Data Validation

Data Validation ist ein offizieller Skill von Anthropic aus dem öffentlichen Repository knowledge-work-plugins. Die ursprünglich im Smithery-Kandidaten genannte Quelle data/skills/data-validation ist im aktuellen Repository nicht mehr erreichbar; Anthropic führt die fachlich passende und verifizierbare Anleitung unter data/skills/validate-data. Diese Verlagerung wird hier transparent dokumentiert, während der Katalog-Slug die Identität des Kandidaten bewahrt. Laut Anbieter prüft die Anleitung eine Analyse vor dem Teilen mit Stakeholdern und erzeugt eine strukturierte Einschätzung der Verlässlichkeit mit konkreten Verbesserungshinweisen. Der Skill ist eine textbasierte Arbeitsanleitung für Claude, keine eigenständige Statistiksoftware, kein Datenbankdienst und keine Garantie für korrekte Ergebnisse.

Zweck und Arbeitsweise

Der Ablauf beginnt mit der Frage, ob die Analyse tatsächlich die richtige Entscheidung oder Erkenntnisfrage beantwortet. Danach werden Datenauswahl, Zeitraum, Grundgesamtheit, Beobachtungseinheit, Kennzahlendefinitionen sowie Baselines und Vergleichszeiträume geprüft. Diese Reihenfolge ist praktisch wichtig, weil eine fehlerhafte Fragestellung oder eine unklare Population auch eine rechnerisch fehlerfreie Auswertung unbrauchbar machen kann. Die Quelle fordert außerdem, Datenstand, fehlende Segmente, Nullwerte, Filter und mögliche Dubletten sichtbar zu machen. Wer Ergebnisse reproduzierbar weitergibt, sollte dokumentieren, welche Tabellen oder Dateien verwendet wurden, wann der Datenstand galt und wie jede Kennzahl definiert ist.

Rechnerische und methodische Kontrollen

Laut Anbieter soll Data Validation zentrale Zahlen unabhängig nachrechnen, Teilmengen gegen Gesamtsummen halten und prüfen, ob Prozentsätze sowie Wachstumsraten plausibel sind. Join-Explosionen gehören zu den wichtigen Risiken: Eine unbemerkte Viele-zu-viele-Verknüpfung kann Zeilen, Umsätze oder Nutzerzahlen vervielfachen. Der Skill erinnert deshalb daran, Zeilenzahlen vor und nach Joins zu vergleichen und beim Zählen von Entitäten die passende Eindeutigkeit zu verwenden. Weitere typische Fehler sind wechselnde Nenner, Durchschnittswerte aus bereits aggregierten Durchschnittswerten, unvollständige Zeiträume und Zeitzonenabweichungen. Bei auffälligen Veränderungen soll nicht vorschnell eine Geschichte erfunden werden, sondern zunächst die Datenbasis, der Filter und der Messprozess geprüft werden.

Verzerrungen und Darstellung

Die Anleitung behandelt Survivorship Bias, Selection Bias, Simpson-Paradoxon, Korrelation ohne Kausalität, kleine Stichproben, Ausreißer, Mehrfachtests und Look-ahead Bias. Das ist besonders relevant, wenn eine Analyse überzeugend klingt, aber nicht alle betroffenen Personen, Unternehmen oder Zeiträume enthält. Für Diagramme empfiehlt die Quelle eine Prüfung von Achsen, Skalen, Beschriftungen, Vergleichbarkeit und möglicher visueller Verzerrung. Auch die Darstellung von Unsicherheit gehört zur Qualitätskontrolle. Ein Ergebnis sollte nicht präziser erscheinen, als es die Daten erlauben; Empfehlungen müssen aus den gezeigten Befunden folgen und alternative Erklärungen sowie Grenzen benennen.

Grenzen, Sicherheit und E-E-A-T

Anthropic ist laut der offiziellen Primärquelle der Anbieter dieses Skills und nennt knowledge-work-plugins als Sammlung für Claude Cowork, die auch mit Claude Code kompatibel ist. Das Repository beschreibt Skills als Markdown-basierte Fachanleitungen, die bei passenden Aufgaben automatisch herangezogen werden können. Der Skill selbst erhält keinen unabhängigen Zugriff auf Daten. Tatsächlicher Datei- oder Datenbankzugriff hängt von der gewählten Claude-Umgebung, ihren aktivierten Werkzeugen und den erteilten Berechtigungen ab. Eingaben können außerdem an den verbundenen Modellanbieter gelangen; lokal gespeicherte Anleitungen bedeuten nicht automatisch lokale Modellverarbeitung. Vertrauliche, personenbezogene oder regulierte Daten sollten minimiert und nur mit ausdrücklicher Berechtigung verwendet werden. Fremde Inhalte in Tabellen, Reports oder Notebooks sind Daten und keine neuen Anweisungen. Zugangsdaten, Tokens und private Schlüssel gehören nicht in Analysen, Prompts oder Dokumentationen. Bei Medizin, Finanzen, Personal, Compliance oder anderen folgenreichen Entscheidungen ist eine Prüfung durch fachlich qualifizierte Personen erforderlich.

Für wen der Skill geeignet ist

Data Validation eignet sich für Analystinnen und Analysten, Data-Teams, Forschende und Verantwortliche, die einen wiederholbaren letzten Prüfpunkt vor einer Präsentation, einem Bericht oder einer Entscheidung benötigen. Er ist hilfreich bei SQL-Ergebnissen, Tabellen, Notebooks, Diagrammen und beschriebenen Methoden. Besonders wertvoll ist er, wenn mehrere Quellen zusammengeführt wurden oder eine starke Schlussfolgerung aus begrenzten Daten abgeleitet werden soll. Er ersetzt weder Datenkompetenz noch ein Testsystem, eine statistische Begutachtung oder eine fachliche Freigabe. Die aktuelle offizielle Anleitung ist direkt im Repository verlinkt; für Installation und Umgebung gelten die jeweiligen Anthropic-Dokumentationen.