=Paper=
{{Paper
|id=Vol-2126/paper4
|storemode=property
|title=Investigations of Concept Development to Improve Data Quality in Research Information Systems (Untersuchungen zur Konzeptentwicklung für eine
Verbesserung der Datenqualität in
Forschungsinformationssystemen)
|pdfUrl=https://ceur-ws.org/Vol-2126/paper4.pdf
|volume=Vol-2126
|authors=Otmane Azeroual,Gunter Saake,Mohammad Abuosba
|dblpUrl=https://dblp.org/rec/conf/gvd/AzeroualSA18
}}
==Investigations of Concept Development to Improve Data Quality in Research Information Systems (Untersuchungen zur Konzeptentwicklung für eine
Verbesserung der Datenqualität in
Forschungsinformationssystemen)==
https://ceur-ws.org/Vol-2126/paper4.pdf
Investigations of concept development to improve data
quality in research information systems
Otmane Azeroual Gunter Saake Mohammad Abuosba
Deutsches Zentrum für Hochschul Otto von Guericke Universität Hochschule für Technik und
und Wissenschaftsforschung GmbH Magdeburg, Fakultät Informatik Wirtschaft Berlin
Schützenstraße 6a, D10117 Berlin P.O. Box 4120, Wilhelminenhofstraße 75a, D12459
D39016 Magdeburg Berlin
Azeroual@dzhw.eu
Saake@ovgu.de Mohammad.Abuosba@HTW
Berlin.de
ABSTRACT
The implementation of research information systems at German
universities and research institutions is currently a topical
subject. With their help, the documentation and reporting of the
research activities of the respective institution can be supported
and a significant part of the data incurring there can be managed.
As there are usually many data sources available and the
collection, transmission, and integration of research information
in different research information systems can lead to different
data errors which can have various negative effects on data
quality. It is necessary to recognize these errors early and to
handle them efficiently, so that users can get better results. For
this reason, this paper examines data quality in research
information systems and introduces measurement and
enhancement methods that enable organizations to secure their
quality of data.
30th GI-Workshop on Foundations of Databases (Grundlagen von
Datenbanken), 22.05.2018-25.05.2018, Wuppertal, Germany.
Copyright is held by the author/owner(s).
Untersuchungen zur Konzeptentwicklung für eine
Verbesserung der Datenqualität in
Forschungsinformationssystemen
Otmane Azeroual Gunter Saake Mohammad Abuosba
Deutsches Zentrum für Hochschul Otto von Guericke Universität Hochschule für Technik und
und Wissenschaftsforschung GmbH Magdeburg, Fakultät Informatik Wirtschaft Berlin
Schützenstraße 6a, D10117 Berlin P.O. Box 4120, Wilhelminenhofstraße 75a, D12459
D39016 Magdeburg Berlin
Azeroual@dzhw.eu
Saake@ovgu.de Mohammad.Abuosba@HTW
Berlin.de
ABSTRACT Forschungsinformationssysteme ermöglichen eine ganzheitliche
Die Implementierung von Forschungsinformationssystemen an Darstellung der Forschungsaktivitäten und -ergebnisse an einer
deutschen Hochschulen und Forschungseinrichtungen ist derzeit wissenschaftlichen Einrichtung. Sie bilden die
ein aktuelles Thema. Mit ihrer Hilfe können die Dokumentation Forschungsaktivitäten nicht nur für Einrichtungen, sondern auch
und Berichterstattung der Forschungsaktivitäten der jeweiligen für Forscher aktuell, zentral und übersichtlich ab. Durch die
Einrichtung unterstützt und ein bedeutender Teil der dort zentrale Abbildung im System ist eine Arbeitserleichterung für
anfallenden Daten verwaltet werden. Da hierfür meist sehr viele die Forschenden möglich. Daten werden mit dem FIS einmal
Datenquellen zur Verfügung stehen und bei der Erfassung, der eingegeben und können mehrfach verwendet werden, z.B. auf
Übertragung sowie der Integration von Forschungsinformationen Websites, für Projektanträge oder Berichtsprozesse. Eine
in unterschiedlichen Forschungsinformationssystemen doppelte Datenhaltung und damit eine Mehrarbeit für die
verschiedene Datenfehler entstehen können, welche vielfältige Anwender soll vermieden werden.
negative Wirkungen auf die Datenqualität haben können, ist es Die Bausteine einer FIS-Architektur kann als dreistufiges
notwendig, diese Fehler frühzeitig zu erkennen und effizient zu Gebilde gesehen werden. Diese werden mit folgenden
behandeln, sodass die Nutzer bessere Ergebnisse erhalten Komponenten unterschieden:
können. Aus diesem Grund wird in diesem Beitrag die Datenzugriffsschicht
Datenqualität in Forschungsinformationssystemen untersucht Anwendungsschicht
sowie Methoden zur Messung und Verbesserung vorgestellt, mit Präsentationsschicht
denen Einrichtungen ihre Qualität der Daten sichern können.
Die folgende Abbildung (vgl. Abb.1) gibt einen Überblick über
Keywords die einzelnen Bausteine und zeigt, welche Komponenten zu
Current Research Information Systems (CRIS); welchem Prozessschritt gehören.
Forschungsinformationssystem (FIS); Datenmanagement;
Forschungsinformationen; Datenqualität; Nutzerakzeptanz;
Qualitätsmessung; Qualitätsverbesserung; Qualitätskontrolle
1. EINLEITUNG
Das Thema „Forschungsdatenbank und
Forschungsinformationssysteme” ist keinesfalls neu. Heutzutage
hat sich sowohl in der Praxis als auch in der Forschung der
Begriff FIS etabliert. Im internationalen Raum wird für
Forschungsinformationssysteme der Begriff des „Current
Research Information Systems” (CRIS) verwendet. Unter einem
Forschungsinformationssystem wird eine spezialisierte
Datenbank oder ein „spezielles föderiertes Informationssystem“
[6] verstanden, mit dessen Hilfe Informationen zu
Forschungsaktivitäten und Forschungsergebnissen erhoben,
verwaltet und bereitgestellt werden. Die hierbei betrachteten
Informationen stellen Metadaten über Forschungsaktivitäten wie
z.B. Projekte, Drittmittel, Patente, Partner, Preise, Publikationen,
Promotionen und Habilitationen etc. dar und werden als
Forschungsinformationen bzw. Forschungsdaten bezeichnet.
Abbildung 1: FIS-Architektur (eigene Darstellung)
30th GI-Workshop on Foundations of Databases (Grundlagen von
Datenbanken), 22.05.2018-25.05.2018, Wuppertal, Germany.
Copyright is held by the author/owner(s).
In der Datenzugriffsschicht befinden sich die internen und werden, z.B. insbesondere von Nutzern eines FIS, aber auch vom
externen Datenquellen (operative Systeme). Diese Ebene enthält FIS-Administrator. Daten von schlechter Qualität enthalten
beispielsweise Datenbestände aus der Verwaltung oder Fehler, welche im FIS analysiert und anschließend durch eine
Publikationsrepositorien von Bibliotheken, Identifier wie z.B. Datenbereinigung behoben werden müssen. Im Folgenden wurde
ORCID oder bibliographische Daten aus dem Web of Science durch eine Umfrage, die europaweit durchgeführt wurde, die
bzw. Scopus etc. typischen Qualitätsprobleme von Daten zum FIS ermittelt (siehe
Angebote für die standardisierte Erhebung, Vorhaltung und den Abb. 2).
Austausch von Forschungsinformationen in FIS sind das
Kerndatensatz-Forschung (KDSF)-Datenmodell und das
Common European Research Information Format (CERIF)-
Datenmodell [12]. In diesen beiden Modellen werden die
Entitäten sowie deren Beziehung zueinander beschrieben.
Eine Befüllung des FIS erfolgt über einen klassischen ETL-
Prozess.
Die Anwendungsschicht enthält das
Forschungsinformationssystem und dessen Anwendungen, die die Abbildung 2: Umfrage zu den Datenqualitätsproblemen in
auf der zugrundeliegenden Ebene gehaltenen Daten FIS (eigene Darstellung)
zusammenführen, verwalten und analysieren. In der
Präsentationsschicht sind die zielgruppenspezifischen 3. QUALITÄTSMESSUNG
Aufbereitungen und Darstellungen der Analyseergebnisse für den Bevor eine aussagekräftige Messung der Datenqualität
Anwender abgebildet. Diese werden mithilfe von den Business- durchgeführt werden kann, müssen die Dimensionen klar
Intelligence-Werkzeugen in Form von Berichten verfügbar definiert werden. Dabei müssen die Einrichtungen entscheiden,
gemacht. Neben diversen Möglichkeiten des Reportings lassen welche Datenqualitätsdimensionen wichtig sind und wie diese
sich hier ebenfalls Portale und Webseiten der Einrichtungen gemessen werden sollen.
befüllen. Im Rahmen dieses Beitrags werden nur die vier
Datenqualitätsdimensionen (Vollständigkeit, Aktualität,
Um ein Forschungsinformationssystem einzuführen, bedeutet das Korrektheit/Fehlerfreiheit und Konsistenz) mit deren einfachen
für wissenschaftliche Einrichtungen, ihre benötigten Metriken im Kontext FIS betrachtet (wie in der Tabelle 1
Informationen über Forschungsaktivitäten und dargestellt).
Forschungsergebnisse in gesicherter Qualität zur Verfügung zu
stellen. Eine einmalige Bereinigung ist dabei nicht ausreichend, Tabelle 1: Dimensionen der Datenqualität im FIS-Kontext
Daten müssen fortlaufend gepflegt werden. Die wachsenden (In Anlehnung an [5][10][13][14][18])
Datenmengen und die zunehmende Anzahl an Quellsystemen Datenqualitäts- Definition Metriken
wird für Einrichtungen immer mehr zu einer Herausforderung. dimensionen
Zum Beispiel können sich manche Datenfehler wie z.B. fehlende Forschungsinform
ationen sind
Werte, Dubletten, Schreibfehler, fehlerhafte Formatierung und QVollständigkeit = 1 – (Anzahl
vollständig, wenn
Widersprüche etc. sich über verschiedene Bereiche erstecken und unvollständiger Einheiten) /
sie nicht fehlen
schwer auffindbar sein [2]. Wenn die Nutzer nicht in der Lage (Anzahl überprüfter
und zu den Einheiten)
sind, auf die am dringendsten benötigten Informationen Vollständigkeit festgelegten
zuzugreifen und schnelle Entscheidungen zu treffen, sinkt der Zeitpunkten in den
Wert der verwendeten Daten und das Vertrauen in das FIS und jeweiligen Prozess- Erreichungsgrad = 0 -
Schritten zur
dessen Akzeptanz. 100%
Verfügung stehen.
Forschungsinform QKorrektheit = 1 – (Anzahl
Vor diesem Hintergrund sollte das Thema Datenqualität mit ationen sind unkorrekter in
hoher Priorität behandelt werden. Hierzu werden in diesem Korrektheit / korrekt und Dateneinheiten) /
Beitrag Methoden zur Messung verschiedener Dimensionen der Fehlerfreiheit fehlerfrei, wenn sie (Gesamtanzahl
Datenqualität und zu deren Verbesserung betrachtet, sodass diese mit der Realität Dateneinheiten)
dann an nutzenden Einrichtungen vorgestellt werden können. übereinstimmen. Erreichungsgrad = 0 -
100%
2. DATENQUALITÄTSPROBLEME IN Forschungsinform
FORSCHUNGSINFORMATIONSSYSTEME ationen sind QAktualität (W,A) =
Daten in einem Datenbanksystem zu erfassen, zu integrieren, zu aktuell, wenn sie
Aktualität die tatsächliche e(-decline(A).age(W,A)
speichern und zu analysieren, ist an sich ein normaler Vorgang. Eigenschaft des
In jeder Einrichtung werden Personaldaten, Informationen zu beschriebenen Erreichungsgrad = 0 -
ihren wissenschaftlichen Aktivitäten, Projekten und Objektes zeitnah 100%
Publikationen eingegeben und erfasst. Die Verarbeitung und abbilden.
Verwaltung dieser Daten müssen in der Regel in guter Qualität
sein, damit die Nutzer qualitative Ergebnisse erhalten können. Forschungsinform
ationen sind QKonsistenz = 1 – (Anzahl
Im Kontext der FIS wird die Datenqualität als die Eignung dieser konsistent inkonsistenter Einheiten) /
Daten zur Verwendung bei bestimmten geforderten Konsistenz dargestellt, wenn (Anzahl durchgeführter
Verwendungszielen definiert. Diese müssen fehlerfrei, sie fortlaufend auf Konsistenzprüfungen)
dieselbe Art und
vollständig, korrekt, aktuell und konsistent sein. Anforderungen Weise abgebildet
können dabei von unterschiedlichen Beteiligten aufgestellt werden. Erfüllungsgrad = 0 - 100%
Diese vier Dimensionen wurden deshalb untersucht, weil sie Einem zentralen FIS liegen die Daten der gesamten
zum einen in wissenschaftlichen Veröffentlichungen und in einer Forschungseinrichtungen vor. Aus diesem Grund eignen sich hier
internationalen Umfrage, besonders intensiv diskutiert wurden Messungen, die mehrere Bereiche einer Forschungseinrichtung
(siehe Abb. 3) und zum anderen, hat sich bei diesen vier betreffen und die miteinander verglichen werden können. Somit
ausgewählten Metriken herausgestellt, dass diese wäre hier die Möglichkeit gegeben, verschiedene Quellsysteme
außergewöhnlich einfach zu messen sind und eine besonders auf ihre Widerspruchsfreiheit zu prüfen [1].
repräsentative Abbildung der Berichterstattung für die FIS- Im letzten Schritt des FIS-Prozesses wird die Datenpräsentation
Nutzer abbilden bzw. zu einer verbesserten (FIS-Frontend) dargestellt. Mittels von Portalen, Reporting und
Entscheidungsgrundlage führen [5]. weiteren Front-End-Anwendungen, werden die aus dem System
kommenden Informationen visualisiert. Hier werden dem
Anwender die aufbereiteten Informationen und Analysen in
übersichtlicher Form durch verschiedene
Anwendungskomponenten zur Verfügung gestellt. Im Bereich
FIS-Frontend können Messungen bzw. Prüfmechanismen durch
Personen durchgeführt werden. Im einfachsten Fall werden
Untersuchungen der Kennzahlen in Bereichen vorgenommen.
Darüber hinaus können Kennzahlen der FIS-Anwendung mit den
Abbildung 3: Umfrage der wichtigsten Quellsystemen verglichen werden. In diesem Fall ist eine Person
Datenqualitätsdimensionen zur Messung und Prüfung der mit fachlichen und technischen Kenntnissen nötig [1].
Qualität der Daten in FIS (eigene Darstellung)
4. QUALITÄTSVERBESSERUNG
Bei den Messpunkten der Datenqualität wird auf die FIS- Aufgrund der Sammlung, Integration und Speicherung von
Architektur zurückgegriffen. Mittels dieser werden Messbereiche unterschiedlichen internen Datenquellen der Einrichtungen und
aufgezeigt, die für eine Messung und Überwachung der von externen Quellen im FIS sind Probleme, wie in Kapitel 2
Datenqualität geeignet sind. aufgeführt worden ist, zu bewältigen. Nun gilt es, in diesem
Die Messmöglichkeiten im FIS befinden sich in folgenden Schritt die Ursachen zu bekämpfen und für die Verbesserung der
Bereichen: Datenqualität im FIS zu sorgen.
Interne und externe Datenquellen (oder auch Der Prozess der Identifikation und Berichtigung von Fehlern mit
Quellsysteme) dem Ziel, die Qualität von vorgegebenen Datenquellen im FIS zu
Zentrales Forschungsinformationssystem erhöhen wird als Datenbereinigung (engl. „Data Cleaning“ oder
FIS-Frontend „Data Cleansing“) bezeichnet [9][15]. Data Cleansing erfasst alle
nötigen Aktivitäten, um „verunreinigte“ Daten wie zum Beispiel,
Das FIS sammelt Informationen über die zu Einrichtungen und nicht vollständig, inkorrekt, nicht aktuell, inkonsistent oder
ihren Wissenschaftlern affiliierten Forschungsaktivitäten und redundant, zu bereinigen. Der Data Cleansing Prozess lässt sich
Forschungsergebnisse durch eine automatisierte grob wie folgt gliedern [9]:
Synchronisierung der im Bestand vorhandenen Datenmengen mit
verschiedenen externen Datenquellen [8]. Für einen 1. Definieren und Bestimmen des eigentlichen Problems
automatisierten Datenimport aus bestehenden Systemen kann bzw. Messkriteriums
eine Anbindung von internen, sowie externen 2. Suchen und Identifizieren von fehlerhaften Instanzen
Anwendungssystemen realisiert werden [11]. Diese 3. Korrektur der gefundenen Fehler
Anwendungssysteme, die zur Erfassung von
Forschungsinformationen idealerweise einbezogen werden Im Rahmen der Datenbereinigung werden spezielle Methoden
können, sind das Campusmanagement-System sowie das und Technologien innerhalb des Datenbereinigungsprozesses
Identitätsmanagement-System als interne Systeme sowie eingesetzt. [16] unterteilen diese in folgende Phasen:
öffentliche Publikations- und Projektdatenbanken [11]. Im Fall
Syntaxanalyse
der Publikationen sind das beispielsweise Web of Science,
Scopus oder PubMed, sowie das Finanzsystem der Das Parsing bildet die erste kritische Komponente der
Drittmittelverwaltung für die Daten zu Drittmittelprojekten und Datenbereinigung und hilft dem Anwender, die Attribute genauer
das Personalverwaltungssystem für Informationen über das zu verstehen und zu transformieren. Dieser Prozess lokalisiert,
wissenschaftliche Personal. identifiziert und isoliert einzelne Datenelemente, wie zum
Beispiel Namen, Adressen, PLZ und Ort.
Im Bereich der Quellsysteme ist eine Kontrolle sehr vorteilhaft,
da eine Verbesserung der Datenqualität bereits in diesem Bereich Berichtigung / Standardisierung
dafür sorgen würde, dass die Daten für alle Systeme und Hier ist es notwendig, die geparsten Daten auf ihre Korrektheit
Bereiche, die sie anschließend nutzen wollen, korrekt sind. zu überprüfen, zu korrigieren und anschließend zu
Abgesehen von der technischen Umsetzung wären im Bereich standardisieren. Standardisierung bildet die Voraussetzung für
der Quellsysteme Kontrollen bei der Datenerfassung äußerst ein erfolgreiches Matching und es führt kein Weg an der
sinnvoll. Hierzu könnten Masken bzw. Formatvorlagen Verwendung einer zweiten verlässlichen Datenquelle vorbei. Für
geschaffen werden, wie beispielsweise Datumseingaben Adressdaten empfiehlt sich eine postalische Validierung.
(JJJJMMTT) [1].
Anreicherung maschinell und manuell erfolgen. Hier findet keine längere
Datenanreicherung bezeichnet den Prozess, der vorhandene Überwachung der Datenqualität statt und die Maßnahmen
Daten mit Daten anderer Quellen erweitert. Hier werden werden stets nur akut und punktuell vorgenommen.
zusätzliche Daten hinzugefügt um bestehende Informationslücken Pro-aktive Maßnahmen
zu schließen. Typische Anreicherungswerte sind demografische, Für wichtige und sich häufig ändernde Daten bieten sich dagegen
geografische oder Adressinformationen. proaktive Maßnahmen an. Hier werden vornehmlich Maßnahmen
Abgleich zur Beseitigung der Fehlerquellen und zur Verhinderung der
Hier gibt es verschiedene Typen von Matching: zum Entstehung solcher Fehler vorgenommen. Es findet eine
Reduplizieren, zum Abgleichen gegenüber verschiedenen kontinuierliche Überwachung auf mögliche Fehler statt sowie
Datenmengen, zum Konsolidieren oder zum Gruppieren. Die kontinuierliche Ergreifung von Maßnahmen zu deren Beseitigung
Anpassung ermöglicht das Erkennen von gleichen Daten. Zum und Verhinderung.
Beispiel können Redundanzen erkannt und zu weiteren Diese Bereinigungsmaßnahmen sind nur bedingt für die
Informationen verdichtet werden. Verbesserung von unvollständigen, fehlenden, inkorrekten,
Zusammenführung inaktuellen oder inkonsistenten Daten einzusetzen. Die
Entscheidung für den Einsatz einer bestimmten Maßnahme muss
Durch die Zusammenführung werden übereinstimmende von einem Domänenexperten getroffen werden, welcher mit den
Datenelemente mit Zusammenhängen erkannt und Geschäftsprozessen seiner Organisation vertraut ist und bewerten
zusammengeführt (merge). kann, inwiefern Qualitätsmängel diese negativ beeinflussen
All diese Methoden sind wesentlich für die Erreichung und würden [7] [17].
Aufrechterhaltung maximaler Datenqualität im FIS. Durch die
Bereinigung werden Fehler bei der Erfassung, Integration und 5. FAZIT
Speicherung mehrerer Datenquellen im FIS eliminiert. In der Forschung wird überwiegend von einem direkten positiven
Wirkungszusammenhang zwischen Datenqualität und FIS
Um die kontinuierliche Überwachung zu behalten, bedarf es zur diskutiert. Viele wissenschaftliche Einrichtungen erkannten die
Sicherung, Verbesserung und Steigerung der Datenqualität im Wichtigkeit der Datenqualität für ihre gespeicherten Daten im
FIS neben den Methoden des Data Cleansing, bestimmte FIS. Wo auch immer Daten entstehen oder verarbeitet werden,
Maßnahmen zu ergreifen. Hierfür werden drei Maßnahmen entstehen auch Datenfehler. Um diese Fehler zu entdecken und
betrachtet und die Wahl des optimalen Vorgehens hängt von der zu korrigieren, werden technische und organisatorische
Änderungshäufigkeit der Daten und ihrer Bedeutung für den Methoden eingesetzt, die die Fehlerursachen bekämpfen, um für
Nutzer ab, wie in Abbildung 4 dargestellt. hohe Datenqualität zu sorgen.
Die Sicherung von Datenqualität im FIS lässt in diesem Beitrag
darauf schließen, dass die zwei Phasen
(Qualitätsdefinition/Qualitätsmessung und
Qualitätsverbesserung) der geeignetste Weg zum Erfolg ist (wie
in Abbildung 5 veranschaulicht).
Abbildung 4: Maßnahmenportfolio (In Anlehnung an [3][17])
Laissez-Faire
Beim Laissez-Faire-Prinzip werden die auftretenden Fehler ohne
Behandlung hingenommen. Das heißt sie werden schlichtweg
ignoriert oder wenn, dann nur nebenbei behoben, um den
Geschäftsprozess nicht zu stoppen. Dieses Prinzip gilt allerdings
nur für wenige und sich selten ändernde Daten. Abbildung 5: Sicherung von Datenqualität im FIS (eigene
Darstellung)
Re-aktive Maßnahmen
Das dargestellte Modell wird hier analog bei der Datenerfassung
Für wichtige und sich nur selten ändernde Daten eignen sich die
in die Prozesse des FIS integriert und innerhalb des gesamten
reaktiven Maßnahmen. Das reaktive Vorgehen beschreibt die
Zyklus, der Messung und Verbesserung, der Daten sichergestellt.
Handlungen, die nötigt werden, wenn es einmalig zu einem
Mit dessen Umsetzung kann ehemals lästiges
Datenqualitätsproblem kommt. Diese Bereinigung kann
Qualitätsmanagement zur treibenden Kraft einer Informationsqualität in heterogenen Datenbeständen unter
wissenschaftlichen Einrichtung werden. Verwendung eines vollständig webbasierten Werkzeuges.
Vieweg+Teubner / GWV Fachverlage GmbH, Wiesbaden,
6. LITERATUR 2009.
[1] Apel, D., Behme, W., Eberlein, R. and Merighi, C. 2015. [10] Heinrich, B. and Klier, M. 2009. Die Messung der
Datenqualität erfolgreich steuern. Praxislösungen für Datenqualität im Controlling – Ein metrikbasierter Ansatz
Business Intelligence-Projekte, 3., überarbeiteten und und seine Anwendung im Kundenwertcontrolling.
erweiterten Auflage, dpunkt.verlag, 2015. Controlling & Management, Augsburg, 2009.
[2] Azeroual, O. and Abuosba, M. 2017. Improving the Data [11] Herwig, S. and Schlattmann, S. 2016. Eine
Quality in the Research Information Systems. International wirtschaftsinformatische Standortbestimmung von
Journal of Computer Science and Information Security, Forschungsinformationssystemen, Lecture Notes in
15(11): 82-86, November 2017. Informatics (LNI), Gesellschaft für Informatik, Bonn, 2016.
[3] Azeroual, O., Saake, G. and Abuosba, M. 2018. Data [12] IFQ. 2015. Spezifikation des Kerndatensatz-Forschung,
Quality Measures and Data Cleansing for Research Berlin, 2015. DOI: http://kerndatensatz-
Information Systems. Journal of Digital Information forschung.de/version1/Spezifikation_KDSF_v1.pdf
Management, 16(1): 12-21, February 2018.
[13] Krcmar, H. 2015. Informationsmanagement. Springer
[4] Azeroual, O., Saake, G. and Schallehn, E. 2018. Analyzing Gabler, 2015.
data quality issues in research information systems via data
[14] Lee, Y. M., Pipino, L.L., Funk, J.D. and Wang, R.Y. 2006.
profiling. International Journal of Information
Journey to Data Quality, MIT Press, Cambridge,
Management, volume 41, pages 50-56, April 2018. DOI:
Massachusetts, 2006.
https://doi.org/10.1016/j.ijinfomgt.2018.02.007
[15] Naumann, F. and Leser, F. 2007. Informationsintegration:
[5] Azeroual, O., Saake, G. and Wastl, J. 2018. Data
Architekturen und Methoden zur Integration verteilter und
measurement in research information systems: metrics for
heterogener Datenquellen. Dpunkt Verlag, 1. Edition,
the evaluation of data quality. Scientometrics, volume 116,
Oktober 2007.
pages 1-20, April 2018. DOI:
https://doi.org/10.1007/s11192-018-2735-5 [16] Rahm, E. and Do, H.H. 2000. Data cleaning: Problems and
current approaches. IEEE Bulletin of the Technical
[6] Conrad, S. 1997. Föderierte Datenbanksysteme: Konzepte
Committee on Data Engineering, 23(4), 2000.
der Datenintegration. Berlin und Heidelberg 1997.
[17] Redman, T. 1996. Data Quality for the Information Age,
[7] English, L. P. 1999. Improving Data Warehouse and
Norwood 1996.
Business Information Quality: Methods for Reducing Costs
and Increasing Profits. New York, NY, USA: John Wiley & [18] Wang, R. and Strong, D. 1996. Beyond Accuracy: What Data
Sons, Inc., 1999. Quality Means to Data Consumers, in: Journal of
Management Information Systems, 12. Jg., 4/1996, S. 5-33.
[8] Fondermann, P. and Köppen, D. 2013. Zahlen, Daten,
Fakten – ein Forschungsinformationssystem als Grundlage
des Qualitätsmanagements für die Forschung am Karlsruher
Institut für Technologie (KIT), DOI 10.1515/ bfp-
2013-0026 – Bibliothek, Forschung und Praxis 37(2): 172-
181, Juli 2013.
[9] Helmis, S. and Hollmann, R. 2009. Webbasierte
Datenintegration – Ansätze zur Messung und Sicherung der