Daten-Audit
Ein Daten-Audit ist eine strukturierte Prüfung der Datenbestände eines Unternehmens. Es klärt, welche Daten existieren, wo sie liegen, wer darauf zugreifen kann, wie genau sie sind und ob ihr Umgang interne Richtlinien und gesetzliche Anforderungen erfüllt.
Was ist ein Daten-Audit?
Ein Daten-Audit liefert eine belegbare Bestandsaufnahme: jeden Datensatz, seinen Verantwortlichen, seinen Qualitätswert und seine Risiken. Es betrachtet drei Ebenen gleichzeitig: die Systeme, in denen Daten gespeichert sind, die Felder darin und die Prozesse, die Datensätze anlegen, kopieren und löschen.
Audits gibt es in zwei Ausprägungen. Ein Compliance-Audit fragt, ob der Umgang mit Daten Vorgaben wie Art. 30 DSGVO (Verzeichnis von Verarbeitungstätigkeiten) entspricht; ein Qualitäts-Audit fragt, ob man den Zahlen bei Entscheidungen vertrauen kann. Die meisten sinnvollen Audits decken beides ab.
Der Umfang ergibt sich aus dem Auslöser. Eine geplante Migration, eine neue Regulierung, ein Sicherheitsvorfall oder ein Vorstand, der wissen will, warum zwei Berichte sich widersprechen – jeder dieser Anlässe lenkt das Audit zuerst auf andere Systeme.
Welche Schritte umfasst ein Daten-Audit?
Ein solides Audit führt von der Bestandsaufnahme über Belege zu einer priorisierten Liste von Korrekturen.
Bestandsaufnahme: Erfassen Sie jedes System, jede Tabelle und jeden Export sowie den jeweiligen Verantwortlichen.
Datenflüsse abbilden: Verfolgen Sie, wie Datensätze zwischen Systemen wandern, und bauen Sie so eine grundlegende Data Lineage auf.
Profilieren: Messen Sie pro Schlüsselfeld Null-Quoten, Duplikate, ungültige Formate und Aktualität.
Zugriffe prüfen: Vergleichen Sie, wer sensible Felder lesen kann, mit denen, die es tatsächlich müssen.
Bewerten und priorisieren: Bewerten Sie jedes Problem nach geschäftlicher Auswirkung und Aufwand und weisen Sie dann Verantwortliche und Termine zu.
Bewahren Sie die Belege auf: Screenshots der Zugriffsrechte, Profiling-Abfragen und Zeilenzahlen ermöglichen es dem nächsten Audit, mit einer Baseline zu vergleichen, statt von vorn zu beginnen.
Wie sieht ein Daten-Audit in der Praxis aus?
Ein gutes Audit endet mit einer kurzen Liste von Korrekturen mit namentlich benannten Verantwortlichen, nicht mit einem 90-seitigen Bericht. Nehmen wir einen Versicherungsmakler mit 60 Mitarbeitenden, der seine Tabellenkalkulationen durch ein BI-Tool ersetzen will.
Das Audit findet 14 Kundenlisten auf verschiedenen Netzlaufwerken, drei davon enthalten dieselben Policen mit unterschiedlichen ID-Formaten.
Profiling zeigt beispielsweise, dass 11 % der Verlängerungsdaten leer sind und 6 % der E-Mail-Adressen eine Formatprüfung nicht bestehen.
Die Zugriffsprüfung ergibt, dass ein ehemaliger Freelancer noch Bearbeitungsrechte an der Provisionsarbeitsmappe hat.
Das Team entzieht den Zugriff noch am selben Tag, legt eine maßgebliche Kundenliste fest und führt die Regel ein, dass das Verlängerungsdatum ein Pflichtfeld ist, bevor der BI-Aufbau beginnt.
Das Audit selbst dauerte beispielsweise zwei Wochen, und sein Ergebnis passte auf eine Seite: sieben Befunde, je ein Verantwortlicher und ein Fälligkeitsdatum.
Was sind die typischen Fallstricke eines Daten-Audits?
Der häufigste Fehler ist, einmal zu auditieren und danach nie wieder zu messen. Die Datenqualität verschlechtert sich, sobald neue Formulare, Integrationen und Mitarbeitende hinzukommen. Ein Audit ohne wiederkehrende Prüfungen ist daher innerhalb weniger Monate veraltet.
Den Ozean zum Kochen bringen: jede Spalte profilieren statt der 20 Felder, die Umsatz, Compliance oder Reporting tatsächlich bestimmen.
Kein Verantwortlicher pro Befund: Probleme ohne namentlich benannte Person bleiben auf unbestimmte Zeit offen.
Schatten-Daten ignorieren: Exporte auf Laptops und privaten Laufwerken enthalten oft die riskantesten Kopien.
Nur das Data Warehouse auditieren: Viele Fehler entstehen weiter vorgelagert in Formularen und CRMs, daher gehört die Korrektur an den Punkt der Dateneingabe.
Worin unterscheidet sich ein Daten-Audit von Data Profiling oder Data Governance?
Profiling ist eine Messtechnik, ein Audit ist eine Bewertung zu einem bestimmten Zeitpunkt, und Governance ist das dauerhafte System, das die Korrekturen aus dem Audit aufrechterhält. Data Governance definiert Verantwortliche, Richtlinien und Entscheidungsbefugnisse; das Audit prüft, ob diese existieren und funktionieren.
Nützliche Werkzeuge sind Great Expectations oder dbt-Tests für Qualitätsprüfungen, Atlan, Collibra oder DataHub für die Katalogisierung sowie die in Snowflake, BigQuery oder Microsoft 365 integrierten Zugriffsprotokolle.
Eine einfache Merkhilfe für die Abgrenzung: Profiling sagt Ihnen, dass 8 % der Telefonnummern ungültig sind, das Audit sagt Ihnen, dass dies für die SMS-Einwilligung relevant ist, und Governance macht jemanden dafür verantwortlich, den Wert unter einem vereinbarten Schwellenwert zu halten.
Daten-Audit vs. Data Governance
Daten-Audit | Data Governance | |
|---|---|---|
Zeitpunkt | Prüfung zu einem bestimmten Zeitpunkt | Kontinuierliches Programm |
Ergebnis | Bestandsaufnahme, Befunde, priorisierte Korrekturliste | Richtlinien, Verantwortliche, Entscheidungsbefugnisse |
Typischer Auslöser | Migration, Regulierung oder Vertrauensverlust | Zunehmende Datennutzung und wachsendes Risiko |
Wer führt es durch | Internes Team oder externer Prüfer | Data Owner und Data Stewards |
Erfolgsmaßstab | Fristgerecht abgeschlossene Befunde | Langfristig verhinderte Probleme |
Wie geht VIZIO AI ein Daten-Audit an?
VIZIO AI behandelt das Audit als ersten Sprint eines Reporting-Neuaufbaus, sodass jeder Befund zu einer Pipeline oder Validierungsregel wird. Für das Marketingteam eines globalen Kreditauskunftsunternehmens in Johannesburg verfolgte das DX Studio Kampagnen- und Personaldaten, die über Excel und Smartsheet verstreut waren, entfernte doppelte Arbeitsblätter und baute den Datenfluss in Power Query und Power BI neu auf; das Dashboard für Marketing-Performance und Personalanalyse sparte jährlich mehr als 1.500 Stunden manueller Berichtsarbeit ein.
Für eine US-amerikanische Non-Profit-Organisation in der Jugendförderung standardisierte das Team die Dateneingabe der Betreuer, bevor es Berichte in Flask und Dash automatisierte; das Dashboard zur operativen Effizienz reduzierte Datenfehler um 30 %.
Wo Sie anfangen sollten: Wählen Sie den Bericht, dem die Geschäftsleitung am wenigsten vertraut, und auditieren Sie nur die Felder, die ihn speisen.
Daten-Audit in Fallstudien von VIZIO AI
- Marketing Performance and Workforce Analysis Dashboard ›Die Zusammenführung doppelter Excel- und Smartsheet-Tracker in ein einziges Power-BI-Modell sparte jährlich mehr als 1.500 Stunden manueller Berichtsarbeit ein.
- Operational Efficiency Enhancement ›Die Standardisierung der Dateneingabe durch die Betreuer vor der Automatisierung der Berichte reduzierte Datenfehler um 30 %.