Was sind die 5 C der Datenqualität?

Was sind die 5 C der Datenqualität?

Die 5 C der Datenqualität sind fünf Dimensionen, anhand derer sich beurteilen lässt, ob ein Datensatz für eine bestimmte Fragestellung geeignet und verlässlich ist. Die fünf Dimensionen lauten: Completeness (Vollständigkeit), Correctness (Korrektheit), Consistency (Konsistenz), Currency (Aktualität) und Concordance (Übereinstimmung).

Das Modell geht auf eine systematische Literaturübersicht zurück, in der genau diese fünf Dimensionen als zentrale Kategorien zur Bewertung empirischer Datenqualität identifiziert wurden. Obwohl das Modell ursprünglich im Kontext klinischer Forschungsdaten entwickelt wurde, ist es auf nahezu jeden empirischen Datensatz übertragbar – also auch auf Befragungsdaten, Registerdaten oder Beobachtungsstudien aus der Sozial- und Wirtschaftsforschung.

Completeness – Vollständigkeit

Completeness bezeichnet das Ausmaß, in dem alle für eine Fragestellung relevanten Informationen tatsächlich vorhanden sind. Es geht dabei nicht darum, dass jedes einzelne Feld in einem Datensatz gefüllt ist, sondern darum, ob die kritischen Informationen fehlen.

Praktisch bedeutet das: Fehlende Angaben zum Alter oder Geschlecht in einer sozialwissenschaftlichen Befragung wiegen schwerer als fehlende optionale Freitextantworten. In einem medizinischen Register ist das Fehlen von Diagnosecodes gravierender als eine fehlende Telefonnummer.

Vollständigkeit lässt sich auf zwei Ebenen bewerten:

• Instrumentebene: Wie viele Fälle (Personen, Beobachtungen) sind überhaupt im Datensatz enthalten? Bei Befragungen entspricht das näherungsweise der Response Rate – also dem Anteil der tatsächlich antwortenden Personen an der Zielpopulation.
• Variablenebene: Wie viele Werte fehlen für einzelne Variablen? Statistiker sprechen hier von Missing Values.

Correctness – Korrektheit

Correctness fragt, ob die vorhandenen Werte inhaltlich korrekt sind – also ob sie die Realität zutreffend abbilden. Das klingt selbstverständlich, ist es aber nicht: Ein Wert kann formal gültig sein und trotzdem falsch.

Ein klassisches Beispiel: Eine Studienteilnehmerin gibt ihr Alter mit 120 Jahren an. Das ist kein fehlender Wert – er ist vorhanden und numerisch – aber offensichtlich falsch. Solche Ausreißer und implausiblen Werte sind ein direktes Korrektheitsproblem.

In der Praxis lässt sich Korrektheit oft nur durch den Abgleich mit Referenzdaten oder Goldstandards prüfen, zum Beispiel durch Vergleich von Selbstauskünften mit Registerdaten. Ohne solchen Abgleich bleibt ein Restrisiko, das in der Diskussion einer wissenschaftlichen Arbeit transparent gemacht werden sollte.

Consistency – Konsistenz

Consistency beschreibt, ob Werte innerhalb eines Datensatzes oder über mehrere Datensätze hinweg widerspruchsfrei sind. Widersprüche innerhalb eines Datensatzes sind ein starkes Warnsignal für mangelnde Datenqualität.

Typische Konsistenzprobleme in empirischen Arbeiten:

• Eine Person gibt an, 25 Jahre alt zu sein, aber ihr Geburtsjahr ergibt ein Alter von 32.
• Eine Postleitzahl passt nicht zur angegebenen Stadt.
• Eine Person gibt an, nicht berufstätig zu sein, macht aber gleichzeitig Angaben zu ihrer wöchentlichen Arbeitszeit.

Bemerkenswert ist der Hinweis aus der Methodenliteratur, dass gültige Werte nicht automatisch korrekt sind – ein Wert kann einem erlaubten Format entsprechen und trotzdem inhaltlich falsch oder widersprüchlich sein. Konsistenz und Korrektheit überschneiden sich also, sind aber konzeptionell unterschiedlich: Korrektheit fragt nach der Wahrheit eines Wertes, Konsistenz nach seiner Vereinbarkeit mit anderen Werten.

Currency – Aktualität

Currency (manchmal auch Timeliness genannt) bezeichnet das Ausmaß, in dem Daten noch zeitlich aktuell und für die aktuelle Fragestellung relevant sind. Veraltete Daten können zu falschen Schlussfolgerungen führen – selbst wenn sie zum Zeitpunkt der Erhebung vollständig und korrekt waren.

Für empirische Abschlussarbeiten ist das vor allem dann relevant, wenn:

• Sekundärdaten aus Datenbanken oder Statistikämtern verwendet werden, die nicht regelmäßig aktualisiert werden,
• Längsschnittdaten analysiert werden, bei denen ältere Messzeitpunkte weniger repräsentativ für den aktuellen Zustand sind,
• gesellschaftliche oder medizinische Veränderungen (z. B. Pandemie, Gesetzesänderungen) dazu geführt haben, dass historische Daten die aktuelle Realität nicht mehr abbilden.

Die Aktualitätsprüfung ist eine häufig unterschätzte Dimension – besonders bei Arbeiten, die auf vorhandenen Datensätzen aufbauen statt auf eigener Primärerhebung.

Concordance – Übereinstimmung

Concordance bezeichnet die Übereinstimmung von Daten mit anderen Quellen, Referenzwerten oder erwarteten Verteilungen. Während Consistency die interne Widerspruchsfreiheit eines Datensatzes prüft, fragt Concordance nach der externen Plausibilität: Stimmen die Daten mit dem überein, was man aufgrund anderer Quellen erwarten würde?

Beispiele:

• Entspricht die Altersverteilung in einer Stichprobe in etwa der bekannten Verteilung in der Grundgesamtheit?
• Liegen die erhobenen Blutdruckwerte in einem medizinisch plausiblen Bereich?
• Decken sich Messwerte aus zwei unabhängigen Instrumenten, die dasselbe Konstrukt erheben sollen?

Concordance ist besonders relevant für die Wahl und Begründung geeigneter statistischer Verfahren, denn systematische Abweichungen zwischen erwarteten und tatsächlichen Verteilungen können auf Stichprobenverzerrungen oder Messfehler hinweisen.

Datenqualität in empirischen Abschlussarbeiten

Für Studierende, die eine Bachelorarbeit, Masterarbeit oder Dissertation mit empirischen Daten schreiben, sind die 5 C kein abstraktes Konzept – sie sind die Grundlage dafür, dass statistische Ergebnisse überhaupt interpretierbar sind.

Warum Datenqualität vor der Analyse steht

Eine häufige Fehleinschätzung besteht darin, Datenqualität erst dann zu thematisieren, wenn bereits Probleme aufgetreten sind. Dabei sollte die Prüfung der Qualitätsdimensionen vor jeder statistischen Auswertung erfolgen. Wer mit fehlerhaften, inkonsistenten oder veralteten Daten rechnet, produziert fehlerhafte, inkonsistente oder veraltete Ergebnisse – unabhängig davon, wie sorgfältig die statistische Methode gewählt wurde.

Im Rahmen einer professionellen Kosten einer statistischen Auswertung gehört die Datenqualitätsprüfung deshalb zum Standardrepertoire vor der eigentlichen Analyse.

Datenqualität ist aufgabenabhängig

Ein wichtiger Punkt, der in der Methodenliteratur immer wieder betont wird: Datenqualität ist kein absolutes Merkmal eines Datensatzes, sondern immer relativ zu einer konkreten Fragestellung. Ein Datensatz kann für eine Forschungsfrage vollständig und gut geeignet sein, für eine andere hingegen unzureichend.

Das bedeutet für die wissenschaftliche Praxis: Keine Dimension – weder Vollständigkeit noch Korrektheit noch Konsistenz – lässt sich sinnvoll beurteilen, ohne zu wissen, wozu die Daten verwendet werden sollen. Die Auswahl der relevanten Qualitätsdimensionen richtet sich daher immer nach dem Untersuchungsziel.

So prüfen Sie Datenqualität in der Praxis

Die folgende Übersicht zeigt, welche praktischen Prüfschritte den fünf Dimensionen entsprechen:

Datenqualität dokumentieren

In einer Abschlussarbeit reicht es nicht aus, Datenqualitätsprobleme stillschweigend zu beheben. Die durchgeführten Prüfungen und getroffenen Entscheidungen – etwa der Umgang mit fehlenden Werten oder der Ausschluss von Ausreißern – müssen im Methoden- oder Ergebnisteil transparent dokumentiert werden. Das stärkt die Nachvollziehbarkeit und Glaubwürdigkeit Ihrer Analyse.

Einen guten Überblick über den methodischen Ablauf vom Rohdatensatz bis zur interpretierten Statistik bietet der Beitrag zur Frage Wie funktioniert Datenanalyse?

Qualitätsdimensionen und statistische Methoden

Datenqualität und statistische Methodik sind eng miteinander verknüpft. Viele Verfahren setzen bestimmte Voraussetzungen voraus, die direkt mit den 5 C zusammenhängen: Eine Regressionsanalyse reagiert empfindlich auf Ausreißer (Correctness), Mittelwertvergleiche verlieren an Aussagekraft bei systematisch fehlenden Werten (Completeness), und Mehrebenenmodelle erfordern konsistente Gruppenstrukturen (Consistency).

Wer sich fragt, welche Auswertungsverfahren es gibt und welches für die eigene Fragestellung passt, sollte deshalb die Datenqualitätsprüfung bereits in der Planungsphase mitdenken – nicht erst, wenn die Daten erhoben sind.