Gatekeeper: Hash-Kette verifiziert 212 veröff. Claims · 0 unterdrückt · 256 PASSED-Records · 1024 Ed25519-Kritiker-Signaturen · Stand

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.

VALIDATED Produktreife: VALIDATED 1 Evidenz-Record(s) 4 veröffentlichte Claims

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)

Service-Level des Produkts
FeldWert
delivery_time_hours48
max_findings_per_audit200
max_runtime_seconds120

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"
}
Eigenschaften des input_contract
FeldTypPflichtBeschreibung
dataset_snapshotobjectjaRead-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"
}
Eigenschaften des output_contract
FeldTypPflichtBeschreibung
findingsobjectjaMaschinenlesbare Findings als JSON inkl. Summary und Vollständigkeitsquoten.
reportobjectjaKundenbericht (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 Schema-Abweichungen, fehlende Pflichtfelder und Vollständigkeitslücken in CSV-/NDJSON-Exporten datei- und zeilengenau.

Evidenz: f7b559b7cfc14c33839eb2e6fb339f86

Der Audit erkennt doppelte Primärschlüssel sowie verwaiste Fremdschlüssel zwischen Kunden-, Rechnungs- und Bestelldaten.

Evidenz: f7b559b7cfc14c33839eb2e6fb339f86

Jeder Befund nennt Datei, Zeile, das konkrete Problem und eine konkrete Behebungsanweisung für das Daten-Team.

Evidenz: f7b559b7cfc14c33839eb2e6fb339f86

Jeder Audit-Lauf ist deterministisch, wird unabhängig re-validiert und ist über einen hash-verketteten Evidence-Record mit Artefakt-Hashes reproduzierbar.

Evidenz: f7b559b7cfc14c33839eb2e6fb339f86

Es sind keine unterdrückten Claims für dieses Produkt im Gatekeeper-Status enthalten.

Workflow

Ausführungsschritte laut Manifest; jeder Schritt referenziert einen geprüften Skill.

Workflow des Produkts
SchrittSkillBeschreibungAbhängig von
auditdata_quality_auditDeterministischen 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.

Skills im Produkt
SkillVersionReifeRecall / PrecisionEvidenzLetzte Evidenz
Customer Data Quality Audit (CSV/NDJSON)0.1.0VALIDATED1,000 / 0,9001f7b559b7cfc14c33839eb2e6fb339f86

Evidenz für dieses Produkt

Ausschließlich verifizierte Records. Hashes und Artefaktpfade sind im Evidenz-Detail einsehbar.

Produkt: Data Quality Audit v0.1.0Skill: Customer Data Quality Audit (CSV/NDJSON) v0.1.0Zeitstempel: Precision: 1,000Recall: 1,000Task-Erfolg: 1,000Laufzeit: 256 msKosten: 0,00 €

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.

Gatekeeper Evidence Inspector

Produkt-Manifest:

—

Evidence-Record-ID:

—

Record-Digest (SHA-256):

—
Record im Evidenz-Explorer