Kontakt

Regelbasiertes Datenqualitäts-Framework für Kundendaten

Ein kontrolliertes Snowflake-Framework prüft Kundendaten über vier Systeme hinweg und gibt Data Ownern Scores sowie Nachweise auf Datensatzebene, mit denen sie arbeiten können.

Vertrauliches Unternehmen für medizinische Ernährung NDA 2026

Status: Geliefert und produktiv im Einsatz.

IT & Daten Medizinische Ernährung / FMCG Datenqualität & Governance
Kundendatensätze durchlaufen SQL-Regeln und führen zu Qualitäts-Scores und Nachweisen auf Zeilenebene.
Prozessüberblick. Bild in voller Größe öffnen

Ausgangslage

Kundendaten drifteten über vier Systeme auseinander, während berichtsbasierte Regeln Fehler verdeckten und Scores verzerrten.

Umgesetzte Lösung

SQL-Entitätssichten, ein getesteter Regelkatalog, eine Auswertungs-Engine in Snowflake und DirectQuery-Reporting.

Mehrwert

Kontrollierte Regeln, ehrliche Scores und Nachweise auf Zeilenebene, mit denen Data Owner Datensätze korrigieren können.

Ausgangslage

Ein Unternehmen für medizinische Ernährung verwaltet die Kundendaten seiner medizinischen Fachkräfte in vier Systemen: einer Plattform für digitale Identitäten, einem CRM, einer Marketing-Automation-Plattform und einem E-Commerce-Shop. Jedes System hält seine eigene Version des Kunden, sodass Namen, E-Mail-Adressen, Anschriften und Einwilligungen auseinanderlaufen können.

Der bestehende Datenqualitätsbericht war organisch gewachsen. Seine Regeln waren über Berichtsformeln und Datentransformationen verteilt, und seine Scores wurden einmal pro Aktualisierung berechnet, reagierten also nicht auf Filter. Manche Datensätze wurden herausgefiltert, bevor sie gemessen wurden – die Scores sahen dadurch besser aus, als sie waren. Der Bericht konnte zwar sagen, dass ein Prozentwert niedrig war, aber nicht, welche Datensätze falsch waren oder warum.

Ansatz

Wir begannen mit dem Reverse Engineering des bestehenden Berichts: Jede Quelle, jede Transformation und jede Measure wurde dokumentiert, und jedes Problem in der Logik wurde aufgelistet. Das ergab eine klare Baseline und eine Liste dessen, was sich ändern musste.

Anschließend haben wir die Datenqualität als Framework statt als Bericht neu aufgebaut:

  • Fachliche Datenentitäten. Eine SQL-Sicht je Geschäftsobjekt – etwa Kunden, Accounts, Adressen, E-Mail-Ereignisse und Bestellungen –, die die zugrunde liegenden Quelltabellen kombiniert. Jede Sicht hat eine definierte Granularität und fachlich verständliche Spaltennamen. Werte werden unverändert durchgereicht, einschließlich Platzhaltern, Lücken und Duplikaten, sodass die Prüfungen die Daten so sehen, wie sie wirklich sind. Eine eigene systemübergreifende Entität verknüpft die digitale Identität jedes Kunden über einen gemeinsamen Schlüssel mit seinem CRM-Datensatz und vergleicht Namen und Postleitzahlen nach der Normalisierung.
  • Ein Prüfkatalog. Mehr als 120 Regeln, jede ein einzelner SQL-Ausdruck, der für einen guten Datensatz wahr und für einen schlechten falsch zurückgibt. Die Regeln decken fünf Dimensionen ab: Vollständigkeit, Gültigkeit, Eindeutigkeit, Konsistenz und referenzielle Integrität. Jede Regel wird vor dem Deployment automatisch gegen gute, schlechte und leere Datensätze getestet. Jedes Problem wird einmal gemeldet: Ein fehlender Wert verletzt die Vollständigkeit, nicht zusätzlich Format und Eindeutigkeit.
  • Eine regelbasierte Engine. Eine Stored Procedure liest den Katalog, wertet jede Regel für jede Zeile aus und trennt Fehler von Warnungen. Sie schreibt Laufstatistiken je Dimension, Feld, Land und Kundensegment. Für jeden fehlerhaften Datensatz protokolliert sie nur die Felder, die für diese Regel relevant sind, sodass der Nachweis sofort lesbar ist.
  • Reporting obendrauf. Eine einzige Statistiksicht speist den Bericht per DirectQuery, sodass der Bericht den letzten Lauf ohne separate Aktualisierung zeigt. In Power BI werden keine Daten gespeichert: Jede Abfrage geht an die kontrollierte Schicht in Snowflake, sodass Zugriffsregeln und Daten an einem Ort bleiben.
  • Datenaufbewahrung. Alte und ungenutzte Laufergebnisse und Fehlerdetails werden regelmäßig gelöscht, sodass nur die Daten aufbewahrt werden, die der Bericht braucht.

Ergebnisse

Qualitative Projektergebnisse; es werden keine gemessenen Einsparungen behauptet.

  • Ein kontrollierter Ort für Datenqualitätsregeln statt Logik, die über einen Bericht verteilt ist

  • Ehrliche Scores: Nichts wird entfernt, bevor es gemessen wird

  • Nachweise auf Zeilenebene für jeden Fehler, damit Data Owner Datensätze korrigieren können, statt über Prozentwerte zu diskutieren

  • Systemübergreifende Konsistenz sichtbar gemacht: ob derselbe Kunde in der Identitätsplattform und im CRM gleich aussieht

  • Ergebnisse aufgeschlüsselt nach Land und Kundensegment, mit sauberen Summen zur Berechnung von Fehlerquoten

  • Neue Prüfungen kommen als Zeile im Katalog hinzu; Codeänderungen sind nicht nötig

  • Keine Kopien von Kundendaten im Reporting-Tool und keine Ansammlung veralteter Ergebnisse: Die Daten bleiben in Snowflake und werden nur so lange aufbewahrt, wie sie gebraucht werden

Snowflake SQL & Snowflake Scripting Power BI (DirectQuery)

Lösungsbereiche: Datenfundament · Data Governance

Ähnliche Herausforderung besprechen?

Sagen Sie uns, wo Sie heute stehen und was Sie bewegen möchten. Wir teilen, was wir aus vergleichbaren Projekten gelernt haben, und schlagen einen fokussierten Einstieg vor.

30-Minuten-Gespräch buchen