Frische Daten oder aktuelle Daten? Den Unterschied verstehen

Data Currency beschreibt, ob Daten für ihren beabsichtigten Verwendungszweck ausreichend aktuell sind, während Data Freshness beschreibt, wie kürzlich diese Daten aktualisiert wurden. In der Praxis fragt das Erste, ob die Aktualität für die Entscheidung gut genug ist, und das Zweite, wie alt die Daten sind.

Eine Preistabelle kann auf dem Papier fehlerfrei aussehen und das Unternehmen dennoch in die Irre führen. Der nächtliche Job wird abgeschlossen, das Dashboard aktualisiert sich und das Team geht davon aus, dass die Zahlen aktuell sind, aber die Upstream-Quelle hat sich möglicherweise seit Tagen nicht geändert. In dieser Lücke schleichen sich veraltete Daten in Entscheidungen ein, und die IBM-Umfrage von 2025 zeigt, warum das eine Rolle spielt: 80 % der Organisationen verlassen sich bei der Entscheidungsfindung immer noch auf veraltete Daten und 85 % der Data Leader geben an, dass veraltete Daten ihren Unternehmen direkt Geld gekostet haben (IBM zu den Kosten verzögerter Daten).

Inhaltsverzeichnis

• Warum frische Daten nicht immer aktuelle Daten sind

  • Die operative Falle

• Was ist Data Currency

  • Eignung für den Zweck schlägt reine Aktualität

• Was ist Data Freshness

  • Das Alter ist der einfachste Ausgangspunkt

• Wie Data Freshness gemessen wird

  • Die Kennzahlen, auf die es in der Praxis ankommt

• Was ist der Unterschied zwischen Currency, Freshness und Timeliness

• Wie veraltete Daten erkannt werden können

  • Worauf zu achten ist

• Wie digna Data Currency und Freshness unterstützen kann

Warum frische Daten nicht immer aktuelle Daten sind

Eine Produktpreistabelle kann jeden Morgen um 05:00 Uhr aktualisiert werden und für das Unternehmen dennoch falsch sein. Wenn der Upstream-Feed letzte Woche aufgehört hat, neue Preise zu erhalten, macht die Pipeline zwar ihre Arbeit, während die Information selbst jedoch von der Realität abweicht. Das ist der Kern des Problems Data Currency vs. Data Freshness: Die Aktualisierung hat stattgefunden, aber der Zustand des Unternehmens hat sich nicht geändert.

Die operative Falle

Eine erfolgreiche Aktualisierung bedeutet nicht zwangsläufig aktuelle Daten.

Diese Unterscheidung ist wichtig, da Teams oft beim Pipeline-Status stehen bleiben. Ein grünes Häkchen beweist nur, dass die Tabelle geladen wurde, nicht aber, dass die Quelle den heutigen Markt widerspiegelt. Für Teams, die eine Observability rund um die Freshness aufbauen, reicht ein einzelner Zeitstempel des Ladevorgangs niemals aus. Ein nützlicher Überblick besteht darin, den gesamten Datenfluss zu betrachten, nicht nur die Oberfläche des Dashboards, und ein praktischer Ausgangspunkt ist die Data Observability Übersicht.

Die Umfrage von IBM macht die geschäftlichen Kosten sichtbar, aber die Ursache ist architektonischer Natur. Daten können pünktlich geliefert werden und dennoch veraltet sein, wenn Upstream-Systeme aufhören, sich zu ändern, oder wenn das neueste geschäftliche Ereignis das Data Warehouse nie erreicht. Deshalb muss Freshness im Verhältnis zum Entscheidungsfenster beurteilt werden und nicht danach, ob ein Job gelaufen ist.

Was Is Data Currency

Data Currency ist ein Datenqualitätskonzept, das fragt, ob die Daten für die anstehende Aufgabe aktuell genug sind. In der DAMA-DMBOK® 2.0 Revised Edition wird Currency als eine Datenqualitätsdimension behandelt, und die damit verbundene Dimension Timeliness misst den Zeitraum zwischen dem tatsächlichen und dem angestrebten Zeitpunkt, an dem ein Datensatz verfügbar wird. Dieser Rahmen ist nützlich, weil er die Diskussion an den geschäftlichen Zweck bindet und nicht nur an Zeitstempel.

Eignung für den Zweck schlägt reine Aktualität

Ein Datensatz kann frisch sein und dennoch eine Currency-Prüfung nicht bestehen. Ein fünf Minuten alter Betrugsdatensatz ist für einen Freigabe-Workflow möglicherweise zu alt, während eine zwei Tage alte Trendtabelle für das Executive-Reporting völlig ausreichend sein kann. Currency ist die Ermessensentscheidung, die über der Uhr steht: Sie fragt, ob das Alter der Daten zu der Entscheidung passt, die sie unterstützen.

Deshalb sollte Currency auch nicht als allgemeingültiges Label behandelt werden. Dieselbe Tabelle kann für einen Prozess aktuell und für einen anderen inakzeptabel sein. Wenn der Datenarchitekt das Entscheidungsfenster nicht klar definiert, beginnt das Unternehmen, Freshness als Ersatz für Vertrauen zu nutzen, wodurch Probleme so lange übersehen werden, bis sie zu Vorfällen werden.

Für Teams, die eine praktische Möglichkeit suchen, über die Dimension selbst nachzudenken, ist der richtige Blickwinkel eine Datenqualitätskennzahl und kein generischer Slogan über Aktualität. Ein nützlicher Bezugspunkt sind Datenqualitätsmetriken, da Currency erst dann umsetzbar wird, wenn sie an messbare Erwartungen geknüpft ist.

Was ist Data Freshness

Data Freshness beschreibt, wie kürzlich Daten aktualisiert oder zuletzt geladen wurden. Es ist das operative Maß, das nachverfolgt wird, weil es einfacher zu beobachten ist als Currency. Freshness beantwortet eine einfache Frage: Wann war das letzte gültige Update?

Das Alter ist der einfachste Ausgangspunkt

Eine einfache Art, Freshness auszudrücken, ist:

Datenalter = aktuelle Zeit − Zeit des letzten gültigen Updates

Diese Formel ist nützlich, weil sie Freshness in eine messbare Verzögerung anstatt in ein vages Gefühl verwandelt. Die Interpretation hängt jedoch davon ab, was als Update gilt. Ein tägliches Neuladen kann frisch erscheinen, selbst wenn sich die Quelldaten nicht geändert haben. Deshalb muss Freshness im Hinblick auf den Geschäftsprozess bewertet werden und nicht auf die Existenz eines Aktualisierungsjobs.

Freshness ist auch die Idee hinter dem Service-Level-Denken für Datenpipelines. Wenn ein System Stunden an Verzögerung tolerieren kann, ist eine vor zwei Stunden aktualisierte Tabelle möglicherweise in Ordnung. Wenn ein Betrugs-Workflow Minuten benötigt, wäre dieselbe Tabelle bereits veraltet. Eine klare Erklärung dieses praktischen Blickwinkels finden Sie unter was Data Freshness für Geschäftsentscheidungen bedeutet.

Praktische Regel: Messen Sie zuerst die Freshness und beurteilen Sie dann, ob sie für den Anwendungsfall aktuell genug (current) ist.

Wie Data Freshness gemessen wird

Freshness wird in der Regel mit einer kleinen Anzahl operativer Signale gemessen. Das wichtigste ist der Zeitstempel des letzten Updates, da er den neuesten Zeitpunkt markiert, den das System belegen kann. Von dort aus betrachten Teams das Datenalter, die Zeit seit dem letzten erfolgreichen Update, das Aktualisierungsintervall und die Dauer der Veraltung.

Die Kennzahlen, auf die es in der Praxis ankommt

• Zeitstempel des letzten Updates. Zeigt an, wann der neueste Datensatz, die neueste Partition oder die neueste Tabelle geschrieben wurde.

• Datenalter. Zeigt an, wie lange der Datensatz seit diesem Update unberührt geblieben ist.

• Aktualisierungsintervall. Zeigt den erwarteten Rhythmus, z. B. stündliche oder tägliche Ladevorgänge.

• Dauer der Veraltung. Zeigt an, wie lange die Daten ihr akzeptables Alter überschritten haben.

• Freshness-Schwellenwert. Zeigt das maximale Alter an, das das Unternehmen akzeptiert.

• Prozentualer Anteil innerhalb des Schwellenwerts. Zeigt, wie viel des Datensatzes die Freshness-Regel noch erfüllt.

Die genaue Berechnung ändert sich je nach Architektur. Ein Streaming-Feed, ein Batch-Warehouse und eine partitionierte Tabelle altern nicht auf dieselbe Weise. Deshalb bewerten Teams Freshness oft auf Tabellenebene, Partitionsebene oder sogar Datensatzebene. Eine nützliche operative Quelle für diese Denkweise ist dbt Source Freshness, da sie verdeutlicht, dass der neueste zuverlässige Zeitstempel oft das entscheidende Signal ist.

Was ist der Unterschied zwischen Currency, Freshness und Timeliness

Diese drei Begriffe werden ständig verwechselt, aber sie beantworten unterschiedliche Fragen. Currency fragt, ob die Daten für den beabsichtigten Verwendungszweck ausreichend aktuell sind. Freshness fragt, wie kürzlich sie aktualisiert wurden. Timeliness fragt, ob sie dann eingetroffen sind, als sie benötigt wurden.

Ein Datensatz kann frisch, aber nicht aktuell sein: Eine Preistabelle kann sich jeden Morgen aktualisieren, während sich die Quelle seit Tagen nicht mehr geändert hat. Er kann auch pünktlich (timely), aber nicht aktuell sein, wenn ein Bericht vor einer Frist eintrifft, aber die Realität von gestern enthält. Und er kann aktuell, aber nicht pünktlich sein, wenn die richtigen Daten erst dann eintreffen, wenn die Entscheidung bereits getroffen wurde.

Das Timeliness-Framework von Eurostat macht die Unterscheidung konkret: Freshness wird als Anzahl der Tage zwischen dem letzten verfügbaren Wert und dem Datum der Überprüfung der Datenbank gemessen, während Pünktlichkeit die Verzögerung zwischen dem angekündigten und dem tatsächlichen Veröffentlichungsdatum misst (Eurostat Timeliness Framework). Diese Trennung ist wichtig, da eine Veröffentlichung pünktlich und dennoch veraltet sein kann.

Für eine breitere operative Sicht auf Zeitsignale siehe Definition und Metriken für Data Timeliness.

Wie veraltete Daten erkannt werden können

Veraltete Daten lassen sich am einfachsten erkennen, wenn Unternehmen Freshness-Anforderungen definieren, bevor sie den Datensatz überwachen. Das bedeutet, dass die erwartete Aktualisierungshäufigkeit, das maximal akzeptable Alter, die Aktualisierungsfrist, die Kritikalität des Datensatzes und der davon abhängige Geschäftsprozess festgelegt werden. Sobald diese Regeln existieren, kann die Überwachung die Realität kontinuierlich mit ihnen vergleichen.

Worauf zu achten ist

• Verzögerte Ankünfte. Die Daten verpassen das erwartete Lieferfenster.

• Stille Veraltung. Der Job läuft, aber die Quellwerte haben sich nicht geändert.

• Unerwartete Rhythmusverschiebungen. Ein täglicher Datensatz kommt verspätet oder unregelmäßig an.

• Abweichungen auf Datensatzebene. Der neueste Datensatz spiegelt den geschäftlichen Zustand nicht mehr wider.

Sorgfalt bei der Überwachung ist wichtig, nicht nur Automatisierung. Eine nützliche Ressource zum fortlaufenden Leistungsverlust ist Leistungsabfall von Inhalten durch Flag-Dropping, da derselbe Gedanke auch für Datensysteme gilt: Ausgaben können aktiv aussehen, während ihr zugrunde liegender Wert verfällt.

Das Timeliness-Modul von digna kann das erwartete Liefer- und Aktualisierungsverhalten überwachen. Data Anomalies kann ungewöhnliche Änderungen der Aktualisierungsmuster und des Datenverhaltens melden. Data Analytics kann den historischen Kontext für Aktualisierungshäufigkeit, Datenalter und wiederkehrende Veraltung aufzeigen. Zusammen helfen diese Funktionen den Teams, Probleme zu erkennen und zu untersuchen, während das Unternehmen immer noch selbst definieren muss, was „aktuell genug“ bedeutet.

Wie digna Data Currency und Freshness unterstützen kann

digna unterstützt dieses Thema durch Module, die sich auf das Lieferverhalten, ungewöhnliche Änderungen und den historischen Kontext konzentrieren. Timeliness überwacht, ob Daten pünktlich ankommen, und lernt erwartete Liefermuster. Data Anomalies meldet Verschiebungen im Aktualisierungsrhythmus oder im Datenverhalten, die häufig mit veralteten oder fehlerhaften Feeds einhergehen. Data Analytics hilft Teams dabei, Muster des Alters und des wiederholten Auftretens zu überprüfen, um festzustellen, ob ein Datensatz regelmäßig in Verzug gerät.

Der wichtige Punkt ist der Umfang. Diese Tools können Belege dafür liefern, dass die Freshness nachlässt, aber sie definieren für Sie nicht die geschäftliche Angemessenheit. Ein Finanzteam, ein Gesundheitsteam und ein Team im öffentlichen Sektor nutzen dieselbe Tabelle möglicherweise unterschiedlich, sodass der Akzeptanzschwellenwert vom Prozess und nicht von der Plattform kommen muss.

Ein praktisches Unternehmensbeispiel verdeutlicht diese Lücke. Eine Produktpreistabelle wird jeden Morgen um 05:00 Uhr aktualisiert, sodass die Pipeline gesund aussieht. Die Upstream-Quelle hat sich jedoch seit zehn Tagen nicht geändert, da eine Integration keine neuen Preise mehr empfangen hat. Die Tabelle wird aktualisiert, aber die Information selbst ist veraltet.

Eine erfolgreiche Aktualisierung bedeutet nicht zwangsläufig aktuelle Daten.

Wenn Sie eine praktische Möglichkeit suchen, Freshness, Currency und das Lieferverhalten in derselben Umgebung zu überwachen, in der Ihre Daten bereits liegen, besuchen Sie digna und sehen Sie sich an, wie sich die Überwachungsmodule in Ihr Warehouse, Ihren Lake oder Ihre Pipeline integrieren lassen. Die richtige Einrichtung sagt Ihnen nicht nur, dass ein Job gelaufen ist, sondern hilft Ihnen auch zu beweisen, ob die Daten für die vor Ihnen liegende Entscheidung aktuell genug sind.