{"id":158771,"date":"2026-09-29T06:51:36","date_gmt":"2026-09-29T06:51:36","guid":{"rendered":"https:\/\/barc.com\/?p=158771"},"modified":"2026-09-29T08:42:33","modified_gmt":"2026-09-29T08:42:33","slug":"datenqualitatsmetriken","status":"publish","type":"post","link":"https:\/\/barc.com\/de\/datenqualitatsmetriken\/","title":{"rendered":"Datenqualit\u00e4tsmetriken: Ein Praxisleitfaden zu Dimensionen und Messung"},"content":{"rendered":"\n<h2 class=\"wp-block-heading\">Datenqualit\u00e4t messen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsmetriken quantifizieren die Leistung definierter Datens\u00e4tze, Datenelemente, Prozesse oder Anwendungsf\u00e4lle.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ausgangspunkt sind die Anforderungen des jeweiligen Anwendungsfalls. Ein B2B-E-Commerce-Unternehmen wickelt beispielsweise Bestellungen \u00fcber seinen Onlineshop ab. F\u00fcr jede Kundenbestellung wird eine prim\u00e4re E-Mail-Adresse ben\u00f6tigt.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Im n\u00e4chsten Schritt ordnet das Unternehmen diese Anforderung einer Datenqualit\u00e4tsdimension zu. Zu den g\u00e4ngigen Dimensionen z\u00e4hlen Genauigkeit, Vollst\u00e4ndigkeit, Konsistenz, Aktualit\u00e4t, Validit\u00e4t, Eindeutigkeit und Relevanz. Im Beispiel lautet die entscheidende Frage: Enth\u00e4lt jede Bestellung eine prim\u00e4re E-Mail-Adresse? Damit geht es um Vollst\u00e4ndigkeit.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Messen l\u00e4sst sich diese Vollst\u00e4ndigkeit mit einem einfachen Verh\u00e4ltnis: Die Anzahl der Bestellungen mit prim\u00e4rer E-Mail-Adresse wird durch die Gesamtzahl aller Bestellungen geteilt. Das Ergebnis liegt zwischen 0 % und 100 %.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"1024\" height=\"205\" src=\"https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-1024x205.png\" alt=\"\" class=\"wp-image-158777\" srcset=\"https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-1024x205.png 1024w, https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-300x60.png 300w, https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-768x154.png 768w, https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-1536x307.png 1536w, https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-2048x410.png 2048w, https:\/\/barc.com\/wp-content\/uploads\/2026\/09\/datenqualitaetsmetrik-formel-600x120.png 600w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn Data Engineers die Anforderungen einer Fachdom\u00e4ne analysieren, definieren sie zahlreiche Metriken. Einige sind wichtiger als andere. Manche machen \u00fcbergreifende Entwicklungen sichtbar. Im Beispiel k\u00f6nnte der Gesamtanteil ung\u00fcltiger Bestelldatens\u00e4tze einen breiteren Blick auf die Datenqualit\u00e4t er\u00f6ffnen. Bildet eine Metrik ein solches wichtiges Managementziel ab, kann sie als Key Performance Indicator (KPI) dienen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Messwerte selbst beruhen auf Regeln und Pr\u00fcfungen. Eine Regel beschreibt eine \u00fcberpr\u00fcfbare Bedingung f\u00fcr definierte Daten. Zum Beispiel:<\/p>\n\n\n\n<p class=\"has-background wp-block-paragraph\" style=\"background-color:#0064821f;padding-top:var(--wp--preset--spacing--50);padding-right:var(--wp--preset--spacing--50);padding-bottom:var(--wp--preset--spacing--50);padding-left:var(--wp--preset--spacing--50)\">Das Feld f\u00fcr die prim\u00e4re E-Mail-Adresse darf in keinem Bestelldatensatz leer sein.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Eine Pr\u00fcfung testet, ob die Daten diese Bedingung erf\u00fcllen, etwa \u00fcber eine SQL-Anweisung oder ein Python-Skript. In diesem Fall liefert sie f\u00fcr jeden Datensatz den Wert 0 oder 1. Die Metrik fasst diese Einzelergebnisse f\u00fcr alle relevanten Datens\u00e4tze zusammen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Was ist eine Datenqualit\u00e4tsmetrik?<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Eine Datenqualit\u00e4tsmetrik quantifiziert, wie gut ein definierter Datensatz, ein Datenelement, ein Prozess oder ein Anwendungsfall die gestellten Anforderungen erf\u00fcllt.<\/li>\n\n\n\n<li>Ein KPI ist eine ausgew\u00e4hlte Metrik, die mit einem wichtigen Managementziel verbunden ist.<\/li>\n\n\n\n<li>Eine Regel formuliert eine \u00fcberpr\u00fcfbare Bedingung. Eine Pr\u00fcfung wendet diese Regel auf die Daten an.<\/li>\n\n\n\n<li>Ein Zielwert beschreibt die gew\u00fcnschte Leistung. Ein Schwellenwert markiert den Punkt, an dem Aufmerksamkeit oder Handeln erforderlich ist.<\/li>\n\n\n\n<li>Eine Scorecard stellt ausgew\u00e4hlte Messgr\u00f6\u00dfen \u00fcbersichtlich zusammen.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Was sind die zentralen Datenqualit\u00e4tsdimensionen?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsdimensionen helfen dabei, Anforderungen zu strukturieren und Probleme genauer einzuordnen:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Genauigkeit:<\/strong> Ein Wert oder Datensatz gilt als korrekt, wenn er mit einer verl\u00e4sslichen Referenz oder Ground Truth \u00fcbereinstimmt.<\/li>\n\n\n\n<li><strong>Vollst\u00e4ndigkeit:<\/strong> Alle erforderlichen Attribute eines Datensatzes sind bef\u00fcllt. Vollst\u00e4ndigkeit kann sich auch darauf beziehen, ob eine Tabelle alle relevanten Datens\u00e4tze enth\u00e4lt. Dabei ist zwischen Zeilen- und Spaltenvollst\u00e4ndigkeit zu unterscheiden.<\/li>\n\n\n\n<li><strong>Konsistenz:<\/strong> Daten sind konsistent, wenn sie sich nicht widersprechen. Konsistenz ist immer kontextabh\u00e4ngig. Sie kann zwischen Attributen eines Datensatzes, zwischen mehreren Datens\u00e4tzen, zwischen Tabellen oder system\u00fcbergreifend gepr\u00fcft werden.<\/li>\n\n\n\n<li><strong>Aktualit\u00e4t:<\/strong> Ein Datensatz ist f\u00fcr seinen vorgesehenen Zweck aktuell genug. Da viele Systeme Daten stapelweise und nicht in Echtzeit verarbeiten, braucht Aktualit\u00e4t einen sinnvoll definierten Schwellenwert.<\/li>\n\n\n\n<li><strong>Validit\u00e4t:<\/strong> Daten entsprechen festgelegten Einschr\u00e4nkungen, Regeln und technischen Anforderungen. Das Spektrum reicht von einfachen Formatpr\u00fcfungen, etwa einer g\u00fcltigen E-Mail-Adresse, bis zu Gesch\u00e4ftsregeln wie der Vorgabe, dass das Lieferdatum nach dem Bestelldatum liegen muss.<\/li>\n\n\n\n<li><strong>Eindeutigkeit:<\/strong> Ein Datensatz existiert nur einmal. Es gibt kein Duplikat, das unerw\u00fcnschte Folgen ausl\u00f6sen k\u00f6nnte, etwa die doppelte Ausf\u00fchrung einer Bestellung.<\/li>\n\n\n\n<li><strong>Relevanz:<\/strong> Die Daten sind f\u00fcr die konkrete Aufgabe des Nutzers von Bedeutung.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">So eindeutig diese Dimensionen zun\u00e4chst erscheinen, sie sind nicht in jedem Kontext gleich wichtig.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In der BARC Studie <a href=\"https:\/\/barc.com\/de\/research\/harnessing-unstructured-data-for-ai-innovation\/\">Managing Unstructured Data<\/a> (2026, n=195) stellten die BARC Analysten Kevin Petrie und Merv Adrian die Frage: \u201eWie messen Sie die KI-Bereitschaft unstrukturierter Daten?\u201c 54 % der Befragten nannten Genauigkeit, 31 % Aktualit\u00e4t. Die \u00fcbrigen oben aufgef\u00fchrten Dimensionen lagen zwischen diesen Werten. Wie KI die Anforderungen an Datenqualit\u00e4t ver\u00e4ndert, erl\u00e4utert auch unser Beitrag \u00fcber <a href=\"https:\/\/barc.com\/de\/ki-datenqualitaet-erfolgsfaktoren\/\">Datenqualit\u00e4t f\u00fcr KI<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Entscheidend ist: Dieselben Daten k\u00f6nnen f\u00fcr einen Zweck ausreichen und f\u00fcr einen anderen ungeeignet sein. Isoliert betrachtet sind Datenqualit\u00e4tsdimensionen jedoch wenig aussagekr\u00e4ftig. Sie liefern deshalb keine allgemeing\u00fcltige Definition hochwertiger Daten. Sie dienen vielmehr als Denkmodell, um Anforderungen und Probleme zu analysieren und daraus passende Prozesse, Metriken, Regeln und Pr\u00fcfungen abzuleiten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">So w\u00e4hlen Sie Metriken f\u00fcr gesch\u00e4ftskritische Daten aus<\/h3>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Benennen Sie die Gesch\u00e4ftsentscheidung, den Prozess, den Bericht oder den KI-Anwendungsfall, den die Daten unterst\u00fctzen sollen.<\/li>\n\n\n\n<li>Identifizieren Sie die kritischen Datenelemente, deren Fehler oder Ausfall das Ergebnis ver\u00e4ndern k\u00f6nnte.<\/li>\n\n\n\n<li>Beschreiben Sie die m\u00f6glichen Folgen und definieren Sie, was \u201ef\u00fcr den Zweck geeignet\u201c in diesem Kontext konkret bedeutet.<\/li>\n\n\n\n<li>W\u00e4hlen Sie nur die Dimensionen aus, die relevante Fehlerm\u00f6glichkeiten sichtbar machen.<\/li>\n\n\n\n<li>Formulieren Sie die Regel und legen Sie fest, mit welchen Pr\u00fcfungen sie getestet wird.<\/li>\n\n\n\n<li>Definieren Sie die Metrik einschlie\u00dflich Berechnung und Berichterstattung sowie die Reaktion auf einen \u00fcberschrittenen Schwellenwert.<\/li>\n\n\n\n<li>Benennen Sie den Verantwortlichen, der das Ergebnis pr\u00fcft, sowie die Entscheidung, in die es einflie\u00dft.<\/li>\n\n\n\n<li>Stellen Sie sicher, dass die Metrik verst\u00e4ndlich, reproduzierbar, empfindlich gegen\u00fcber wesentlichen Ver\u00e4nderungen und wirtschaftlich zu pflegen ist.<\/li>\n<\/ol>\n\n\n\n<h3 class=\"wp-block-heading\">Ausgangswerte, Zielwerte und Schwellenwerte festlegen<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Eine Metrik allein ist zun\u00e4chst nur eine Zahl. Erst der passende Kontext macht sie entscheidungsrelevant.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wichtige Bezugspunkte sind:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Zielwert:<\/strong> Der gew\u00fcnschte Wert oder Wertebereich.<\/li>\n\n\n\n<li><strong>Ausgangswert:<\/strong> Das anf\u00e4ngliche oder typische Leistungsniveau.<\/li>\n\n\n\n<li><strong>Schwellenwert:<\/strong> Eine Grenze zwischen Leistungsbereichen, die erkennen l\u00e4sst, wie kritisch ein Ergebnis ist.<\/li>\n\n\n\n<li><strong>Warnmeldung:<\/strong> Eine Benachrichtigung oder automatisierte Aktion, die beim \u00dcberschreiten eines Schwellenwerts ausgel\u00f6st wird.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Setzen Sie Warnmeldungen mit Bedacht ein. Zu viele irrelevante Meldungen f\u00fchren zu Alarmm\u00fcdigkeit und erschweren es, wesentliche Probleme zu erkennen. Wer morgens neben dem ersten Kaffee bereits 20 irrelevante Datenqualit\u00e4tswarnungen erh\u00e4lt, verliert Zeit und ist schnell frustriert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Selbst bei einer einfachen Metrik ist es aufwendig, diese Bezugspunkte sauber festzulegen. Der Aufwand lohnt sich: Teams k\u00f6nnen dadurch normale Schwankungen von Entwicklungen unterscheiden, die konkretes Handeln erfordern.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Betrachten Sie nicht nur den aktuellen Messwert, sondern verfolgen Sie auch seine Entwicklung \u00fcber die Zeit. So lassen sich Verschlechterungen erkennen, bevor ein Schwellenwert erreicht ist. Auch Anomalien und wiederkehrende Muster werden sichtbar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In der Praxis kommen inzwischen kontinuierliche Messungen und Anomalieerkennung in gesamten Datenlandschaften zum Einsatz. Dieser Ansatz \u00e4hnelt der technischen \u00dcberwachung von Maschinen und den Observability-Praktiken anderer IT-Systeme. Mehr \u00fcber Datenbeobachtbarkeit erfahren Sie im umfragegest\u00fctzten BARC Bericht <a href=\"https:\/\/barc.com\/de\/research\/observability-ai-trends-requirements-practices\/\"><strong>Observability for AI Innovation \u2013 Adoption Trends, Requirements and Best Practices<\/strong><\/a>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Von der Messung zur Verbesserung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Metriken, Schwellenwerte und Benachrichtigungen zu definieren, erfordert Zeit. Noch anspruchsvoller ist es, sie zur Verbesserung von Gesch\u00e4ftsergebnissen einzusetzen. Der Lebenszyklus des <a href=\"https:\/\/barc.com\/de\/datenqualitaetsmanagement-definition-lebenszyklus-verantwortung\/#der-lebenszyklus-des-datenqualitaetsmanagements\">Datenqualit\u00e4tsmanagements<\/a> verkn\u00fcpft Messergebnisse mit ihren gesch\u00e4ftlichen Auswirkungen und strukturiert die Aufgaben, mit denen Unternehmen ihre Datenqualit\u00e4t verbessern k\u00f6nnen. Der Artikel &#8222;<a href=\"https:\/\/barc.com\/de\/datenqualitaetsmanagement-definition-lebenszyklus-verantwortung\/\">Datenqualit\u00e4tsmanagement: Definition, Lebenszyklus und Verantwortung<\/a>&#8220; zeigt, wie sich dieser Lebenszyklus in der Praxis umsetzen l\u00e4sst.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Datenqualit\u00e4tsmanagement im Wandel<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsmanagement geh\u00f6rt im <a href=\"https:\/\/barc.com\/de\/research\/data-bi-analytics-trend-monitor-2026\/\">BARC Data, BI, and Analytics Trend Monitor<\/a> seit mehreren Jahren zu den f\u00fchrenden Themen. Die anhaltend hohe Platzierung macht deutlich, wie schwer es vielen Unternehmen weiterhin f\u00e4llt, die Verl\u00e4sslichkeit datenbasierter Entscheidungen abzusichern.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gleichzeitig entwickelt sich die Disziplin weiter. Einen aktuellen \u00dcberblick bietet der <a href=\"https:\/\/barc.com\/de\/research\/barc-data-quality-management-compass\/\">BARC Compass Data Quality Management<\/a>. Er beschreibt acht Prozesse und Technologien, die das Datenqualit\u00e4tsmanagement derzeit pr\u00e4gen, ordnet sie in die BARC Prim\u00e4rforschung ein, gibt einen \u00dcberblick \u00fcber relevante Softwareanbieter und unterst\u00fctzt so die Softwareauswahl. Unternehmen, die daf\u00fcr geeignete Werkzeuge evaluieren, k\u00f6nnen au\u00dferdem in den BARC Reviews zu Datenqualit\u00e4t und Observability <a href=\"https:\/\/barc.com\/de\/reviews\/data-quality-observability\/\">Datenqualit\u00e4tsl\u00f6sungen vergleichen<\/a>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">FAQ<\/h2>\n\n\n<div id=\"rank-math-faq\" class=\"rank-math-block\">\n<div class=\"rank-math-list \">\n<div id=\"faq-question-1790664435524\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was sind Datenqualit\u00e4tsmetriken?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Eine Datenqualit\u00e4tsmetrik zeigt, wie gut ein definierter Datensatz, ein Datenelement oder ein Prozess die Anforderungen seines vorgesehenen Verwendungszwecks erf\u00fcllt. Jede Metrik geh\u00f6rt zu einer Dimension wie Genauigkeit oder Vollst\u00e4ndigkeit. Regeln und Pr\u00fcfungen bilden die Grundlage f\u00fcr ihre Berechnung. Der Anteil der Kundenbestellungen mit einer prim\u00e4ren E-Mail-Adresse misst beispielsweise die Vollst\u00e4ndigkeit dieses Attributs.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1790664451294\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was sind die wichtigsten Datenqualit\u00e4tsdimensionen?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Zu den h\u00e4ufigsten Dimensionen z\u00e4hlen Genauigkeit, Vollst\u00e4ndigkeit, Konsistenz, Aktualit\u00e4t, Validit\u00e4t, Eindeutigkeit und Relevanz. Jede beantwortet eine andere Frage. Keine einzelne Dimension bildet Datenqualit\u00e4t vollst\u00e4ndig ab. In der BARC Studie \u00fcber unstrukturierte Daten aus dem Jahr 2026 (n=195) kombinierten die Befragten mehrere Dimensionen, um die KI-Bereitschaft zu bewerten. 54 % nannten Genauigkeit, 31 % Aktualit\u00e4t. Welche Dimensionen entscheidend sind, bestimmt der jeweilige Anwendungsfall.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1790664465888\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Wie l\u00e4sst sich Datenqualit\u00e4t messen?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Beginnen Sie mit der Gesch\u00e4ftsentscheidung, dem Prozess, dem Bericht oder dem KI-Anwendungsfall, den die Daten unterst\u00fctzen sollen. Identifizieren Sie anschlie\u00dfend die kritischen Datenelemente, deren Fehler oder Ausfall das Ergebnis ver\u00e4ndern k\u00f6nnte. W\u00e4hlen Sie die Dimensionen aus, die diese Risiken sichtbar machen. Definieren Sie dann eine Regel, geeignete Pr\u00fcfungen und eine Metrik, die die Ergebnisse anhand einer dokumentierten Berechnung zusammenfasst. Legen Sie abschlie\u00dfend einen Ausgangswert, einen Zielwert und Eskalationsschwellen fest. Bestimmen Sie au\u00dferdem, wer die Ergebnisse pr\u00fcft und verantwortet.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1790664490014\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was unterscheidet Datenqualit\u00e4tsmetrik, KPI, Regel und Schwellenwert?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Eine Regel formuliert eine \u00fcberpr\u00fcfbare Bedingung, zum Beispiel: Die prim\u00e4re E-Mail-Adresse darf nicht leer sein. Eine Pr\u00fcfung wendet diese Regel auf jeden Datensatz an. Eine Metrik fasst die Ergebnisse zu einem Wert zusammen, etwa zum Anteil der Bestellungen mit E-Mail-Adresse. Ein KPI ist eine Metrik, die mit einem wichtigen Managementziel verbunden ist. Ein Schwellenwert markiert den Punkt, an dem eine Warnmeldung oder eine festgelegte Reaktion ausgel\u00f6st wird.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1790664502822\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Wie sollte ein Unternehmen Schwellenwerte f\u00fcr die Datenqualit\u00e4t festlegen?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Schwellenwerte sollten sich an den Folgen eines Fehlers orientieren. Dazu z\u00e4hlen betroffene Nutzer, Umsatz, Betriebsrisiken und regulatorische Risiken. Ein Warnschwellenwert sollte eine Pr\u00fcfung ansto\u00dfen. Ein Eskalationsschwellenwert sollte eine festgelegte Reaktion ausl\u00f6sen. Testen Sie jeden Schwellenwert auf Fehlalarme und \u00fcbersehene Fehler. Zu empfindlich gesetzte Schwellenwerte erzeugen unn\u00f6tiges Rauschen und k\u00f6nnen die wirklich wichtigen Probleme verdecken.<\/p>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"<p> Datenqualit\u00e4tsmetriken zeigen, ob Daten f\u00fcr ihren vorgesehenen Zweck geeignet sind. Dieser Leitfaden erkl\u00e4rt, wie Sie relevante Dimensionen ausw\u00e4hlen, Metriken und KPIs definieren, Ausgangswerte und Schwellenwerte festlegen und eine Scorecard entwickeln, die Ma\u00dfnahmen anst\u00f6\u00dft.<\/p>\n","protected":false},"author":30,"featured_media":131805,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[48,47,462,463,150,467],"tags":[],"plus":[],"content_typ":[481,209],"layoutvorlage":[],"class_list":["post-158771","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-datenmanagement","category-business-intelligence","category-bi-analytics","category-data-management","category-data-driven-enterprise","category-data-driven-enterprise-en","content_typ-article","content_typ-artikel"],"acf":[],"_links":{"self":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/158771","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/users\/30"}],"replies":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/comments?post=158771"}],"version-history":[{"count":5,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/158771\/revisions"}],"predecessor-version":[{"id":158807,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/158771\/revisions\/158807"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media\/131805"}],"wp:attachment":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media?parent=158771"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/categories?post=158771"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/tags?post=158771"},{"taxonomy":"plus","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/plus?post=158771"},{"taxonomy":"content_typ","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/content_typ?post=158771"},{"taxonomy":"layoutvorlage","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/layoutvorlage?post=158771"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}