Daten in Chancen umwandeln: Kennzahl des Monats – Reifegrad 2 – Erwartete Qualität
Hochwertige Daten sind mehr als ein Maßstab – sie sind eine strategische Notwendigkeit. Durch Investitionen in Datenqualität können Risiken in Chancen und Ineffizienzen in Vorteile umgewandelt werden. In dieser neuen Reihe untersucht Zornitsa Manolova, Leiterin für Datenqualitätsmanagement und Data Science bei GLEIF, wichtige Kennzahlen im Global LEI System. In diesem Blog untersucht Zornitsa das im Datenqualitätsrahmen von GLEIF definierte Reifemodell und konzentriert sich dabei auf die entscheidende Rolle des Reifegrads 2 – oder der Erwarteten Qualität der Daten – bei der Stärkung der Datenintegrität und der Gewährleistung des Vertrauens im gesamten globalen Finanzökosystem.
Autor: Zornitsa Manolova
Datum: 2025-03-07
Ansichten:
In einer zunehmend vernetzten Weltwirtschaft ist die Fähigkeit von Unternehmen, Daten zu vertrauen und sie effektiv zu nutzen, die Grundlage für Innovation, Wachstum und Wettbewerbsfähigkeit.
Das bedeutet, dass Datenqualität heute mehr als nur ein Maßstab ist – sie ist eine strategische Notwendigkeit. Ein qualitativ hochwertiges Datenökosystem ist ein Treiber für Veränderungen und Innovationen und ermöglicht es Unternehmen, neue Chancen zu erkennen und zu nutzen. Eine geringe Datenqualität kann hingegen zu Ineffizienzen und regulatorischen Risiken sowie Reputationsrisiken führen.
GLEIF ist bestrebt, die Qualität, Zuverlässigkeit, und Benutzerfreundlichkeit von LEI-Daten zu optimieren. Seit 2017 werden spezielle monatliche Berichte veröffentlicht, um das insgesamt erreichte Niveau der Datenqualität im Global LEI System transparent darzustellen.
Um ein breiteres Branchenverständnis und Bewusstsein für die Datenqualitätsinitiativen von GLEIF zu fördern, untersucht diese neue Blogserie die in den Berichten enthaltenen Schlüsselkennzahlen und zeigt, wie durch Investitionen in Datenqualität Risiken in Chancen und Ineffizienzen in Vorteile umgewandelt werden können.
Der Blog dieses Monats untersucht den Reifegrad 2.
Reifegrade der LEI-Datenqualität verstehen
Die Datenreife ist ein wichtiger Maßstab, der widerspiegelt, wie effektiv verfügbare Datenressourcen genutzt werden, um ihren Wert und ihre Zuverlässigkeit zu maximieren. Um die höchsten Standards der LEI-Datenqualität aufrechtzuerhalten, verwendet GLEIF ein Datenreifemodell.
In diesem dreistufigen Modell wird jeder Datenqualitätsprüfung ein einziger Reifegrad zugeordnet. Diese systematische Methodik stärkt die Datenzuverlässigkeit und das Vertrauen in die Daten, indem sie einen progressiven und schrittweisen Ansatz zur kontinuierlichen Verbesserung gewährleistet und das Global LEI System zu einer verlässlichen Quelle für Finanz- und Regulierungsökosysteme weltweit macht:
Reifegrad 1 – Erforderliche Qualität ist die Grundlage für die Datenqualität und stellt sicher, dass grundlegende Validierungsprüfungen konsistent angewendet werden. In dieser Phase werden die Daten auf ihr Format geprüft, um sicherzustellen, dass sie richtig strukturiert sind. Außerdem werden die obligatorischen Elemente geprüft, um sicherzustellen, dass alle erforderlichen Felder richtig ausgefüllt sind.
Reifegrad 2 – Um die Datenzuverlässigkeit zu stärken, führt Erwartete Qualität erweiterte Maßnahmen zur Qualitätssicherung ein, darunter:
Plausibilitätsprüfungen: Überprüfung, ob die Dateneingaben logisch und glaubwürdig sind.
Überprüfung von Geschäftsregeln: Sicherstellung der Compliance mit festgelegten Governance-Standards.
Überprüfung der Beziehungsintegrität: Bestätigung der Genauigkeit der Beziehungen zwischen Entitäten.
Prüfungen optionaler Elemente: Bewerten der Richtigkeit nicht obligatorischer, aber wertvoller Datenfelder.
Reifegrad 3 – Hervorragende Qualität stellt den höchsten Standard der LEI-Datenqualität dar und stellt sicher, dass die Daten nicht nur genau, sondern auch aktuell und gut gepflegt sind. In dieser Phase wird durch Darstellungsprüfungen sichergestellt, dass die Entitätsdaten datensatzübergreifend konsistent sind, und durch Aktualitätsprüfungen wird sichergestellt, dass die Informationen regelmäßig aktualisiert werden und aktuell bleiben. Durch Lebenszyklus- und Legacy-Datensatzprüfungen wird sichergestellt, dass historische und aktive LEI-Einträge ordnungsgemäß geführt werden.
Bei GLEIF vergleichen wir das dreistufige Datenreifemodell mit den Kabinenklassen eines Fluges. Die Geforderte Qualität stellt die grundsätzliche Erwartung dar, dass Mindeststandards eingehalten werden – etwa, dass man sein Ziel sicher erreicht. Die Erwartete Qualität spiegelt ein verbessertes Erlebnis wider, ähnlich wie der zusätzliche Komfort und die zusätzlichen Services eines Business-Class-Tickets. Ausgezeichnete Qualität bietet ein Höchstmaß an Zuverlässigkeit und Raffinesse, vergleichbar mit dem Luxus einer Reise erster Klasse.
Warum ist Reifegrad 2 (Erwartete Qualität) wichtig?
Durch die Einführung fortschrittlicher Qualitätssicherungsmaßnahmen spielt Erwartete Qualität eine entscheidende Rolle bei der Stärkung der Datenintegrität und der Gewährleistung des Vertrauens innerhalb des Finanzökosystems.
Hier ist der Grund für die Bedeutung:
Verhindert Datenfehler
Ein strukturierter Qualitätsrahmen eliminiert fehlerhafte, unvollständige oder inkonsistente Unternehmensdaten aus globalen Finanzsystemen.
Sorgt für die Compliance gesetzlicher Vorschriften
Das Erreichen des Erwarteten Qualitätsniveaus weist darauf hin, dass LEI-Daten wesentliche Qualitätsstandards erfüllen und sich daher für die behördliche Berichterstattung, die Bewertung finanzieller Risiken und fundierte Geschäftsentscheidungen eignen.
Fördert kontinuierliche Verbesserung
Die fortschreitende Struktur der Reifegrade führt zu kontinuierlichen Fortschritten bei der Datengenauigkeit und den Validierungsmethoden. Beispielsweise haben LEI-Vergabestellen, die im Februar 2025 die Erwartete Qualitätsrate erreichten, seit Dezember 2024 eine konstante Leistung gezeigt. Dieser stetige Fortschritt spiegelt die kontinuierlichen Bemühungen um eine höhere Datenqualität und -zuverlässigkeit wider. Im Jahr 2024 stabilisierten wir uns bei 50 % der LEI-Vergabestellen und erreichten durchgehend die erforderliche Qualität. Dies ist ein erheblicher Sprung gegenüber den Jahren 2020 und 2021, als lediglich 22 % bzw. 28 % der Vergabestellen diesen Reifegrad erreichten.
Legt den Grundstein für Spitzenleistungen
Das Expected Level ist Voraussetzung zum Erreichen des Excellent Levels, dem höchsten Standard der Datenqualität. Ohne das vorherige Erreichen des Expected Levels wäre die vollständige Datenintegrität und Vertrauenswürdigkeit im LEI-System nicht erreichbar.
Daten in Chancen umwandeln
Als zentraler Maßstab für hervorragende LEI-Daten unterstützt der Reifegrad 2 einen strukturierten, kontinuierlichen Verbesserungsansatz und ermöglicht LEI-Vergabestelle, die Datenqualität zu verbessern und das Vertrauen, die Genauigkeit und die Transparenz im gesamten Finanzökosystem zu erhöhen. Unternehmen profitieren von einer höheren Betriebseffizienz und einer verbesserten Risikominimierung, während die Verbesserung der Markttransparenz und die Ermöglichung eines reibungslosen internationalen Handels letztlich zu einem stärkeren Wirtschaftswachstum beiträgt.
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.