Datenqualität prüfen
Fragestellung und Ziel
Spiegelt ein auffälliges Ergebnis den Produktionsprozess oder einen Fehler in der Erfassung wider? Eine systematische Prüfung verhindert, dass Teams Maßnahmen auf verzerrte Kennzahlen stützen.
Umsetzung in Bytefabrik
Verwenden Sie die Ereignisvorschau bei der Anbindung, die Schema- und Ereignisansichten der Datensätze sowie Tabellen und Charts. Bei individuellen AI Pipelines ergänzt die Testfunktion die Prüfung. Diese Funktionen unterstützen die Kontrolle; fachliche Vollständigkeit wird nicht automatisch bestätigt.
Best Practices: an drei Stellen prüfen
- Nach der Anbindung: Sind Maschine, Wert und Zeitstempel eines bekannten Ereignisses korrekt?
- Nach der Transformation: Stimmen Ausgabe und fachliche Regel einschließlich Grenzfällen überein?
- Nach der Speicherung: Sind Zeitraum, Anzahl und Werte wie erwartet historisch verfügbar?
| Prüffeld | Typischer Fehler |
|---|---|
| Zeit | Sekunden werden als Millisekunden interpretiert; Zeitzone fehlt. |
| Menge | Wiederholte Ereignisse werden als zusätzliche Teile gezählt. |
| Vollständigkeit | Fehlende Nachrichten erscheinen als Nullwerte. |
| Identität | Wiederverwendete Teilekennungen verbinden verschiedene Vorgänge. |
| Einheit | Werte verschiedener Skalierungen werden gemeinsam ausgewertet. |
Was Sie beachten sollten
Zeitstempel müssen nicht zwingend in Empfangsreihenfolge steigen: Verzögerungen und mehrere Quellen können Ereignisse umordnen. Entscheidend ist die explizite Behandlung dieses Verhaltens.
Gleiche Messwerte sind nicht automatisch Duplikate. Bei periodischer Erfassung kann ein stabiler Wert mehrfach korrekt auftreten. Ebenso zeigt eine Datenlücke nicht von selbst einen Maschinenstillstand.
Dokumentieren Sie bekannte Einschränkungen und vergleichen Sie nach Änderungen erneut mit realen Ereignissen. So wird die Datenprüfung wiederholbar und der Aufwand für spätere Fehlersuche geringer.