung verbinden

    Praxis: Eine Data-Quality-Scorecard mit Verbesserungszyklus wird erstellt.

Praxisübungen

1. Ableitung nutzungsbezogener Qualitätsanforderungen
2. Erstellung eines Regel- und Schwellenmodells
3. Entwurf einer Explorer-gerechten Vertrauensanzeige
4. Mapping und Synchronisationsdesign für ein DQM-System
5. Lineage-basierte Incident-Analyse
6. Qualitäts-SLOs für ein Datenprodukt

Methodik

Regelmodellierung, Profiling-Interpretation, Integrationsdesign und Incident-Fälle werden mit einem durchgängigen Datenproduktbeispiel verbunden.