Der Audit erkennt SQL-/Modellierungs-Defekte (SELECT * in Marts, implizite Joins, Fanout-Risiko, falsche Aggregations-Grain, hartkodierte Datumsfilter, volatile Funktionen, Divisions-Risiken, timezone-naive Timestamps, fehlende Incremental-/Partitionsstrategie) datei- und zeilengenau.
Evidenz-Record ec23026dbe4649fc8c263bc6accf20f1
Verifizierter Lauf: BI & SQL Model Audit
Synthetische Labor-Evidenz — keine echten Kundendaten. Dieser Record ist der öffentliche Beleg für die an ihn gebundenen Claims.
Integrität und Hash-Kette
| record_sha256 | eba14a142df38ba443d7839335b29679ec2bd0c04b5bae1f6242e341823180ac |
|---|---|
| prev_record_sha256 (Kettenvorgänger) | d3c315b8e74b4819a10fabee4c3bcb72 528284c996d6f2934c2e38123e7f5024a1d91eaceb06c24bc76c14aeb0275233 |
| Position in der verifizierten Kette | 128 von 256 |
| Kette vollständig verifiziert | Hash-Kette verifiziert |
| Datenstand der Veröffentlichung |
Zuordnung
| Produkt | BI & SQL Model Audit v0.1.0 |
|---|---|
| Skill | BI & SQL Model Audit v0.1.0 |
| Zeitstempel (UTC) | |
| Git-Commit | dd1e4409b0… auf work/critic-keys-and-targets |
| Worktree beim Lauf | sauberer Worktree |
| Arbeitsbaum-Hinweis | Der Arbeitsbaum war beim Lauf sauber — VALIDATED-Evidenz war grundsätzlich möglich. |
Reproduktion
python -m factory.cli run-product --product bi-sql-audit --target synthetic-bi-models --record
Der Befehl reproduziert den Lauf innerhalb des Repositorys. Er wird hier nur als Text angezeigt und von der Website nicht ausgeführt.
Messwerte der unabhängigen Validierung
Berechnet vom Validator aus Golden-Dataset und unabhängigem Re-Run.
| precision | 1,000 |
|---|---|
| recall | 1,000 |
| task_success_rate | 1,000 |
| error_rate | 0,000 |
| deterministic_checks_passed | ja |
| findings_total | 25 |
| blocking_findings | 10 |
Performance und Kosten
| execution_time_ms | 732 ms |
|---|---|
| prompt_tokens | 0 |
| completion_tokens | 0 |
| llm_calls | 0 |
| total_cost_usd | 0,00 € |
| container_compute_usd | 0,00 € |
Unit Economics
| price_eur | 390,00 € |
|---|---|
| measured_cost_eur | 0,00 € |
| gross_margin_percent | 100,0 % |
- Compute price assumption: 0.06 EUR per CPU-hour.
- LLM input price assumption: 0.3 EUR per 1M tokens.
- LLM output price assumption: 1.2 EUR per 1M tokens.
- Costs are measured runtime and measured provider usage, not supplier invoices.
- No support, sales, hosting or human-review cost is included unless stated.
Kritiker-Signaturen
Unabhängige Kritikerrollen bestätigen den Bericht; die Signatur bindet die Freigabe an den Inhalts-Hash.
| Kritiker | Verdikt | Algorithmus | Signiert am | Signatur (gekürzt) |
|---|---|---|---|---|
| technical_critic | APPROVE | ed25519 | 2026-11-03T11:21:52Z | a0fd04469d5c1312… |
| security_critic | APPROVE | ed25519 | 2026-11-03T11:21:52Z | 07bf4ff55d3afdc8… |
| business_critic | APPROVE | ed25519 | 2026-11-03T11:21:52Z | 2a2417840b71faba… |
| evidence_critic | APPROVE | ed25519 | 2026-11-03T11:21:52Z | 7c82221358af55b3… |
Artefakte und Bericht
Alle Artefakte sind SHA-256-gebunden; die Website lädt keine Dateien nach, sondern nennt die Repository-Pfade aus dem Datenvertrag.
evidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/input.jsonevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/product.manifest.jsonevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/skill.manifest.jsonevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/findings.jsonevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/output.jsonevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/report.mdBerichtevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/critic_reviews.jsonevidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/validation.jsonevidence/logs/ec23026dbe4649fc8c263bc6accf20f1.log
Hinweis: Die Website lädt keine Artefakte nach; die Pfade sind relativ zum Repository und hash-gebunden im Record. Der Bericht selbst wird nicht als HTML eingebettet.
Bekannte Limitations
Grenzen dieses konkreten Records, wie im Record hinterlegt — sie gelten zusätzlich zu den Produkt-/Skill-Limitations.
- Nur statische Analyse von SQL/Config/Metadaten; keine SQL-Ausführung, keine DB-Verbindung, kein Datenscan und keine Query-Plan-Validierung.
- Heuristische Regeln (Fanout, doppelte Faktzeilen, PII-Exposition, verwaiste Modelle) können False Positives/Negatives liefern.
- Testabdeckung wird aus deklarierten Schema-Tests abgeleitet, nicht aus ausgeführten Testergebnissen; keine Garantie für Datenqualität.
- Keine Rechts-, Finanz- oder BI-Zertifizierung; Findings erfordern menschliche Data-Engineering-Prüfung und Freigabe.
- Die aktuelle Evidenz basiert ausschließlich auf dem synthetischen Lab-Target synthetic-bi-models, nicht auf echten Analytics-Repositories.
- Nur statische Analyse von SQL/Config/Metadaten; keine SQL-Ausführung, keine DB-Verbindung, kein Datenscan und keine Query-Plan-Validierung.
- Heuristische Regeln (Fanout, doppelte Faktzeilen, PII-Exposition, verwaiste Modelle) können False Positives/Negatives liefern.
- Testabdeckung wird aus deklarierten Schema-Tests abgeleitet, nicht aus ausgeführten Testergebnissen.
- Keine Rechts-, Finanz- oder BI-Zertifizierung; Findings erfordern menschliche Data-Engineering-Prüfung.
- Das Golden-Dataset ist synthetisch; keine echten Daten oder Zugangsdaten.
Durch diesen Record belegte Claims
Claims, die in der Gatekeeper-Ausgabe auf diesen Record verweisen. Jeder Claim ist an den oben genannten Hash gebunden.
Der Audit erkennt fehlende/deaktivierte Schema-Tests, fehlende Freshness-Checks, falsche ref()s, fehlende Lineage-Einträge, verwaiste Modelle, unmaskierte PII im Dashboard sowie doppelte Metrikdefinitionen.
Jeder Audit-Lauf ist deterministisch, wird unabhängig re-validiert und ist über einen hash-verketteten Evidence-Record mit Ed25519-Signaturen, Artefakt-Hashes und Contract-Digests reproduzierbar.