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 (Fortsetzung)
Hochwertige Daten sind mehr als nur ein Maßstab - sie sind eine strategische Notwendigkeit für globales Vertrauen, Compliance und Interoperabilität. Im Blog dieses Monats befasst sich Zornitsa Manolova, Leiterin des Datenqualitätsmanagements und der Datenwissenschaft bei GLEIF, mit der Rolle der Datenqualitätskriterien und ihrer entscheidenden Bedeutung als Teil des GLEIF-Rahmens für das Datenqualitätsmanagement, um sicherzustellen, dass LEI-Daten zuverlässig, aktuell und für die globale Nutzung durch Finanzinstitute, Regulierungsbehörden und Marktteilnehmer geeignet sind.
Autor: Zornitsa Manolova
Datum: 2025-07-07
Ansichten:
In einer zunehmend vernetzten globalen Wirtschaft ist die Fähigkeit von Organisationen, 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 für Regulierung 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 im globalen LEI-System erreichten Datenqualität transparent darzustellen.
Um das Verständnis und das Bewusstsein der Branche für die Datenqualitätsinitiativen von GLEIF zu fördern, werden in dieser neuen Blogserie die in den Berichten enthaltenen Schlüsselmetriken untersucht.
Im Blog dieses Monats werden die Kriterien für die Datenqualität weiter untersucht.
In der heutigen datengesteuerten Wirtschaft ist die Verwendung qualitativ hochwertiger Rechtsträgerdaten von entscheidender Bedeutung, um Innovationen voranzutreiben, Compliance zu gewährleisten und das Vertrauen in die globalen Märkte zu fördern. GLEIF stellt die höchstmöglichen Standards durch ein strukturiertes Datenmanagement-Framework sicher, das zwölf verschiedene, messbare Kriterien für die Datenqualität definiert, um Legal Entity Identifier (LEI)-Datensätze objektiv zu bewerten.
Ein Blick auf Genauigkeit, Vollständigkeit und Repräsentativität
Genauigkeit, Vollständigkeit und Repräsentativität sind entscheidende Komponenten eines stabilen LEI-Datenrahmens, der sowohl die regulatorischen Anforderungen als auch die nahtlose globale Interoperabilität unterstützt. Gemeinsam stellen sie sicher, dass LEI-Daten nicht nur technisch korrekt und vollständig sind, sondern auch in einer strukturierten, konsistenten Weise dargestellt werden.
Korrektheit: Reale Fakten zuverlässig wiedergeben
Genaue Daten stärken das Vertrauen in das LEI-System, verbessern die Einhaltung von Vorschriften und unterstützen transparente Transaktionen zwischen Organisationen.
Die Genauigkeit bewertet, wie genau die LEI-Referenzdaten mit den Informationen über Rechtsträger aus maßgeblichen Quellen übereinstimmen, und schätzt ein, inwieweit die Daten frei von erkennbaren Fehlern sind. Dies kann eines der komplizierteren Bewertungskriterien sein, da es oft von externen Referenzdaten abhängt, was die Prüfungen noch komplexer macht. Auch wenn es schwierig sein mag, absolute Genauigkeit zu garantieren, ist GLEIF bestrebt, durch ständige Verbesserungen die höchstmöglichen Genauigkeitsstandards zu erreichen.
Die Genauigkeit wird derzeit anhand von 14 Einzelprüfungen bewertet, die im Juni zusammengenommen eine durchschnittliche Datenqualität von 99,99 erreichten. Geprüft wird unter anderem, ob die Rechtsform eines Fonds korrekt kategorisiert ist, ob es sinnvolle Kombinationen für Ausnahmen bei den Eltern gibt oder ob die Postleitzahlen dem vorgeschriebenen Format des Landes entsprechen.
Umfassendheit: Sicherstellen, dass alle erforderlichen Felder vorhanden sind
Umfassende LEI-Datensätze ermöglichen eine genaue Risikoanalyse und unterstützen fundierte regulatorische und kommerzielle Entscheidungen.
Vollständigkeit bezieht sich auf die Vollständigkeit der LEI-Referenzdatensätze und stellt sicher, dass keine Pflichtfelder fehlen. Neben der Überprüfung der technischen Gültigkeit der Datensätze gemäß den Regeln der Common Data File (CDF) und der XML-Schema-Definition (XSD) gehen diese Prüfungen noch einen Schritt weiter und stellen sicher, dass jeder Datensatz alle wesentlichen und aussagekräftigen Daten enthält, einschließlich der Namen der Unternehmen, Adressen, Registrierungsdetails und gegebenenfalls Beziehungsdatensätze.
Mit 14 gezielten Prüfungen hält die Vollständigkeit einen hohen Standard aufrecht und erreichte im Juni einen durchschnittlichen Datenqualitäts-Score von 99,99. Beispiele für diese Prüfungen sind die Validierung, dass der juristische Name eines Rechtsträgers plausibel ist und keine Duplikate enthält, die Sicherstellung, dass ausgeschiedene Datensätze ordnungsgemäß mit dem entsprechenden Ereignis des Rechtsträgers verknüpft sind, und die Bestätigung, dass zusätzliche Informationen bereitgestellt werden, wenn eine Registrierungsbehörde oder ein Rechtsformcode noch nicht in den offiziellen Codelisten verfügbar ist.
Darstellung: Befolgen Sie standardisierte Formate
Eine einheitliche Darstellung von LEI-Datensätzen verbessert die Interoperabilität der Systeme, erhöht die Lesbarkeit und gewährleistet eine nahtlose Integration in regulatorische Systeme, Risikomodelle und automatisierte Arbeitsabläufe.
Bei der Darstellung wird bewertet, ob die LEI-Datenelemente in einer konsistenten und standardisierten Weise dargestellt werden. Zu den wichtigsten Aspekten gehören die Einhaltung von Mustern, eine angemessene Zeichenkodierung, Formate, Sprachkennzeichnungen und die Einhaltung von Code-Standards wie ISO 20275, in dem die ELF-Codes (Entity Legal Form) definiert sind.
Die Darstellung wurde anhand von 14 Prüfungen bewertet und zeigte eine nahezu perfekte Qualitätsleistung, was sich in der Punktzahl von 99,99 im Juni widerspiegelte. Beispiele für diese Prüfungen sind die Bewertung der konsistenten Anwendung von Zeichensätzen, wie z. B. die Sicherstellung, dass juristische Namen oder Adressen das entsprechende Sprachkennzeichen enthalten und dass Nachfolgeinformationen gültige Einträge enthalten.
Daten in Chancen umwandeln
Genauigkeit, Vollständigkeit und Darstellung spielen eine entscheidende Rolle, wenn es darum geht, sicherzustellen, dass die LEI-Daten nicht nur korrekt und vollständig, sondern auch einheitlich strukturiert sind, um eine nahtlose globale Nutzung zu ermöglichen. Diese Dimensionen bilden zusammen mit anderen Kriterien für die Datenqualität eine solide Grundlage für die Zuverlässigkeit der Daten, die das globale LEI-System untermauern und eine sichere Entscheidungsfindung, optimierte Compliance und vertrauenswürdige digitale Interaktionen ermöglichen.
Das Engagement von GLEIF für die Verbesserung des Rahmens für das Datenqualitätsmanagement und die Erforschung zusätzlicher Qualitätskriterien spiegelt unser unerschütterliches Engagement für die Gesamtqualität der Daten wider. Dies stellt den Datennutzer in den Mittelpunkt aller Qualitätsbemühungen und ist ein Beleg für unsere laufenden Bemühungen, die Nutzbarkeit, Transparenz und Vertrauenswürdigkeit von LEI-Referenzdaten auf dem globalen Markt weiter zu erhöhen.
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.
