Die Überprüfung der Datenqualität stellt sicher, dass die in dem Life Cycle Assessment verwendeten Daten zuverlässig, konsistent und repräsentativ sind. Ziel ist es, die Aussagekraft der Ergebnisse zu stärken und Unsicherheiten zu reduzieren. Die Qualität der Daten entscheidet maßgeblich darüber, wie belastbar die späteren Ergebnisse und Schlussfolgerungen sind.
Die Überprüfung der Datenqualität erfolgt meist nach der Datensammlung und vor der Modellierung in der Software.
1) Vollständigkeit: Es wird überprüft, ob alle Lebenszyklusphasen und relevanten Stoffströme berücksichtigt sind. Das Systemfließbild kann dabei als Referenz herangezogen werden. Ziel ist es, alle Prozesse im Produktlebenszyklus entweder als Datenpunkt in der Sachbilanz aufzunehmen oder als ausgeschlossenen Prozess mit Begründung zu dokumentieren. Als Ausgangspunkt für die Überprüfung kann hier erneut das Systemfließbild herangezogen werden, um sicherzustellen, dass alle Prozesse berücksichtig bzw. aktiv ausgeschlossen werden (z.B. Hilfsstoffe, Ausschüsse oder Abfall).
2) Genauigkeit: Bewertet wird, wie präzise und vertrauenswürdig die Datenquellen sind. Primärdaten aus Messungen gelten als besonders zuverlässig, während geschätzte oder sekundäre Daten kritisch geprüft werden sollten. Hier kann die Skala aus dem Kapitel „Einführung in die Datenqualität“ als Orientierung dienen. Ein wichtiger Punkt, den es hier zu beachten gilt, ist die Überprüfung von Lieferantenspezifischen Daten, falls vorhanden. Daher empfiehlt es sich, detaillierte Informationen zur Datenerhebung (z. B. Messmethoden, Zeitraum, Systemgrenzen, Normkonformität) beim Lieferanten abzufragen, um die Qualität und Nachvollziehbarkeit der Daten besser beurteilen zu können.
3) Konsistenz: Es wird überprüft, ob die Datensätze nach denselben Annahmen, Systemgrenzen und Allokationsregeln erstellt wurden. Nur so lassen sich die Ergebnisse verschiedener Szenarien vergleichen. Hier macht auch ein Abgleich der verwendeten Daten mit Plausibilitätsdaten aus anderen Unternehmensbereichen, um Widersprüche frühzeitig zu erkennen. So kann sichergestellt werden, dass die Datensätze unternehmensweit stimmig und nachvollziehbar sind.
4) Repräsentativität (zeitlich, geographisch und technisch): Daten sollten möglichst aktuell sein, sich auf die richtige Region beziehen und den tatsächlichen Produktionsprozess abbilden.
Datenqualitätsindikatoren (DQI):
Viele Softwarelösungen (z.B. SimaPro, openLCA) nutzen standardisierte DQI-Schemata, um die Qualität jedes Datensatzes numerisch zu bewerten. Daraus kann ein Datenqualitätsbericht erstellt werden, der Schwachstellen sichtbar macht.
Eine genauere Erklärung zur Datenqualität befindet sich im Appendix A.
===================================================================================================================
Case Study | 2.5 Überprüfen der Datenqualität
Die Datenqualitätsanalyse hilft dabei, die Qualität der Daten zu ermitteln und Datenlücken durch Änderung von Werten, Ersetzen von Datensätzen oder Einheitsprozessen zu schließen. In der Studie über Wasserkocher wurden Annahmen getroffen, um die Datenlücken zu schließen und einige Datensätze anzupassen. Die in der Studie getroffenen Annahmen werden in den vorherigen Abschnitten erläutert.
In der Studie getroffene Annahmen:
================================================================================================
Praxistipp: Alle Ergebnisse der Datenqualitätsprüfung sollten transparent dokumentiert werden – idealerweise im Anhang der Sachbilanz. Dazu gehören:
Checkliste: