Data Governance und Datenqualität
Den Zahlen vertrauen können
Regeln und Prüfungen fangen fehlerhafte Daten beim Eingang ab und klären, wer für welche Zahl verantwortlich ist und woher sie stammt.
Ausgewählte Arbeiten, die diese Leistung zeigen.

Foto: focusonpc / Pixabay 
Foto: Anlomaja27 / Pixabay
Die Leistung in ein Ergebnis überführen
Machen Sie „Data Governance und Datenqualität“ für ein Geschäftsergebnis nutzbar. Wir können die technische Arbeit mit den Nutzern, Betriebsabläufen und Entscheidungen verbinden, die sie unterstützen soll. Regeln und Prüfungen fangen fehlerhafte Daten beim Eingang ab und klären, wer für welche Zahl verantwortlich ist und woher sie stammt.
Die passenden Arbeiten prüfen
Prüfen Sie unser Vorgehen anhand der zugehörigen Arbeiten auf dieser Seite. Fragen Sie nach den Abwägungen und den Bedingungen hinter jedem Ergebnis. Ein Infrastrukturplan für 14 Abteilungen — 14 Forschungsabteilungen mit einem gemeinsamen Infrastrukturplan
-
Ein Infrastrukturplan für 14 Abteilungen
Ein umfassendes Infrastrukturrahmenwerk für ein Forschungsinstitut mit 14 Abteilungen entworfen, mit flexiblen Modulen, einheitlichen Datenpipelines und strukturierten Supportstrategien für eine langfristige Nutzung.
-
1.000 Fehler in geografischen Daten behoben
1.000 Probleme in geografischen Daten und Zeitreihendaten mit GDAL, ArcGIS, PostGIS, Mapbox, QGIS, SQL (PL/pgSQL, Transact‑SQL) und Bash behoben und eine hochwertige Big‑Data‑Verarbeitung sichergestellt.
-
500 Strom- und GIS‑Datenberichte veröffentlicht
500 Analyseberichte zu Strom- und GIS‑Daten veröffentlicht und durch gründliche Recherche und Fehlerdiagnose präzise Erkenntnisse aus geografischen Big Data und Zeitreihendaten ermöglicht.
-
PostgreSQL‑Datenschicht mit Funktionen entworfen
Eine PostgreSQL‑Datenschicht nach dem Function‑first‑Prinzip entworfen — 1.275 gespeicherte Funktionen in 34 Schemata — sodass jeder Lese- und Schreibzugriff über eine gezielt berechtigbare Funktion statt über eine Tabelle erfolgt.
-
Kataloggesteuerten Deep‑Merge umgesetzt
Eine kataloggesteuerte tiefe Zusammenführung gespeicherter JSON‑Einstellungen umgesetzt, die Abstürze durch fehlende Schlüssel bei der Weiterentwicklung des Schemas verhindert.
-
348 Tabellen in 34 Postgres‑Schemata modelliert
Die maritime Domäne in 348 normalisierten Tabellen über 34 PostgreSQL‑Schemata modelliert — Fachkräfte, Unternehmen, Schiffe, Stellen, Bewertungen und weitere Bereiche — mit SMALLINT‑Nachschlagetabellen und UUID‑v7‑Schlüsseln.
-
963 Metadatenblöcke durch einen Graphen ersetzt
963 anonyme Blöcke strukturierter Daten, die das Unternehmen 1.671‑mal erneut beschrieben, durch einen verknüpften Graphen mit 16 Typen aus stabilen Identifikatoren auf Basis des eigenen Web‑Ursprungs ersetzt.
-
Die Prüfwerkzeuge selbst mit Tests geprüft
Tests für die Prüfwerkzeuge selbst geschrieben, nachdem klar war, dass ein nur mit fehlerfreien Eingaben getestetes Werkzeug irgendwann auch nach dem Lesen von nichts Erfolg meldet — einen Tippfehler eingebaut, um die Rechtschreibprüfung zu prüfen, und einen ID‑Bereich aus der Datenbank statt einer Testkonstante übernommen.
-
Jeden Text in einen Inhaltsbaum verlagert
Jede sichtbare Zeichenfolge aus Python in einen Inhaltsbaum mit 874 Dateien in drei Sprachen verlagert, nachdem unerkannte tote Übersetzungen und eine stillschweigend nur ein Drittel der Leistungen bewertende Prüfung gefunden worden waren.
-
Sprachübergreifende Zahlenprüfung aufgebaut
Eine sprachübergreifende Inhaltsprüfung entwickelt, die bei fehlenden Zahlen gegenüber dem Englischen und bei sprachfremder Notation fehlschlägt — dabei zwei dänische Beschreibungen ohne eine Kennzahl und sechzehn ukrainische Textstellen mit englischen Anführungszeichen gefunden.

