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.
Produkt bi-sql-audit · Version 0.1.0
BI & SQL Model Audit
Standardisierter, deterministischer Audit für BI-/SQL-/dbt-Modellierungen. Das Produkt prüft ein Analytics-Repository statisch auf Modeling-Defekte (SELECT * in Marts, implizite Comma-Joins, Fanout-Risiko, falsche Aggregations-Grain, hartkodierte Datumsfilter, volatile Funktionen, Divisions-Risiken, timezone-naive Timestamps, fehlende Incremental-/ Partitionsstrategie), Testabdeckung (fehlende/deaktivierte Schema-Tests, undokumentierte Modelle), Freshness-Checks, Lineage (falsche ref()s, fehlende Lineage-Einträge, verwaiste Modelle), BI/PII-Exposition (unmaskierte PII-Spalten, doppelte Metriken) und Performance (langsame Full-Scan-Queries). Jeder Befund ist datei- und zeilengenau mit konkreter Korrekturanweisung; der Quality-Score ist eine transparente Formel, heuristische Regeln sind gekennzeichnet. Der Lauf wird unabhängig re-validiert und ist über einen hash-verketteten Evidence-Record mit Ed25519-Signaturen und Contract-Digests reproduzierbar.
Zielkunde (ICP)
Data-/Analytics-Teams und BI-Verantwortliche in mittelständischen Unternehmen (5-50 Data-Engineers/Analysts), die dbt-/SQL-Modelle und Dashboards betreiben und vor Releases oder Quartals-Reviews eine schnelle, reproduzierbare Prüfung von Modellqualität, Testabdeckung, Lineage, PII-Exposition und Query-Kosten benötigen.
Problem
BI-/SQL-Modelle veralten still: SELECT * in Marts, implizite Joins mit Fanout-Risiko, fehlende Tests, hartkodierte Datumsfilter, unmaskierte PII-Spalten und doppelte Metrikdefinitionen führen zu falschen Kennzahlen, teuren Full-Scan-Queries und Compliance-Risiken. Manuelle Reviews sind langsam; Warehouse-Query-Logs zeigen Probleme erst nach dem Lauf. Teams benötigen eine deterministische, lokal laufende Vorprüfung ihrer Modell-/Metadaten-Repositories mit zeilengenauen Fix-Aufträgen.
Liefermodelle
- Audit as a Service
Service-Level (SLA)
| Feld | Wert |
|---|---|
delivery_time_hours | 48 |
max_findings_per_audit | 200 |
max_runtime_seconds | 120 |
Grenzen des Produkts
- 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.
Verträge: Eingabe und Ausgabe
Ein Claim erscheint nur, wenn die Evidenz zur exakten Version passt. Contract-Felder werden aus dem veröffentlichten Datenvertrag gerendert.
JSON-Schema (input_contract) aus dem veröffentlichten Datenvertrag. Der Runner validiert Ein- und Ausgaben gegen dieses Schema.
{
"properties": {
"repository_snapshot": {
"description": "Read-only Analytics-Repository-Snapshot (SQL-Modelle, dbt-Konfiguration, schema.yml, Dashboard-Export, Query-Historie, Lineage); synthetische oder kundenseitig freigegebene Metadaten, keine echte DB-Verbindung.",
"type": "object"
}
},
"required": [
"repository_snapshot"
],
"type": "object"
}| Feld | Typ | Pflicht | Beschreibung |
|---|---|---|---|
repository_snapshot | object | ja | Read-only Analytics-Repository-Snapshot (SQL-Modelle, dbt-Konfiguration, schema.yml, Dashboard-Export, Query-Historie, Lineage); synthetische oder kundenseitig freigegebene Metadaten, keine echte DB-Verbindung. |
JSON-Schema (output_contract) aus dem veröffentlichten Datenvertrag. Der Runner validiert Ein- und Ausgaben gegen dieses Schema.
{
"properties": {
"findings": {
"description": "Maschinenlesbare Findings als JSON inkl. Summary mit Severity-Zählern, Score-Formel, Modell-/Schema-/Lineage-Zählern und unterdrückten Decoy-Mustern.",
"type": "object"
},
"report": {
"description": "Kundenbericht (Markdown) mit Zusammenfassung, Methodik, priorisierten Findings inkl. Datei, Zeile, Schweregrad, Fix-Anweisung, Quality-Score, Heuristik-Kennzeichnung, Reproduzierbarkeitsdaten und Grenzen.",
"type": "object"
}
},
"required": [
"report",
"findings"
],
"type": "object"
}| Feld | Typ | Pflicht | Beschreibung |
|---|---|---|---|
findings | object | ja | Maschinenlesbare Findings als JSON inkl. Summary mit Severity-Zählern, Score-Formel, Modell-/Schema-/Lineage-Zählern und unterdrückten Decoy-Mustern. |
report | object | ja | Kundenbericht (Markdown) mit Zusammenfassung, Methodik, priorisierten Findings inkl. Datei, Zeile, Schweregrad, Fix-Anweisung, Quality-Score, Heuristik-Kennzeichnung, Reproduzierbarkeitsdaten und Grenzen. |
Veröffentlichte Claims (gate-geprüft)
Jeder folgende Claim ist an mindestens einen PASSED-Evidenz-Record gebunden. Die SHA-256-Hashwerte der Records sind direkt an jedem Claim sichtbar; nicht freigegebene Claims werden nicht gerendert.
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.
Es sind keine unterdrückten Claims für dieses Produkt im Gatekeeper-Status enthalten.
Workflow
Ausführungsschritte laut Manifest; jeder Schritt referenziert einen geprüften Skill.
| Schritt | Skill | Beschreibung | Abhängig von |
|---|---|---|---|
audit | bi_sql_audit | Analytics-Repository statisch prüfen und BI-/SQL-Findings deterministisch mit dem Skill bi_sql_audit erzeugen. | — |
Skills in diesem Produkt
Versionen, Schwellenwerte und Evidenzstand je Skill. Details in der Skill-Registry.
| Skill | Version | Reife | Recall / Precision | Evidenz | Letzte Evidenz |
|---|---|---|---|---|---|
| BI & SQL Model Audit | 0.1.0 | VALIDATED | 1,000 / 0,900 | 1 | ec23026dbe4649fc8c263bc6accf20f1 |
Evidenz für dieses Produkt
Ausschließlich verifizierte Records. Hashes und Artefaktpfade sind im Evidenz-Detail einsehbar.
record_sha256: eba14a142df38ba443d7839335b29679ec2bd0c04b5bae1f6242e341823180ac
- 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.
- … 7 weitere
Bericht: evidence/artifacts/ec23026dbe4649fc8c263bc6accf20f1/report.md
Weitere Dokumentation
Kein Dokumentationspfad veröffentlicht.