Vor einer Modellbildung werden Datenformat, Herkunft, Zeitraum, Vollständigkeit und sachliche Bedeutung geprüft. Diese Schritte bestimmen, welche Beobachtungen und Merkmale in die weitere Analyse eingehen.
Finanzbezogene Daten können als Tabellen, Zeitreihen oder kategorische Aufzeichnungen vorliegen. Für jede Quelle wird beschrieben, wie sie entstanden ist, welche Einheit sie verwendet und welchen Zeitraum sie abdeckt. Gleich benannte Felder bedeuten in verschiedenen Systemen nicht automatisch dasselbe. Vor dem Zusammenführen werden deshalb Definitionen, Datentypen, Währungen und Stichtage abgeglichen. Ein Datenkatalog hält Feldname, Bedeutung, zulässige Werte und Herkunft fest. Versionsangaben zeigen, wann eine Definition geändert wurde. Bei Verknüpfungen ist außerdem zu prüfen, ob Schlüssel eindeutig sind und ob fehlende Zuordnungen bestimmte Gruppen oder Zeiträume betreffen. Personenbezogene Angaben werden nur verarbeitet, wenn ein klarer Zweck und eine passende Rechtsgrundlage bestehen. Für allgemeine technische Beispiele reichen meist zusammengefasste oder pseudonymisierte Datenstrukturen aus. So bleibt nachvollziehbar, woraus der fertige Analysedatensatz tatsächlich besteht.
Format
Datentypen, Dezimaltrennzeichen, Währungen und Zeitformate werden nach dokumentierten Regeln vereinheitlicht.
Technische Prüfung
Fehlende, doppelte oder widersprüchliche Einträge werden gekennzeichnet und nach festgelegten Kriterien behandelt.
Stichprobe
Zeiträume, Kategorien und Häufigkeiten werden geprüft, damit die Zusammensetzung des Datensatzes sichtbar bleibt.
Aus vorhandenen Feldern lassen sich neue Merkmale ableiten, etwa Zeitabstände, Häufigkeiten oder Werte innerhalb eines festgelegten Zeitfensters. Für jedes Merkmal wird notiert, welche Ausgangsdaten und welche Berechnungsregel verwendet wurden. Bei zeitlichen Daten darf nur Information einfließen, die zum jeweiligen Zeitpunkt bereits vorlag. Sonst entsteht ein Informationsleck, das Prüfwerte besser erscheinen lassen kann, als sie unter realen Bedingungen wären. Auch Skalierung und Kodierung werden ausschließlich mit den Lerndaten bestimmt und anschließend unverändert auf Validierungs- und Testdaten angewendet. Vor der Berechnung wird festgelegt, wie leere Zeitfenster, Randwerte und seltene Kategorien behandelt werden. Danach werden Wertebereiche und Verteilungen erneut geprüft. Eine kurze Änderungsnotiz hält außerdem fest, wer eine Datenfassung wann und aus welchem Grund angepasst hat. Dadurch bleiben auch kleine Korrekturen später verständlich.
Eine Merkmalsliste verbindet jede berechnete Eingabe mit ihrer Quelle. Ausreißer werden nicht allein wegen ihrer Größe entfernt. Zuerst wird geklärt, ob ein Erfassungsfehler, ein zulässiger Randwert oder eine unbekannte Ursache vorliegt. Korrekturen erfolgen in einer neuen Datenversion; die ursprüngliche Fassung bleibt dokumentiert. Anschließend wird geprüft, ob sich Umfang, Verteilung oder zeitliche Abdeckung verändert haben. Bei rollierenden Zeitfenstern werden Anfang, Ende und Einschlussregeln eindeutig benannt. Nicht mehr benötigte Zwischenfelder werden gelöscht, sobald kein dokumentierter Zweck mehr besteht. Zusammen mit dem Datenkatalog bilden diese Angaben die Grundlage dafür, dass spätere Rechenschritte nachvollzogen und wiederholt werden können.
Ein Analysebericht beschreibt Wertebereiche, Häufigkeiten, fehlende Angaben und zeitliche Abdeckung. Diagramme und Kennzahlen werden mit Einheiten, Zeitraum und Quelle beschriftet. Getrennte Übersichten zeigen, welche Beobachtungen ausgeschlossen oder korrigiert wurden. Bei Kategorien werden absolute Anzahl und Anteil gemeinsam angegeben. Für numerische Felder werden Lage, Streuung und auffällige Randbereiche beschrieben, ohne daraus eine persönliche finanzielle Aussage abzuleiten. Die Ergebnisse der Datenprüfung werden vor der Modellbildung versioniert.
Diese Website verwendet ausschließlich technisch notwendige Cookies, um die grundlegende Funktionalität und die korrekte Darstellung der Seiten zu gewährleisten. Es werden keine Cookies für Analyse-, Tracking-, Profilerstellungs- oder Werbezwecke eingesetzt.