Übersetzungen dieser Website in andere Sprachen als Englisch werden von KI unterstützt. Wir garantieren keine Genauigkeit und haften nicht für Fehler oder Schäden, die sich aus der Nutzung der übersetzten Inhalte ergeben. Im Falle von Unstimmigkeiten oder Unklarheiten gilt die englische Version als maßgebend.
Daten in Chancen verwandeln: Metrik des Monats - Kriterien für die Datenqualität
Hochwertige Daten sind mehr als nur ein Maßstab - sie sind eine strategische Notwendigkeit für globales Vertrauen, Compliance und Interoperabilität. In diesem Blog erläutert Zornitsa Manolova, Leiterin der Abteilung Datenqualitätsmanagement und Datenwissenschaft bei GLEIF, die Rolle der Datenqualitätskriterien und ihre entscheidende Bedeutung als Teil des GLEIF-Rahmens für das Datenqualitätsmanagement.
Autor: Zornitsa Manolova
Datum: 2025-06-06
Ansichten:
In einer zunehmend vernetzten globalen Wirtschaft ist die Fähigkeit von Unternehmen, Daten zu vertrauen und effektiv zu nutzen, die Grundlage für Innovation, Wachstum und Wettbewerbsfähigkeit.
Ein qualitativ hochwertiges Datenökosystem ist ein Motor für Veränderungen und Innovationen, der es Unternehmen ermöglicht, neue Chancen zu erkennen und zu nutzen, während eine niedrige Datenqualität zu Ineffizienzen und Risiken in Bezug auf Vorschriften und Reputation führen kann.
GLEIF setzt sich für die Optimierung der Qualität, Zuverlässigkeit und Nutzbarkeit von LEI-Daten ein. Seit 2017 veröffentlicht GLEIF monatliche Berichte, um das Gesamtniveau der Datenqualität im globalen LEI-System transparent zu machen.
Um das Verständnis und das Bewusstsein der Branche für die Datenqualitätsinitiativen von GLEIF zu fördern, werden in dieser neuen Blogserie die wichtigsten in den Berichten enthaltenen Metriken untersucht.
Im Blog dieses Monats geht es um die Kriterien für die Datenqualität.
Das Herzstück des GLEIF-Engagements für vertrauenswürdige Daten ist ein robustes Rahmenwerk für das Datenqualitätsmanagement, das sicherstellt, dass die Legal Entity Identifier (LEI)-Daten vollständig, aktuell und zuverlässig bleiben.
Das Rahmenwerk für das Datenqualitätsmanagement von GLEIF basiert auf dem Prinzip der Total Quality, das den Kunden - in unserem Fall den Datennutzer - in den Mittelpunkt aller Qualitätsbemühungen stellt. Das Rahmenwerk ist so konzipiert, dass es die Anforderungen der Stakeholder direkt widerspiegelt und den höchstmöglichen Standard der Datenqualität im gesamten Global LEI System gewährleistet.
Um dies zu erreichen, bewertet GLEIF die LEI-Daten anhand klarer Kriterien für die Datenqualität, einschließlich Gültigkeit, Integrität und Konsistenz, durch insgesamt mehr als 180 strukturierte Prüfungen. Diese Kriterien halten Standards aufrecht und setzen messbare Maßstäbe für die globale Interoperabilität. Letztendlich fördert dies die Verwendung qualitativ hochwertiger LEI-Daten, die das Vertrauen und die Transparenz in der gesamten Weltwirtschaft erhöhen, indem sie die aufsichtsrechtliche Berichterstattung, die Finanzrisikoanalyse und Know-Your-Customer (KYC)-Operationen in verschiedenen Branchen unterstützen.
Was ist ein Kriterium für die Datenqualität?
Ein Datenqualitätskriterium definiert eine spezifische, messbare Erwartung oder einen Aspekt, der verwendet wird, um zu bewerten, ob ein Datensatz oder Datenelement einen erwarteten Qualitätsstandard erfüllt.
Um sicherzustellen, dass die Kriterien zur Bewertung der LEI-Referenzdaten relevant und aussagekräftig sind, hat GLEIF eine eingehende Analyse international anerkannter Datenqualitätskonzepte und -standards durchgeführt. Auf dieser Grundlage wurden zwölf verschiedene Kriterien für die Datenqualität entwickelt, um einen transparenten und objektiven Maßstab für die Bewertung der Datenqualität innerhalb des globalen LEI-Systems zu schaffen. Diese sind: Genauigkeit, Zugänglichkeit, Vollständigkeit, Ausführlichkeit, Konsistenz, Aktualität, Integrität, Herkunft, Repräsentation, Aktualität, Eindeutigkeit und Gültigkeit.
Jedes Kriterium ermöglicht eine regelbasierte oder algorithmische Bewertung, um Konsistenz und Skalierbarkeit in der Anwendung zu gewährleisten. GLEIF wendet diese Kriterien an, um LEI-Daten systematisch anhand festgelegter Benchmarks zu bewerten. Diese Datenqualitätsprüfungen sind als strukturierte Wenn-dann-sonst-Logikregeln implementiert, die eine präzise und automatisierte Validierung der Datenelemente ermöglichen. Jede Prüfung ist eindeutig einem einzelnen Qualitätskriterium zugeordnet, wodurch eine klare und nachvollziehbare Verbindung zwischen den Regeln und den entsprechenden Qualitätsdimensionen entsteht. Diese Struktur bildet die Grundlage für die monatlichen Berichte zur Datenqualität und die öffentlichen Dashboards.
Validität, Integrität und Konsistenz im Blickpunkt
Obwohl alle zwölf Kriterien für die Datenqualität von grundlegender Bedeutung sind, konzentriert sich dieser Blog auf die Rolle von "Validität", "Integrität" und "Konsistenz" bei der Gewährleistung qualitativ hochwertiger LEI-Daten:
Validität: Sicherstellung des richtigen Formats und der richtigen Struktur
Die Validität bezieht sich auf das Maß, mit dem ein Datenwert mit seinem Wertebereich übereinstimmt. Sie stellt sicher, dass jedes LEI-Datenelement mit vordefinierten Formaten und Codelisten übereinstimmt. Die Validität wird anhand von 33 Einzelprüfungen bewertet, die im Mai zusammen eine durchschnittliche Datenqualität von 99,99 Punkten für dieses Kriterium ergaben. Geprüft wird unter anderem, ob die regionalen Codes der ISO 3166-1/2 entsprechen (dem internationalen Standard, der Codes für die Bezeichnung von Ländern und deren Unterteilungen definiert) oder ob ein Datensatz von einer akkreditierten LEI-Vergabestelle verwaltet wird.
Im Allgemeinen verbessert die Validität die Interoperabilität der Systeme und verringert das Risiko von Verarbeitungsfehlern in automatisierten Arbeitsabläufen.
Integrität: Sicherstellung der logischen Korrektheit
Die Integrität umfasst 29 Prüfungen und erreichte im Mai eine durchschnittliche Datenqualität von 99,98, was ein hohes Maß an Datenintegrität und -genauigkeit widerspiegelt. Zu den gezielten Prüfungen gehört die Überprüfung, ob Meldeausnahmen eindeutig sind und keine konkurrierenden Beziehungsdatensätze aufweisen oder ob nur eine aktive internationale Zweigstellenbeziehung pro Land besteht.
Die Integrität verhindert widersprüchliche Informationen in LEI-Datensätzen und hilft den Nutzern, sich auf die Daten zu verlassen und auf ihre interne Logik zu vertrauen. Sie bezieht sich auf den Grad der Konformität der LEI-Daten mit den definierten Datenbeziehungsregeln, wobei geprüft wird, ob die erforderlichen Felder angemessen ausgefüllt sind, ob die Beziehungen zwischen den Feldern (z. B. Eltern-Kind-Entitäten) kohärent sind und ob keine widersprüchlichen oder logisch unmöglichen Kombinationen bestehen.
Konsistenz: Durchsetzung einer einheitlichen Anwendung
Bei der Konsistenz wird bewertet, inwieweit ein eindeutiges Datenelement in mehreren Datensätzen denselben Wert behält. Dadurch wird sichergestellt, dass Rechtsformen und Gerichtsbarkeitscodes einheitlich angewendet werden und dass ähnliche Entitätstypen konsistenten Namenskonventionen folgen. Sie wird durch 25 spezielle Prüfungen unterstützt, wobei im Mai eine durchschnittliche Datenqualität von 99,99 erreicht wurde. Zu den Prüfungen gehört die Sicherstellung, dass der Code der deklarierten Registrierungsbehörde mit der rechtlichen Zuständigkeit übereinstimmt oder dass Fondsgesellschaften die richtige Entitätskategorie verwenden.
Konsistente Daten gewährleisten, dass LEI-Datensätze vergleichbar und interoperabel sind, unabhängig davon, wo oder von wem sie erstellt wurden. Dies erleichtert eine genaue Datenaggregation, unterstützt zuverlässige grenzüberschreitende Analysen und erhöht den analytischen Wert und die Nutzbarkeit von LEI-Datensätzen für Regulierungsbehörden, Finanzinstitute und andere Interessengruppen erheblich.
Konsistenz ist in einem verteilten System wie dem globalen LEI-System besonders wichtig. Ohne die einheitliche Einhaltung gemeinsamer Standards in verschiedenen Rechtsordnungen, Sektoren und Unternehmen wäre die Integrität der Daten gefährdet.
Daten in Chancen verwandeln
Die Aufrechterhaltung der Datenqualität ist für die Gestaltung der Zukunft eines vernetzten, transparenten Finanzökosystems von entscheidender Bedeutung.
Die GLEIF-Kriterien für die Datenqualität stellen sicher, dass LEI-Daten korrekt, vollständig und für die strategische Nutzung in verschiedenen Ländern und Sektoren geeignet sind.
Durch die Festlegung klarer Maßstäbe und die Bereitstellung transparenter, messbarer Einblicke versetzt GLEIF die Nutzer in die Lage, fundierte Entscheidungen in der Gewissheit zu treffen, dass genaue Daten ihre Wahl unterstützen. Diese Standards verbessern die Daten und ermöglichen systemische Zuverlässigkeit in allen Bereichen, von der aufsichtsrechtlichen Berichterstattung bis hin zur Risikoanalyse und dem digitalen Identitätsmanagement.
Da die Nachfrage nach verifizierbaren, qualitativ hochwertigen Unternehmensdaten steigt, positioniert GLEIFs Engagement für qualitativ hochwertige Daten den LEI als einen entscheidenden Faktor für das globale digitale Vertrauen.
Falls Sie einen Blogbeitrag kommentieren möchten, besuchen Sie zum Posten Ihres Kommentars bitte die Blog-Funktion auf der englischsprachigen GLEIF-Website. Bitte identifizieren Sie sich mit Ihrem Vor- und Nachnamen. Ihr Name erscheint neben Ihrem Kommentar. Die E-Mail-Adresse wird nicht veröffentlicht. Bitte beachten Sie, dass Sie sich durch Zugriff auf oder Beiträge zum Diskussionsforum verpflichten, die Bedingungen der GLEIF-Blogging-Richtlinie einzuhalten. Lesen Sie sich diese daher sorgfältig durch.
Zornitsa Manolova leitet das Team für Datenqualitätsmanagement und Datenwissenschaft bei der Global Legal Entity Identifier Foundation (GLEIF). Seit April 2018 ist sie für die Erweiterung und Verbesserung der etablierten Rahmenordnung zu Datenqualität und Daten-Governance durch Umsetzung innovativer Ansätze zur Datenanalyse zuständig. Zuvor leitete sie Projekte zur Analyse forensischer Daten im Rahmen internationaler Finanzuntersuchungen bei PwC Forensics. Sie verfügt über ein deutsches Diplom in Informatik mit Schwerpunkt auf Maschinellem Lernen von der Philipps-Universität Marburg.
