Im Arbeitsalltag von Data-Engineering-Teams nimmt die Qualitätssicherung eine wichtige Rolle ein, weil Reporting und Analyse direkt von der Stabilität der Pipelines abhängen. Ohne strukturierte Prüfungen bleiben Fehler oft lange unbemerkt. Der Kurs zeigt, wie Qualitätssicherung systematisch in Datenstrecken verankert wird.
!Kursinhalt
!1. Qualitätsziele entlang der Pipeline
*Vollständigkeit, Aktualität und Konsistenz
*Fachliche und technische Korrektheit
*Festlegung kritischer Datenpunkte
!2. Prüfmechanismen in der Praxis
*Regelbasierte Tests in dbt
*Constraints und Schemaprüfungen
*Plausibilitäts- und Trendchecks
!3. Reaktion auf Qualitätsabweichungen
*Alarme und Eskalationspfade
*Klassifizierung von Fehlern
*Wiederherstellung sauberer Datenstände
!4. Pflege und Weiterentwicklung der Prüfungen
*Neue Datenquellen einbinden
*Anpassung an veränderte Geschäftsregeln
*Überprüfung der Prüfungen selbst
!Berufliche Relevanz
*Belastbarere Datenprodukte für Reporting und Analytics
*Frühe Erkennung von Quellsystemproblemen
*Sicherheit für nachgelagerte Teams