Der Audit erkennt Schema-Abweichungen, fehlende Pflichtfelder und Vollständigkeitslücken in CSV-/NDJSON-Exporten datei- und zeilengenau.
Evidenz-Record f7b559b7cfc14c33839eb2e6fb339f86
Verifizierter Lauf: Data Quality 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 | 548dd78738e3b4cd7ae0d6f685e1fe4a76d9bd5aaeb841206f0043ca5ceecd1c |
|---|---|
| prev_record_sha256 (Kettenvorgänger) | 9c667da6ec6648fc86acadc01f5daa9b 40d472ffad60f25eb4992e04edd474fcc4452c4035cb26d149aa714b61096785 |
| Position in der verifizierten Kette | 144 von 256 |
| Kette vollständig verifiziert | Hash-Kette verifiziert |
| Datenstand der Veröffentlichung |
Zuordnung
| Produkt | Data Quality Audit v0.1.0 |
|---|---|
| Skill | Customer Data Quality Audit (CSV/NDJSON) v0.1.0 |
| Zeitstempel (UTC) | |
| Git-Commit | 29b3fb4fa6… 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 data-quality-audit --target synthetic-customer-data --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 | 42 |
| blocking_findings | 17 |
Performance und Kosten
| execution_time_ms | 256 ms |
|---|---|
| prompt_tokens | 0 |
| completion_tokens | 0 |
| llm_calls | 0 |
| total_cost_usd | 0,00 € |
| container_compute_usd | 0,00 € |
Unit Economics
| price_eur | 290,00 € |
|---|---|
| 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 | 2026-11-03T11:25:21Z | 62c080140d2ea61d… |
| security_critic | APPROVE | ed25519 | 2026-11-03T11:25:21Z | d6e1df18d2c5029a… |
| business_critic | APPROVE | ed25519 | 2026-11-03T11:25:21Z | 8817f87c38af6cc6… |
| evidence_critic | APPROVE | ed25519 | 2026-11-03T11:25:21Z | d9a6bdb5df70c64b… |
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/f7b559b7cfc14c33839eb2e6fb339f86/input.jsonevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/product.manifest.jsonevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/skill.manifest.jsonevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/findings.jsonevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/output.jsonevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/report.mdBerichtevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/critic_reviews.jsonevidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/validation.jsonevidence/logs/f7b559b7cfc14c33839eb2e6fb339f86.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.
- Deterministischer Regel-Audit ersetzt keine juristische Prüfung, keine Zertifizierung (kein ISO-, DSGVO- oder EU-AI-Act-Audit) und keine manuelle Datenaufnahme.
- Keine ML-basierte Anomalie-, Betrugs- oder Duplikaterkennung; geprüft werden ausschließlich die im Dataset-Profil deklarierten Regeln.
- Die aktuelle Evidenz basiert ausschließlich auf dem synthetischen Lab-Target synthetic-customer-data, nicht auf Kunden- oder Produktionsdaten.
- Es werden keine echten personenbezogenen Daten (PII) verarbeitet; eine PII-Verarbeitung ist nicht Teil der Produktversion 0.1.0.
- Preis und Kostenmodell sind Startwerte; die gemessene Marge wird aus dem Evidence-Record übernommen und nicht geschätzt.
- Nur deterministische Regelprüfung; keine ML-basierte Anomalie- oder Betrugserkennung und keine statistische Profilierung.
- Der Regelsatz deckt die im Dataset-Profil deklarierten Schema-, Pflichtfeld-, Format-, Eindeutigkeits-, Referenz-, Wertebereichs-, Rausch- und Vollständigkeitsregeln ab; fachliche Plausibilität über Tabellen hinweg wird nur für die deklarierten Fremdschlüssel und Währungsregeln geprüft.
- Die aktuelle Evidenz basiert ausschließlich auf dem synthetischen Lab-Target synthetic-customer-data, nicht auf Kundendaten.
- Der Skill verarbeitet keine echten personenbezogenen Daten (PII) und ist nicht für die Verarbeitung von Produktionsdaten freigegeben.
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 doppelte Primärschlüssel sowie verwaiste Fremdschlüssel zwischen Kunden-, Rechnungs- und Bestelldaten.
Jeder Befund nennt Datei, Zeile, das konkrete Problem und eine konkrete Behebungsanweisung für das Daten-Team.
Jeder Audit-Lauf ist deterministisch, wird unabhängig re-validiert und ist über einen hash-verketteten Evidence-Record mit Artefakt-Hashes reproduzierbar.