10 bedste værktøjer til datarensning (september 2026)

Pålidelig analyse og kunstig intelligens starter med data, der er nøjagtige, konsistente, komplette og egnet til den tiltænkte brug. Duplikerede kundeposter, inkompatible formater, manglende værdier, forældede kontaktoplysninger, fejlagtigt mærkede træningseksempler og stille ændringer i pipeline kan alle forvride rapporter eller undergrave et AI‑system længe før en model eller et dashboard afslører problemet.

Datarensningsprodukter tackler denne udfordring fra forskellige vinkler. Enterprise‑platforme kombinerer profilering, regler, anomali‑detektion, standardisering, forvaltning, lineage og afhjælpning på tværs af store data‑områder. Selvbetjente forberedelsesværktøjer hjælper analytikere med at omdanne rodet data til genanvendelige arbejdsgange, mens specialiserede produkter fokuserer på entitets‑afklaring, kontaktverificering, ML‑datasæt‑kuratering eller automatiseret validering i ingeniør‑pipelines.

Vores team har uafhængigt evalueret hver løsning i denne guide og vurderet deres rengørings‑ og kvalitetsfunktioner, automatisering, implementeringsmuligheder, governance, samarbejde, tekniske krav og egnethed til de brugsscenarier, der afspejles i rangeringen. Listen indeholder bevidst både enterprise‑suite‑løsninger, tilgængelige forberedelsesmiljøer og fokuserede tekniske værktøjer, fordi det bedste valg afhænger af dataproblemet – ikke blot den længste funktionsliste.

Før du vælger en platform, skal du definere, om det umiddelbare behov er at rette poster, forhindre dårlig data i at komme ind i et system, overvåge kvalitet over tid, løse entiteter på tværs af kilder eller validere data, før en pipeline fortsætter. Købere bør også undersøge data‑residens, understøttede forbindelser, regel‑ejerskab, audit‑muligheder, menneskelig gennemgang, implementeringsindsats og samlede driftsomkostninger. Automatiske forslag kan fremskynde arbejdet, men forretningsansvarlige og data‑forvaltere forbliver ansvarlige for at afgøre, hvad der er “korrekt”.

Bedste værktøjer til datarensning sammenlignet

1. Ataccama ONE

Ataccama ONE er en enterprise‑platform for datatillid, der kombinerer datakvalitet, katalogisering, observabilitet, lineage, reference‑data og relateret governance i et samlet miljø. Dens kvalitets‑arbejdsgange dækker automatiseret profilering, genanvendelig regelstyring, anomali‑detektion, overvågning, standardisering, rengøring og afhjælpning. Denne bredde gør det muligt for en organisation at gå fra at opdage et problem til at forbedre de berørte data uden at behandle observabilitet og korrektion som uafhængige projekter.

ONE AI‑Agenten er central i Ataccamas nuværende tilgang. En forvalter kan beskrive et mål i naturligt sprog og derefter bruge agenten til at planlægge og udføre opgaver såsom at generere, teste og anvende kvalitets‑regler. Transformationsplaner kan standardisere værdier og rette almindelige problemer gennem et visuelt miljø, mens trust‑scores, lineage, alarmer og rapporter hjælper teams med at forstå, om en ressource er egnet til analyse eller AI. Regler kan også indlejres i applikationer og pipelines for at fange problemer, før de spreder sig nedstrøms.

Ataccama rangeres som nummer ét, fordi den tilbyder den stærkeste end‑to‑end‑kombination af automatisering, governance‑kontekst, overvågning og aktiv afhjælpning i denne guide. Den er bedst egnet til større eller regulerede organisationer, der har brug for konsistente kvalitetskontroller på tværs af cloud, hybrid og on‑premises‑systemer. Denne omfang bringer implementerings‑ og driftskompleksitet: købere har brug for dataejere, styrede definitioner, integrationer og ændringsstyringsprocesser. Prissætning er salgsdrevet, og mindre teams med et snævert fil‑rengøringsbehov kan opnå hurtigere værdi fra et fokuseret forberedelsesværktøj.

2. Informatica Data Quality & Observability

Informatica Data Quality & Observability er en del af virksomhedens Intelligent Data Management Cloud og adresserer kvalitet på tværs af komplekse enterprise‑miljøer. Den profilerer data kontinuerligt, understøtter rengøring og standardisering, verificerer adresser og anvender kvalitets‑regler på tværs af forskellige kilder og brugsscenarier. Dens observabilitets‑funktioner giver indsigt i datakvalitet og pipeline‑adfærd, så teams kan opdage anomali‑er, forstå hvor et problem opstod, og prioritere de problemer, der påvirker vigtige forbrugere.

AI‑assisteret regelgenerering og genanvendelige acceleratorer reducerer noget af det manuelle arbejde, der er forbundet med at etablere kontroller. Data‑ingeniører kan anvende kvalitetslogik i integrations‑arbejdsgange, mens governance‑teams kan forbinde tekniske målinger med forretningsdefinitioner og politikker. Overvågning og rapportering gør kvalitet synlig over tid i stedet for at betragte oprydning som en engangs‑migrationsopgave. Informatica’s bredere katalog, integration, master‑data, privatlivs‑ og governance‑tjenester gør også produktet relevant for organisationer, der konsoliderer flere datastyringsfunktioner omkring én platform.

Informatica rangeres som nummer to på grund af sin modne enterprise‑rækkevidde, omfattende tilslutningsmuligheder og evne til at kombinere korrektion med løbende observabilitet. Den er særligt velegnet til store organisationer, der allerede bruger Informatica eller administrerer data på tværs af mange applikationer, cloud‑miljøer, datalagre og operationelle systemer. Udfordringen er platformens kompleksitet: licensering, arkitektur, administration og implementering kan være betydelige, og teams skal stadig definere meningsfulde regler og afhjælpnings‑ejerskab. En afdeling, der kun skal rense et par regneark, vil ikke udnytte platformen nok til at retfærdiggøre den ekstra byrde.

3. Qlik Talend

Qlik Talend kombinerer data‑integration med kvalitets‑ og governance‑funktioner, designet til at holde data pålidelige, mens de bevæger sig gennem moderne pipelines. Automatisk profilering hjælper teams med at forstå indkommende ressourcer, mens kvalitets‑regler, rengøring, overvågning, forvaltning og maskering understøtter løbende kontrol. Et metadata‑drevet katalog og lineage‑funktioner giver kontekst om, hvor information kom fra, hvordan den ændrede sig, og hvem der er ansvarlig, hvilket gør kvalitetsresultater mere handlingsorienterede end et isoleret bestået‑/ikke‑bestået‑score.

Qlik Trust Score giver et kontinuerligt overblik over kvalitet på tværs af dimensioner såsom fuldstændighed, brug, opdagelighed, nøjagtighed, diversitet og rettidighed. Data‑forvaltere kan bidrage med domæne‑viden, og kvalitetslogik kan køre gennem push‑down eller pull‑up eksekvering afhængig af arkitekturen. Inde i Qlik Talend Cloud arbejder integration, transformation, dataprodukter, katalogisering og agent‑assisteret forvaltning sammen, så teams kan opdage et problem, anbefale en løsning og opretholde menneskelig verifikation, før en automatiseret handling ændrer vigtige data.

Qlik Talend indtager tredjepladsen, fordi den er et stærkt valg for organisationer, der ønsker datakvalitet indlejret i leverings‑pipelines frem for tilføjet efter indtagelse. Dens blanding af integration, governance, trust‑scoring og forvaltning er især nyttig for cloud‑modernisering og distribuerede dataprodukt‑programmer. Platformen kræver stadig omhyggelig implementering: teams skal forstå, hvilke Qlik‑ og Talend‑komponenter der er inkluderet, hvordan ældre klient‑styrede produkter passer ind i målarkitekturen, og hvilke kontroller der tilhører dataejere. Mindre brugere kan finde produktporteføljen og enterprise‑licensering mere kompliceret end et fokuseret forberedelsesprogram.

4. Alteryx One

Alteryx One bringer dataforberedelse, analyse, automatisering og governance ind i genanvendelige visuelle arbejdsgange. Analytikere kan profilere, rense, validere, sammenkæde, omforme og berige information med træk‑og‑slip‑værktøjer, kodevenlige muligheder eller naturlig‑sprogsassistance. Almindelige forberedelsesopgaver inkluderer håndtering af null‑værdier, standardisering af formater, fjernelse af uønskede tegn, justering af felter, anvendelse af forretningslogik, identifikation af dubletter og forberedelse af styrede datasæt til rapportering, forudsigende analyse eller AI.

Den praktiske fordel er, at rengøringslogik bliver en del af den samme arbejdsgang, der bruges til efterfølgende analyse. Et team kan definere forberedelsestrin én gang, planlægge eller dele arbejdsgangen og bevare lineage fra rå input til endeligt output. Alteryx One kan eksekvere direkte mod understøttede cloud‑dataplatforme, hvilket reducerer unødvendig data‑flytning, mens desktop‑ og web‑oplevelserne imødekommer forskellige brugerpræferencer. Validering, audit‑muligheder og genanvendelige standarder hjælper organisationer med at gå videre fra personlige regnearks‑løsninger til gentagelige processer.

Alteryx rangeres som fjerde, fordi den tilbyder en af de bedste balancer mellem tilgængelighed og enterprise‑grad workflow‑dybde. Den er især effektiv for analytikere og operationelle teams, der skal rense og blande data uden at vente på, at hver transformation bliver et ingeniørprojekt. Den erstatter ikke fuldstændigt et enterprise‑katalog, master‑data‑program eller dedikeret observabilitetsplatform, og nogle værktøjer eller eksekveringsmuligheder afhænger af udgave og brugerrolle. Komplekse arbejdsgange kræver også test, dokumentation og governance, selv når canvas‑miljøet er kode‑frit.

5. OpenRefine

OpenRefine er en gratis, open‑source desktop‑applikation til udforskning og transformation af rodet tabular data. Facetter afslører fordelinger og mistænkelige mønstre, filtre isolerer delmængder, og clustering grupperer værdier, der kan repræsentere det samme på trods af forskelle i stavning eller formatering. Brugere kan anvende udtryk og masse‑transformationer uden at redigere hver celle manuelt, derefter eksportere de forbedrede data eller genbruge den registrerede operation‑historik på en anden version af datasættet.

Reconciliation udvider OpenRefine ud over syntaktisk oprydning ved at matche lokale værdier med eksterne databaser, der implementerer standarden for reconcilation‑service. Dette kan hjælpe med at løse entiteter, tilføje holdbare identifikatorer, berige poster og gennemgå tvetydige kandidater med menneskelig dømmekraft. Behandlingen foregår på brugerens egen maskine for kernefunktioner, hvilket er værdifuldt når kilde‑data ikke bør uploades til en ekstern tjeneste. Projekter kan inspiceres iterativt, og ubegrænset fortrydelse og gentagelse gør eksperimentering relativt sikkert.

OpenRefine forbliver den bedste gratis mulighed i rangeringen, men den placeres under enterprise‑platformene, fordi den ikke tilbyder samme samarbejde, planlægning, governance, observabilitet eller distribueret behandlingslag. Den er ideel for forskere, journalister, bibliotekarer, analytikere og tekniske brugere, der renser fokuserede datasæt lokalt. Store filer kan overstige desktop‑ressourcer, grænsefladen kræver tid at lære, og reconciliation kan afhænge af eksterne tjenester. Teams har også brug for en bevidst proces for at dele projekter, gennemgå operationer og flytte rensede output ind i produktionssystemer.

6. Dataiku

Dataiku leverer samarbejdsvillig datapreparation inden for en bredere platform for analyse, maskinlæring og generativ AI. Dens visuelle Prepare‑recipe indeholder mere end 100 processorer til rengøring, normalisering, berigelse, omformning og sammensmeltning af data, mens tekniske brugere kan arbejde med Python, R, SQL og udvidelige plugins. GenAI‑assisterede funktioner kan hjælpe med at foreslå eller udtrykke transformationer, men de resulterende trin forbliver synlige i Dataiku Flow i stedet for at forsvinde i en uigennemsigtig én‑gang‑samtale.

Kvalitets‑regler lader teams teste betingelser såsom manglende værdier, entydighed, statistiske intervaller, post‑tællinger, kolonne‑betydning og forventet skema. Regler kan køres, når et datasæt bygges, og overvågnings‑visninger viser kvalitet på datasæt‑, projekt‑ og instans‑niveauer. Skabeloner hjælper med at genbruge kontroller på tværs af projekter, mens scenarier automatiserer arbejdsgange og svar. Lineage og automatisk dokumentation bevarer forholdet mellem kilder, transformationer, modeller og output, hvilket understøtter samarbejde mellem analytikere, ingeniører, data‑forskere og governance‑teams.

Dataiku rangeres som sjette, fordi den er et fremragende tværfunktionelt miljø, selvom datarensning kun er en del af en meget bredere AI‑ og analyseplatform. Den er mest værdifuld, når en organisation ønsker den samme styrede arbejdsgang til at bevæge sig fra forberedelse til analyse eller maskinlæring. Købere bør vurdere udgave‑specifikke funktioner, infrastruktur, administration og de færdigheder, der kræves for at drive platformen. Visuelle opskrifter sænker kode‑barrieren, men brugerdefinerede regler og avancerede produktions‑arbejdsgange kan stadig kræve ingeniør‑kompetencer. Et snævert rengøringsteam har måske ikke brug for resten af Dataikus omfang.

7. Tamr

Tamr specialiserer sig i at bruge maskinlæring og menneskelig feedback til at forene fragmenteret master‑data. Dens kvalitets‑funktioner adresserer entitets‑afklaring, match‑verifikation, skema‑kortlægning, standardisering, normalisering, deduplikering og berigelse på tværs af adskilte kilder. Målet er ikke blot at rette isolerede celler, men at bestemme hvilke poster der refererer til den samme kunde, leverandør, produkt eller anden forretnings‑entitet og samle en pålidelig golden record til operationel, analytisk og AI‑brug.

Forudtrænede og formåls‑specifikke modeller reducerer afhængigheden af store samlinger af manuelt vedligeholdte match‑regler. Kuratorer kan gennemgå vanskelige tilfælde og give feedback, der forbedrer resultaterne, mens agent‑assistance hjælper med at løse udvalgte edge‑cases. Tamr RealTime kan søge efter sandsynlige matches, før en ny entitet oprettes, hvilket hjælper med at forhindre dubletter i at komme ind i master‑datasæt igen. Transparent arbejdsgange, revisionsspor, forvaltning, lineage og rolle‑baserede kontroller gør de resulterende beslutninger lettere at styre og forklare.

Tamr rangeres som syvende, fordi den er en kraftfuld specialist frem for et universelt forberedelsesmiljø. Den er et fremragende valg for organisationer, hvis centrale problem er at afstemme entiteter og producere kontinuerligt vedligeholdt master‑data på tværs af mange systemer. Den er mindre egnet til en analytiker, der har brug for ad‑hoc‑regnearks‑transformationer, og en succesfuld implementering afhænger af kilde‑adgang, domæne‑definitioner, gennemgangsprocesser og målbare master‑mål. Prissætning og implementering er enterprise‑orienteret, og menneskelig feedback forbliver essentiel, hvor tvetydige poster har væsentlige forretningskonsekvenser.

8. Cleanlab

Cleanlab adresserer datakvalitet i maskin‑lærings‑datasæt snarere end at fungere som en konventionel regnearks‑rengører. Dens open‑source‑bibliotek og kurations‑værktøjer kan identificere sandsynlige label‑fejl, outliers, dubletter, klasse‑niveau problemer og andre eksempler, der kan forringe en model. Teams kan rangere poster efter estimeret kvalitet, inspicere mistænkelige tilfælde, vurdere annotator‑overensstemmelse og beslutte, hvilke eksempler der skal rettes, fjernes eller om‑label‑es før en ny trænings‑cyklus.

Tilgangen er nyttig, fordi mange ML‑datasæt ser strukturelt korrekte ud, selv når deres labels eller eksempler er upålidelige. Cleanlab kan arbejde med forudsigelser fra en eksisterende model for at estimere, hvilke labels der bør gennemgås, og kan understøtte active‑learning‑arbejdsgange, der prioriterer næste data til label‑ering. Datasæt‑sundheds‑opsummeringer hjælper teams med at måle fremskridt, mens Cleanlab Studio giver en grænseflade for analytikere og data‑forskere, der ønsker assisteret kuration uden at samle hver komponent direkte fra Python‑pakken.

Cleanlab rangeres som ottende, da den er den mest specialiserede AI‑trænings‑data‑mulighed i guiden. Den bør ikke præsenteres som en enterprise‑bred erstatning for profilering, adresse‑korrektion, lineage, master‑data eller pipeline‑observabilitet. Dens effektivitet afhænger af opgaven, tilgængelige model‑output eller embeddings og kvaliteten af menneskelig gennemgang; et flaget eksempel er bevis for at undersøge, ikke automatisk bevis på at en label er forkert. Tekniske teams bør validere resultater mod domæne‑viden og designe en kontrolleret proces for godkendelse af datasæt‑ændringer.

9. Great Expectations

Great Expectations er et datakvalitets‑rammeværk bygget omkring deklarative tjek kaldet Expectations. En Expectation beskriver en acceptabel tilstand, såsom at en kolonne indeholder ingen null‑værdier, værdier holder sig inden for et interval, eller en sammensat nøgle forbliver unik. Teams organiserer tjek i genanvendelige suites, forbinder dem til datakilder og kører valideringer gennem checkpoints. De resulterende rapporter viser, om data opfyldte de definerede krav, før de flyttes ind i en downstream‑applikation, dashboard eller model.

GX Core er et open‑source Python‑bibliotek, der passer i notebooks, scripts, orkestrerings‑systemer og CI‑arbejdsgange. Valideringsresultater kan generere menneskelæselige Data Docs og udløse handlinger som notifikationer eller tilpassede svar. GX Cloud tilføjer et administreret miljø til at koordinere kvalitetsprocessen på tværs af datasæt, teams og arbejdsgange. Dette gør Great Expectations særligt nyttigt for data‑ingeniører, der ønsker kvalitets‑regler, der opfører sig som en synlig, versionerbar kontrakt i stedet for en uformel tjekliste.

Great Expectations rangeres som niende, fordi den udmærker sig i validering og forebyggelse, men den udfører ikke automatisk den brede rengøring, entitets‑afklaring eller standardisering, som de højere rangerede platforme tilbyder. Når et tjek fejler, har et team stadig brug for en afhjælpnings‑arbejdsgang og en ansvarlig ejer. GX Core forudsætter også Python‑viden og infrastruktur‑beslutninger, mens de administrerede funktioner adskiller sig fra open‑source‑biblioteket. Det er et fremragende valg for tekniske teams, der vil have eksplicitte pipeline‑gate‑kontroller, men mindre tilgængeligt for forretningsbrugere, der søger et klik‑og‑punkt‑rengøringsprogram.

10. Melissa Data Quality Suite

Melissa Data Quality Suite fokuserer på verifikation og standardisering af kontakt‑ og identitetsrelaterede data. Den kan validere, korrigere og transliterere postadresser i mere end 250 lande, verificere e‑mail‑syntaks og domæner, tjekke telefoninformation og parse eller standardisere navne. Disse funktioner er nyttige, når unøjagtige kunde‑ eller prospekt‑poster forårsager returneret post, mislykkede kommunikationer, dublerede identiteter, dårlig segmentering eller undgåelig friktion ved indtastnings‑punktet.

Suite’en understøtter både web‑tjenester og on‑premises‑API’er, så organisationer kan validere information i real‑time inden i en applikation eller behandle eksisterende poster i batch‑mode. REST, JSON og XML‑support hjælper udviklere med at integrere tjenesterne, mens implementerings‑valg imødekommer teams, der prioriterer kontrol, hastighed eller bekvemmelighed. Melissa tilbyder også relaterede komponenter til matching, deduplikering, berigelse, geokodning og integration med dataplatforme, selvom den præcise kombination afhænger af de valgte produkter.

Melissa rangeres som tiende, fordi den er en kompetent specialist med et snævrere fokus end de generelle platforme ovenfor. Den er mest overbevisende for kundedata‑, mailing‑, onboarding‑, CRM‑ og identitets‑arbejdsgange, hvor autoritativ kontakt‑verifikation er afgørende. Den vil ikke erstatte en komplet observabilitets‑, katalog‑ eller pipeline‑test‑strategi, og valideringsresultater afhænger af dækning, input‑kvalitet, lokale regler og licenserede tjenester. Købere bør teste repræsentative internationale poster og bekræfte implementering, privatliv, opdaterings‑ og gennemløbs‑krav, før de forpligter sig.

Hvilket værktøj til datarensning skal du vælge?

For en virksomhed, der har brug for kvalitetsstyring fra opdagelse til afhjælpning, Ataccama ONE tilbyder den stærkeste samlede balance, mens Informatica Data Quality & Observability er særligt overbevisende på store Informatica‑centrerede områder. Qlik Talend er det bedre valg, når kvalitet og governance skal forblive tæt forbundet med moderne integrations‑pipelines, og Alteryx One skiller sig ud for genanvendelig selvbetjenings‑forberedelse.

Teams, der prioriterer tilgængelighed eller tvær‑funktionelt arbejde, bør sammenligne OpenRefine med Dataiku. OpenRefine er det klareste gratis og lokale valg for fokuseret tabular‑rengøring, mens Dataiku leverer et styret samarbejdsmiljø, der bærer forberedelse ind i analyse og maskinlæring. Organisationer, der forsøger at afstemme dublerede entiteter og opretholde pålidelige golden records, bør se nærmere på Tamr.

De resterende produkter løser snævrere, men vigtige problemer. Cleanlab er designet til kvalitets‑problemer i ML‑datasæt, Great Expectations omsætter ingeniør‑antagelser til gentagelige validerings‑tjek, og Melissa Data Quality Suite specialiserer sig i global kontakt‑verifikation. Et modent datakvalitets‑program kan bruge mere end én kategori: et validerings‑framework kan forhindre dårlig data i at bevæge sig nedstrøms, mens et forberedelses‑, master‑ eller verifikations‑system udfører den faktiske korrektion.

Ofte stillede spørgsmål

Hvad er forskellen mellem datarensning og datakvalitet?

Datarensning er arbejdet med at rette, standardisere, fjerne, berige eller afstemme problematiske poster. Datakvalitet er den bredere disciplin, der definerer acceptable data, måler dem, forhindrer fejl, tildeler ejerskab, overvåger ændringer og afhjælper fejl over tid. Et rengøringsværktøj kan forbedre et datasæt én gang, mens en datakvalitetsplatform tilføjer regler, kontroller, observabilitet, forvaltning og rapportering, der hjælper med at holde det pålideligt.

Hvordan fungerer AI‑drevne værktøjer til datarensning?

AI‑assisterede værktøjer kan opdage usædvanlige mønstre, anbefale transformationer, generere kvalitets‑regler, matche lignende entiteter, identificere mulige dubletter eller prioritere poster til gennemgang. De underliggende metoder varierer fra statistisk profilering og maskinlæring til store‑sprogs‑model‑assistance. Disse systemer accelererer undersøgelser, men de kan ikke automatisk fastsætte hver forretningsdefinition. Menneskelige ejere bør teste forslag, gennemgå tvetydige tilfælde, måle fejl og godkende ændringer, der påvirker vigtige operationelle data.

Kan open source‑værktøjer understøtte virksomheders datakvalitet?

Ja, især når en organisation har ingeniør‑ressourcer til at implementere, integrere, overvåge, sikre og supportere dem. OpenRefine er nyttig til fokuserede lokale transformationer, mens GX Core kan placere eksplicitte validerings‑tjek i produktions‑pipelines. Virksomheder skal stadig levere samarbejde, adgangskontrol, planlægning, hændelses‑respons, lineage, forvaltning og afhjælpnings‑processer, som en administreret platform kan tilbyde. Software‑licensen er kun en del af driftsomkostningerne.

Skal en virksomhed vælge én platform eller flere specialiserede værktøjer?

Det afhænger af problemet. En samlet enterprise‑platform kan reducere fragmentering, når mange teams har brug for konsistente regler og governance. Specialiserede værktøjer kan levere bedre resultater for entitets‑afklaring, ML‑labels, kontakt‑verifikation eller kode‑baseret validering. Mange organisationer anvender en lagdelt tilgang: en enterprise‑kvalitets‑ eller forberedelsesplatform for bred kontrol, specialister for vanskelige domæner og pipeline‑tjek for at stoppe fejl, før de når downstream‑forbrug.

Hvad bør købere teste, før de vælger et værktøj til datarensning?

Brug repræsentative data i stedet for en poleret demofil. Mål profilering‑dækning, falske matches, oversete fejl, transformations‑nøjagtighed, gennemløb, integrations‑indsats, lineage, genbrug af regler, adgangskontroller, implementerings‑begrænsninger og hvor let et fejlet tjek når en ansvarlig ejer. Købere bør også bekræfte pris, support, data‑residens, opbevaring, sikkerhed, rollback, revisions‑logge, og om platformen kan operere i den skala og hyppighed, der kræves i produktion.