Aufgabensatz 3: Datenqualität, Normalisierung und Validierung

1. Rohdaten lesen und Auffälligkeiten markieren

Du erhältst folgende Produktdaten aus einer Lieferantenliste:

artikel_nr;produktname;preis;bestand;aktiv
A-100;USB-C Kabel;7,99;35;ja
A-101;Webcam HD;49.90;12;true
A-102;;19.99;8;ja
A-103;Laptopständer;-15.00;5;nein
A-104;Mauspad;abc;20;ja

1. Markiere mindestens fünf Auffälligkeiten oder Risiken.
2. Ordne jede Auffälligkeit einer Kategorie zu: fehlender Wert, falscher Datentyp, uneinheitliches Format, fachlich unplausibler Wert oder Benennungsproblem.
3. Entscheide, welche Fehler eine automatische Verarbeitung verhindern würden.

2. Zielstruktur festlegen

Die Rohdaten sollen in folgende Zielstruktur überführt werden:

{
  "sku": "A-100",
  "name": "USB-C Kabel",
  "price": 7.99,
  "stock": 35,
  "active": true
}

1. Erstelle eine Zuordnungstabelle von Rohdatenfeld zu Zielfeld.
2. Notiere für jedes Zielfeld den erwarteten Datentyp.
3. Lege fest, wie ja, nein, true und false im Feld active behandelt werden.

3. Bereinigte JSON-Daten erzeugen

1. Wandle alle eindeutig gültigen Datensätze in ein JSON-Array um.
2. Dokumentiere kurz, warum fehlerhafte Datensätze ausgeschlossen oder korrigiert wurden.
3. Korrigiere nur Werte, bei denen die Absicht eindeutig erkennbar ist.

4. Validierungsregeln formulieren

1. Formuliere mindestens sechs Regeln, mit denen neue Produktdaten geprüft werden können.
2. Unterscheide zwischen technischen Regeln und fachlichen Regeln.
3. Formuliere zwei Fehlermeldungen so, dass Anwender erkennen, was sie verbessern müssen.

5. Automatisieren oder manuell prüfen?

1. Nenne zwei Prüfungen, die sich gut automatisieren lassen.
2. Nenne eine Prüfung, bei der menschliche Entscheidung sinnvoll sein kann.
3. Begründe, warum Datenqualität vor dem API-Import wichtig ist.