Fallbeispiel · Data Science · Datenqualität
Datenqualität messbar statt gefühlt
Fehler im Artikelstamm landeten direkt im Webshop und in der Planung. Statt sie einzeln zu suchen, prüft heute ein Regelwerk jeden Morgen den gesamten Bestand.
~94Prüfregeln im Katalog
täglichautomatischer SQL-Lauf
5 Phasenvom Test bis live
Ausgangslage
Falsche Übersetzungen, unplausible Gewichte, falsch benannte Kategorien: Fehler im Artikelstamm sahen Kundinnen und Kunden direkt im Webshop. Ein Beispiel: eine 15-kg-Spule mit einem Nettogewicht von 0,001 kg. Gefunden wurden solche Fehler zufällig, korrigiert einzeln – und niemand wusste, wie gross das Problem insgesamt war.
Lösung
- Regelkatalog: rund 94 Regeln zu Pflichtfeldern, Plausibilität, Übersetzungen und Attributen.
- Täglicher SQL-Job: prüft frühmorgens den gesamten Bestand und schreibt jeden Befund in eine Ergebnistabelle.
- Power BI: zeigt jede Abweichung samt Fehlerquote pro Regel und Verantwortlichem.
- Korrekturpakete: Abweichungen lassen sich direkt als Korrekturzeilen für den Import ins ERP exportieren. Die Fachabteilung prüft nur noch den Soll-Wert; der nächste Lauf bestätigt die Behebung.
- Zukunftssicher: Alles wird zuerst auf der Testumgebung geprüft, und die Regeln sind bereits auf das künftige ERP-Datenmodell vorbereitet.
Ergebnis
Jede Abweichung ist sichtbar, hat einen Verantwortlichen und eine Behebungsquote. Zwei alte Kontrollberichte entfallen, und die Bereinigung muss bei der ERP-Migration nicht noch einmal gemacht werden.