Der Audit erkennt Schema-Abweichungen, fehlende Pflichtfelder und Vollständigkeitslücken in CSV-/NDJSON-Exporten datei- und zeilengenau.
Produkt data-quality-audit · Version 0.1.0
Data Quality Audit
Standardisierter, deterministischer Datenqualitäts-Audit für Kunden-, Rechnungs- und Bestelexporte (CSV/NDJSON). Das Produkt prüft ein synthetisches Dataset-Profil gegen Schema, Pflichtfelder, Format-/Typregeln, Eindeutigkeit, referentielle Integrität, Wertebereiche, Whitespace-/Encoding-Rauschen und Vollständigkeitsquoten und liefert einen priorisierten Prüfbericht mit datei- und zeilengenauen Befunden inklusive konkreter Behebungsanweisungen. Jeder Lauf ist über einen hash-verketteten Evidence-Record und einen unabhängigen Validator nachvollziehbar; Claims werden nur mit verifizierter Evidenz veröffentlicht.
Zielkunde (ICP)
Data-/BI-Teams und Analytik-Verantwortliche in mittelständischen und Enterprise-Unternehmen, die regelmäßig Kunden-, Rechnungs- oder Bestelldaten aus CRM-, ERP- oder Shop-Systemen zusammenführen und vor dem Laden in Warehouse/BI eine schnelle, reproduzierbare Qualitätsprüfung mit klaren Behebungsaufträgen benötigen.
Problem
Datenqualitätsfehler in Kunden- und Transaktionsexporten entstehen meist durch Schema-Drift, fehlende Pflichtfelder, inkonsistente Datums-/Währungsformate, doppelte Schlüssel und verwaiste Fremdschlüssel. Manuelle Stichproben sind langsam, nicht reproduzierbar und finden Zeilenfehler unzuverlässig; reine Pipeline-Gates liefern keine konkreten, zeilengenauen Fix-Anweisungen. Teams benötigen eine deterministische, evidenzbasierte Vorprüfung, die Defekte früh, nachvollziehbar und mit klaren Behebungsaufträgen meldet.
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
- 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.
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": {
"dataset_snapshot": {
"description": "Read-only Snapshot der Exporte (CSV/NDJSON) plus dataset.profile.json mit Schema-Erwartungen; keine Änderung am Zielsystem, keine echten PII-Daten in der aktuellen Lab-Phase.",
"type": "object"
}
},
"required": [
"dataset_snapshot"
],
"type": "object"
}| Feld | Typ | Pflicht | Beschreibung |
|---|---|---|---|
dataset_snapshot | object | ja | Read-only Snapshot der Exporte (CSV/NDJSON) plus dataset.profile.json mit Schema-Erwartungen; keine Änderung am Zielsystem, keine echten PII-Daten in der aktuellen Lab-Phase. |
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 und Vollständigkeitsquoten.",
"type": "object"
},
"report": {
"description": "Kundenbericht (Markdown) mit Zusammenfassung, Methodik, priorisierten Befunden inkl. Datei, Zeile, Schweregrad, Fix-Anweisung, Qualitätsmetriken, Reproduzierbarkeitsdaten und Grenzen.",
"type": "object"
}
},
"required": [
"report",
"findings"
],
"type": "object"
}| Feld | Typ | Pflicht | Beschreibung |
|---|---|---|---|
findings | object | ja | Maschinenlesbare Findings als JSON inkl. Summary und Vollständigkeitsquoten. |
report | object | ja | Kundenbericht (Markdown) mit Zusammenfassung, Methodik, priorisierten Befunden inkl. Datei, Zeile, Schweregrad, Fix-Anweisung, Qualitätsmetriken, 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 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.
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 | data_quality_audit | Deterministischen Datenqualitäts-Audit des Dataset-Snapshots mit dem Skill data_quality_audit ausführen und Findings reproduzierbar erzeugen. | — |
Skills in diesem Produkt
Versionen, Schwellenwerte und Evidenzstand je Skill. Details in der Skill-Registry.
| Skill | Version | Reife | Recall / Precision | Evidenz | Letzte Evidenz |
|---|---|---|---|---|---|
| Customer Data Quality Audit (CSV/NDJSON) | 0.1.0 | VALIDATED | 1,000 / 0,900 | 1 | f7b559b7cfc14c33839eb2e6fb339f86 |
Evidenz für dieses Produkt
Ausschließlich verifizierte Records. Hashes und Artefaktpfade sind im Evidenz-Detail einsehbar.
record_sha256: 548dd78738e3b4cd7ae0d6f685e1fe4a76d9bd5aaeb841206f0043ca5ceecd1c
- 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.
- … 6 weitere
Bericht: evidence/artifacts/f7b559b7cfc14c33839eb2e6fb339f86/report.md
Weitere Dokumentation
Kein Dokumentationspfad veröffentlicht.