Moeve6
Academy›Daten, Events & Workflows
Academy 2.0 · Daten, Events & Workflows

Data Quality und Data Truth verstehen

Warum Vollständigkeit, Aktualität, Konsistenz und Provenienz getrennt bewertet werden müssen.

Verity Academy

Data Quality und Data Truth verstehen

Quelle · Zeitpunkt · Kontext · Prüfung
Kapitel und Sprechertext
  1. 0:00 Data Quality ist kein einzelner Wahrheitswert. Sie setzt sich aus Vollständigkeit, Aktualität, Konsistenz, Plausibilität und Quellenklarheit zusammen.
  2. 0:38 Hohe Abdeckung bedeutet, dass viele Felder vorhanden sind. Sie beweist nicht, dass diese aktuell oder untereinander konsistent sind.
  3. 1:16 Data Truth beschreibt die Belastbarkeit der konkreten Datengrundlage für eine Aussage. Sie kann bei Kursdaten hoch und bei Fundamentaldaten desselben Assets niedrig sein.
  4. 1:54 Ein fehlendes Eventdatum kann eine zeitkritische Tradebewertung stärker beeinträchtigen als ein fehlendes Profilfeld wie der CEO-Name.
  5. 2:32 Die Relevanz eines Datenfehlers hängt vom Zweck ab. Für Fair Value sind Cashflow und Bilanz zentral, für einen Intraday-Trade eher Kurs, Spread und Session.
  6. 3:10 Qualität sollte transparent als Komponenten dargestellt werden, damit Nutzer erkennen, welcher Teil belastbar ist und wo Vorsicht nötig bleibt.
  7. 3:48 Typische Fehler sind alle fehlenden Felder gleich zu gewichten, Schätzungen als Fakten darzustellen und aus einem Gesamtscore absolute Sicherheit abzuleiten.
  8. 4:26 Praxischeck: Frage nicht nur wie hoch der Datenwert ist, sondern welche konkrete Entscheidung durch welche fehlende oder unsichere Information betroffen wäre.
  1. 0:00 Data Quality is not one truth score. It combines completeness, freshness, consistency, plausibility and clear provenance.
  2. 0:38 High coverage means many fields exist. It does not prove that they are current or mutually consistent.
  3. 1:16 Data Truth describes how robust the actual evidence is for a specific statement. Quote data may be strong while fundamentals for the same asset are weak.
  4. 1:54 A missing event date can matter more for a time-sensitive trade than a missing profile field such as a CEO name.
  5. 2:32 The impact of missing data depends on purpose. Fair value needs cash flow and balance-sheet data; intraday trading depends more on price, spread and session.
  6. 3:10 Quality components should be transparent so users can see what is robust and where caution remains necessary.
  7. 3:48 Common errors are weighting all missing fields equally, presenting estimates as facts and deriving certainty from an aggregate score.
  8. 4:26 Practice check: ask which specific conclusion is affected by which missing or uncertain piece of information.
Lernziel: Daten und Ereignisse im richtigen Kontext prüfen und daraus einen nachvollziehbaren Arbeitsablauf ableiten.