Seminar metaphactory – Datenqualität und SHACL-Validierung

Das zweitägige Seminar verbindet fachliche Qualitätsregeln mit maschinenprüfbaren SHACL-Constraints und wiederholbaren Testfällen. Validierung, Berichte, Fehlerbehebung, Regressionstests und Freigabekriterien werden in metaphactory zu einem kontinuierlichen Data-Quality-Prozess ausgebaut.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Qualitätsdimensionen und messbare Regeln aus fachlichen Anforderungen ableiten.
• SHACL-Shapes für Kardinalitäten, Datentypen, Wertebereiche und Beziehungsregeln entwickeln.
• Validierungen und benutzerdefinierte Testfälle reproduzierbar ausführen.
• Validierungsberichte priorisieren und Fehlerursachen kontrolliert beheben.
• Qualitätsprüfungen in Import-, Modellierungs-, App- und Freigabeprozesse integrieren.

Schrittweise Seminarinhalte

1. Qualitätsmodell und Akzeptanzkriterien

Schwerpunkt: Vollständigkeit, Konsistenz, Eindeutigkeit, Gültigkeit, Aktualität, Referenzintegrität, Kritikalität und Verantwortlichkeit.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Qualitätsmodell und Akzeptanzkriterien“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Vollständigkeit, Konsistenz, Eindeutigkeit, Gültigkeit, Aktualität, Referenzintegrität, Kritikalität und Verantwortlichkeit modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Qualitätsmodell und Akzeptanzkriterien“ dokumentieren.

2. SHACL-Grundmuster und Shape-Design

Schwerpunkt: Node Shapes, Property Shapes, Kardinalität, Datentypen, Klassen, Wertemengen, Pfade, Meldungen und Severity.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „SHACL-Grundmuster und Shape-Design“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Node Shapes, Property Shapes, Kardinalität, Datentypen, Klassen, Wertemengen, Pfade, Meldungen und Severity modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „SHACL-Grundmuster und Shape-Design“ dokumentieren.

3. Validierung und Testrepository

Schwerpunkt: Validierungsläufe, vorbereitete Testdaten, benutzerdefinierte Testfälle, Positiv- und Negativfälle, Regression und Ausführungsreihenfolge.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Validierung und Testrepository“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Validierungsläufe, vorbereitete Testdaten, benutzerdefinierte Testfälle, Positiv- und Negativfälle, Regression und Ausführungsreihenfolge modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Validierung und Testrepository“ dokumentieren.

4. Berichte, Fehleranalyse und Korrektur

Schwerpunkt: Ergebnisinterpretation, Gruppierung, Priorisierung, Root Cause, Korrekturmaßnahmen, erneute Prüfung und Abweichungsfreigabe.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Berichte, Fehleranalyse und Korrektur“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Ergebnisinterpretation, Gruppierung, Priorisierung, Root Cause, Korrekturmaßnahmen, erneute Prüfung und Abweichungsfreigabe modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Berichte, Fehleranalyse und Korrektur“ dokumentieren.

5. Continuous Data Quality und Governance

Schwerpunkt: Qualitätsgates, Importfreigabe, Modellversionen, App-Tests, Kennzahlen, Verantwortungsübergabe und Kontrollkalender.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Continuous Data Quality und Governance“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Qualitätsgates, Importfreigabe, Modellversionen, App-Tests, Kennzahlen, Verantwortungsübergabe und Kontrollkalender modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Continuous Data Quality und Governance“ dokumentieren.

Praxisübungen und Laborszenarien

• Entwicklung eines SHACL-Regelsatzes für ein fachliches Beispieldatenmodell.
• Ausführung eines Validierungslaufs mit gezielt fehlerhaften Daten und priorisierter Fehleranalyse.
• Aufbau eines Qualitätsgates für Import und App-Deployment einschließlich Regressionstests.

Zielgruppe und Voraussetzungen

Zielgruppe: Knowledge-Graph-Engineering, Data Quality, Data Stewardship, Ontologiemodellierung und App-Entwicklung.

Voraussetzungen: Grundkenntnisse in RDF und SPARQL; erste Erfahrungen mit Ontologien oder SHACL sind hilfreich.

Didaktik und Arbeitsweise

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, strukturierte Konfigurationsschritte, Praxisübungen und kontrollierte Fehlerfälle vertieft. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Abläufe als reproduzierbarer Arbeits- oder Betriebsstandard einsetzbar bleiben.