Data Currency beschreibt, ob Daten für ihre beabsichtigte Verwendung 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 beendet, 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 wichtig ist: 80 % der Unternehmen verlassen sich bei der Entscheidungsfindung immer noch auf veraltete Daten und 85 % der Datenverantwortlichen geben an, dass veraltete Daten ihre 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 Metriken, auf die es in der Praxis ankommt

• Was ist der Unterschied zwischen Currency, Freshness und Timeliness

• Wie können veraltete Daten erkannt werden

  • Worauf zu achten ist

• Wie kann digna Data Currency und Freshness unterstützen

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, aber die Information selbst driftet von der Realität ab. Das ist der Kern des Problems von Data Currency vs. Data Freshness: Die Aktualisierung hat stattgefunden, aber der geschäftliche Status 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 um die Freshness herum aufbauen, ist dies der Grund, warum ein einzelner Zeitstempel des Ladevorgangs niemals ausreicht. Ein nützlicher Überblick ist es, über den gesamten Datenfluss nachzudenken, nicht nur über die Dashboard-Oberfläche, und ein praktischer Ausgangspunkt ist der Data Observability-Überblick.

Die IBM-Umfrage 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 Warehouse nie erreicht. Deshalb muss Freshness am Entscheidungsfenster gemessen werden und nicht daran, ob ein Job gelaufen ist.

Was ist Data Currency

Data Currency ist ein Datenqualitätskonzept, das fragt, ob die Daten für die anstehende Aufgabe ausreichend aktuell 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 Zielzeitpunkt, 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 Genehmigungsworkflow möglicherweise zu alt, während eine zwei Tage alte Trendtabelle für das Executive Reporting völlig akzeptabel 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 Ansatz eine Datenqualitätsmetrik und kein allgemeiner Aktualitätsslogan. 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 aufgefrischt wurden. Es ist das operative Maß, das nachverfolgt wird, weil es einfacher zu beobachten ist als Currency. Freshness beantwortet eine einfache Frage: Wann war die letzte gültige Aktualisierung?

Das Alter ist der einfachste Ausgangspunkt

Eine einfache Art, Freshness auszudrücken, ist:

Datenalter = aktuelle Zeit − Zeit der letzten gültigen Aktualisierung

Diese Formel ist nützlich, weil sie Freshness in eine messbare Verzögerung anstelle eines vagen Gefühls verwandelt. Die Interpretation hängt jedoch davon aus, was als Aktualisierung gilt. Ein täglicher Reload kann frisch erscheinen, selbst wenn sich die Quelldaten nicht geändert haben. Deshalb muss Freshness anhand des Geschäftsprozesses bewertet werden und nicht anhand des Vorhandenseins 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 Betrugsworkflow Minuten benötigt, wäre dieselbe Tabelle bereits veraltet. Eine klare Erklärung dieses praktischen Aspekts finden Sie unter was Data Freshness für geschäftliche Entscheidungen 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 davon ist der Zeitstempel der letzten Aktualisierung, da er den neuesten Punkt markiert, den das System belegen kann. Von dort aus betrachten Teams das Datenalter, die Zeit seit der letzten erfolgreichen Aktualisierung, das Aktualisierungsintervall und die Dauer der Veraltung.

Die Metriken, auf die es in der Praxis ankommt

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

• Datenalter. Zeigt an, wie lange der Datensatz seit dieser Aktualisierung unberührt geblieben ist.

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

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

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

• Prozentsatz innerhalb des Schwellenwerts. Zeigt, wie viel des Datensatzes noch der Freshness-Regel entspricht.

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 auf Datensatzebene. Eine nützliche operative Quelle für diese Denkweise ist dbt source freshness, weil sie verdeutlicht, dass der neueste zuverlässige Zeitstempel oft das Signal ist, auf das es am meisten ankommt.

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 die beabsichtigte Verwendung ausreichend aktuell sind. Freshness fragt, wie kürzlich sie aktualisiert wurden. Timeliness fragt, ob sie dann eintrafen, als sie benötigt wurden.

Ein Datensatz kann frisch, aber nicht aktuell sein: Eine Preistabelle wird vielleicht jeden Morgen aktualisiert, 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 schließlich auftauchen, nachdem die Entscheidung bereits getroffen wurde.

Das Timeliness-Framework von Eurostat macht den Unterschied konkret: Freshness wird als Anzahl der Tage zwischen dem letzten verfügbaren Wert und dem Datum der Überprüfung der Datenbank gemessen, während die 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 Timing-Signale siehe Definition und Metriken für Data Timeliness.

Wie können veraltete Daten erkannt werden

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

Worauf zu achten ist

• Verzögerte Ankünfte. Die Daten verpassen das erwartete Lieferfenster.

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

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

• Drift auf Datensatzebene. Der neueste Datensatz spiegelt den geschäftlichen Status nicht mehr wider.

Bei der Überwachung kommt es auf die Qualität an, nicht nur auf die Automatisierung. Eine nützliche Ressource zum anhaltenden Leistungsabfall ist Nachlassen der Content-Performance erkennen, da dieselbe Idee 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 in Aktualisierungsmustern und im Datenverhalten kennzeichnen. 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 definieren muss, was „aktuell genug“ bedeutet.

Wie kann digna Data Currency und Freshness unterstützen

digna unterstützt dieses Thema durch Module, die sich auf Lieferverhalten, ungewöhnliche Änderungen und historischen Kontext konzentrieren. Timeliness überwacht, ob Daten im Zeitplan ankommen, und lernt erwartete Liefermuster. Data Anomalies weist auf Abweichungen im Aktualisierungsrhythmus oder im Datenverhalten hin, die häufig mit veralteten oder fehlerhaften Feeds einhergehen. Data Analytics hilft Teams, Muster von Alter und Wiederkehr zu überprüfen, um zu sehen, ob ein Datensatz regelmäßig in Rückstand gerät.

Der wichtige Punkt ist der Umfang. Diese Tools können Hinweise darauf liefern, dass die Freshness nachlässt, aber sie definieren nicht die geschäftliche Angemessenheit für Sie. Ein Finanzteam, ein Gesundheitsteam und ein Team aus dem öffentlichen Sektor verwenden dieselbe Tabelle möglicherweise unterschiedlich, sodass die Akzeptanzschwelle vom Prozess und nicht von der Plattform kommen muss.

Ein praktisches Unternehmensbeispiel verdeutlicht die Lücke. Eine Produktpreistabelle wird jeden Morgen um 05:00 Uhr aktualisiert, sodass die Pipeline fehlerfrei aussieht. Aber die Upstream-Quelle hat sich seit zehn Tagen nicht geändert, weil eine Integration keine neuen Preise mehr empfängt. 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 Lieferverhalten in derselben Umgebung zu überwachen, in der sich Ihre Daten bereits befinden, besuchen Sie digna und sehen Sie sich an, wie sich die Überwachungsmodule in Ihr Warehouse, Ihren Lake oder Ihre Pipeline einfügen. 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.

Häufig gestellte Fragen

Worin unterscheiden sich frische und aktuelle Daten?

Datenaktualität beschreibt, ob Daten für ihren Zweck hinreichend auf dem Stand sind, Datenfrische beschreibt, wie kürzlich sie aktualisiert wurden. Eine Tabelle kann sehr frisch und nicht aktuell sein, weil die Aktualisierung gegen eine Quelle lief, die sich nicht geändert hatte.

Warum kann eine tägliche Aktualisierung dennoch irreführen?

Weil eine erfolgreiche Aktualisierung nicht zwingend aktuelle Daten bedeutet. Eine Preistabelle kann jeden Morgen um 05:00 aktualisieren und trotzdem falsch sein, wenn die kopierten Preise im liefernden System bereits veraltet waren.

Was kosten veraltete Daten?

IBMs Umfrage von 2025 fand, dass 80 % der Organisationen weiterhin auf veraltete Daten für Entscheidungen setzen und 85 % der Datenverantwortlichen angaben, überholte Daten hätten ihr Unternehmen direkt Geld gekostet. Beide Zahlen zusammen beschreiben ein Problem, das verbreitet und zugleich erkannt ist.

Wo hören Teams meist auf zu schauen?

Beim Pipeline-Status. Dort aufzuhören ist die operative Falle, denn der Status bestätigt den Abschluss einer Aktualisierung und sagt nichts darüber, ob die bewegten Werte im Moment des Kopierens aktuell waren.

Ist das ein Werkzeugproblem?

Nein, die Ursache ist architektonisch. Die Lücke öffnet sich überall dort, wo ein Aktualisierungsplan unabhängig vom Aktualisierungsverhalten des vorgelagerten Systems definiert wird, und kein Monitoring allein auf der Aktualisierung schließt sie.