Data Governance
Kurz: Data Governance ist der organisatorische Rahmen aus Rollen, Verantwortlichkeiten, Richtlinien und Prozessen, mit dem eine Organisation ihre Daten steuert. Er stellt sicher, dass Daten verfügbar, nutzbar, integer und sicher sind und regulatorische Anforderungen erfüllen.
Definition
Data Governance legt fest, wer in einer Organisation welche Entscheidungen über Daten treffen darf und nach welchen Regeln Daten erzeugt, genutzt, gespeichert und gelöscht werden. Kern sind definierte Rollen wie Data Owner (fachliche Verantwortung) und Data Steward (operative Pflege), verbindliche Datenrichtlinien und Prozesse zur Qualitätssicherung, zum Zugriff und zur Compliance. Data Governance schafft die Verbindung zwischen Geschäftszielen, IT und regulatorischen Anforderungen wie DSGVO oder EU AI Act. Sie ist die Steuerungsebene über dem operativen Datenmanagement und Voraussetzung dafür, dass Daten als verlässlicher Unternehmenswert genutzt werden können. Ohne Governance entstehen Dateninseln, Qualitätsprobleme und Compliance-Risiken.
Praxisbezug
Ein produzierendes Unternehmen führt Data Governance ein, weil Kunden- und Produktdaten in mehreren Systemen gepflegt werden. Es benennt Data Owner je Fachbereich, definiert eine Richtlinie zur Stammdatenpflege und legt fest, welche Daten für KI-Anwendungen freigegeben werden dürfen.
Normbezug
DAMA-DMBOK; DSGVO Artikel 5; EU AI Act Artikel 10
Datenqualität
Kurz: Datenqualität beschreibt, inwieweit Daten für ihren Verwendungszweck geeignet sind. Sie wird über Dimensionen wie Vollständigkeit, Richtigkeit, Konsistenz, Aktualität, Eindeutigkeit und Gültigkeit gemessen und ist Voraussetzung für verlässliche Analysen und KI.
Definition
Datenqualität bezeichnet die Eignung von Daten für ihren beabsichtigten Zweck. Sie wird über definierte Dimensionen bewertet: Vollständigkeit (alle erforderlichen Daten vorhanden), Richtigkeit (Daten entsprechen der Realität), Konsistenz (keine Widersprüche zwischen Systemen), Aktualität (Daten sind auf dem neuesten Stand), Eindeutigkeit (keine Dubletten) und Gültigkeit (Daten entsprechen definierten Formaten und Wertebereichen). Schlechte Datenqualität führt zu Fehlentscheidungen, Prozessstörungen und im KI-Kontext zu verzerrten Modellen. Die Bewertung erfolgt über Kennzahlen und Regeln, Verbesserungen über Bereinigung, Validierung bei der Erfassung und klare Verantwortlichkeiten. Datenqualität ist eine zentrale Anforderung des EU AI Act an Trainingsdaten und ein Kernziel von Data Governance.
Praxisbezug
Ein Zulieferer stellt fest, dass seine Kundenstammdaten Dubletten und veraltete Adressen enthalten. Er definiert Qualitätsregeln, bereinigt die Daten und führt eine Validierung bei der Neuanlage ein, damit Angebote und Lieferungen zuverlässig zugeordnet werden.
Normbezug
ISO 8000 (Datenqualität); ISO/IEC 25012; EU AI Act Artikel 10
Stammdatenmanagement
Kurz: Stammdatenmanagement (Master Data Management, MDM) ist die Disziplin, die zentralen Geschäftsobjekte wie Kunden, Produkte, Lieferanten und Materialien einheitlich, konsistent und eindeutig über alle Systeme hinweg zu pflegen und bereitzustellen.
Definition
Stammdatenmanagement sichert die Konsistenz und Eindeutigkeit der wichtigsten Geschäftsobjekte eines Unternehmens. Stammdaten sind die relativ stabilen Kerndaten wie Kunden, Lieferanten, Artikel, Materialien und Mitarbeiter, die in vielen Prozessen und Systemen verwendet werden. Ohne zentrales Management entstehen Dubletten, widersprüchliche Angaben und Pflegefehler über verteilte Systeme hinweg. MDM etabliert ein führendes System oder einen zentralen Datenpool, definierte Pflegeprozesse mit Verantwortlichkeiten, Validierungsregeln und einen Abgleich mit den angeschlossenen Systemen. Ziel ist eine einheitliche, vertrauenswürdige Datenbasis für Prozesse, Berichte und Analysen. MDM ist ein zentraler Baustein der Data Governance und Voraussetzung für Digitalisierung und Automatisierung.
Praxisbezug
Ein Handelsunternehmen mit ERP-, CRM- und Onlineshop-System führt ein zentrales Stammdatenmanagement für Artikel ein. Neue Artikel werden einmal im führenden System angelegt, validiert und automatisch an die angeschlossenen Systeme verteilt, wodurch Preis- und Bestandsfehler deutlich sinken.
Normbezug
DAMA-DMBOK; ISO 8000 (Stammdaten)
Data Steward
Kurz: Ein Data Steward ist eine benannte Rolle im Datenmanagement, die für die operative Qualität, Pflege und Dokumentation eines Datenbestands verantwortlich ist. Er setzt die Vorgaben der Data Governance in der Fachabteilung um.
Definition
Der Data Steward ist die operative Rolle im Datenmanagement. Er verantwortet die Qualität, Pflege und Dokumentation eines bestimmten Datenbestands, etwa Kunden-, Produkt- oder Lieferantendaten. Zu seinen Aufgaben gehören die Überwachung der Datenqualität anhand definierter Regeln, die Klärung von Datenproblemen, die Pflege von Metadaten und Geschäftsregeln sowie die Unterstützung der Fachabteilung bei Datenfragen. Der Data Steward arbeitet eng mit dem Data Owner zusammen, der die fachliche Verantwortung und Entscheidungsbefugnis trägt. Während der Data Owner festlegt, was mit den Daten geschehen soll, sorgt der Data Steward dafür, dass es im Alltag geschieht. Die Rolle ist ein zentrales Element der Data Governance und verbindet Fachbereich und IT.
Praxisbezug
Ein Unternehmen benennt je Fachbereich einen Data Steward. Der Data Steward Einkauf prüft wöchentlich die Lieferantenstammdaten auf Dubletten und fehlende Pflichtfelder, korrigiert Auffälligkeiten und meldet strukturelle Probleme an den Data Owner.
DAMA-DMBOK
Kurz: DAMA-DMBOK (Data Management Body of Knowledge) ist das international anerkannte Referenzframework für Datenmanagement. Es beschreibt elf Wissensgebiete, darunter Data Governance, Datenqualität, Stammdatenmanagement und Datensicherheit.
Definition
DAMA-DMBOK ist das von der DAMA International herausgegebene Referenzwerk für das Datenmanagement. Es strukturiert die Disziplin in elf Wissensgebiete: Data Governance, Datenarchitektur, Datenmodellierung und -design, Datenspeicherung und -betrieb, Datensicherheit, Datenintegration und Interoperabilität, Dokumenten- und Content-Management, Referenz- und Stammdatenmanagement, Data Warehousing und Business Intelligence, Metadatenmanagement sowie Datenqualitätsmanagement. Im Zentrum steht Data Governance als verbindendes Element. DMBOK definiert für jedes Wissensgebiet Ziele, Aktivitäten, Rollen, Werkzeuge und Kennzahlen. Es dient Organisationen als Orientierungsrahmen beim Aufbau eines Datenmanagements und als Basis für die Zertifizierung von Datenmanagement-Fachkräften (CDMP). Es ist keine Norm, aber ein faktischer Standard der Disziplin.
Praxisbezug
Ein Unternehmen nutzt DMBOK als Checkliste, um sein Datenmanagement zu strukturieren. Es stellt fest, dass Data Governance und Datenqualität die größten Lücken sind, und startet dort gezielte Aufbauarbeit, statt alle elf Wissensgebiete gleichzeitig anzugehen.
Normbezug
DAMA-DMBOK (Data Management Body of Knowledge)
Metadatenmanagement
Kurz: Metadatenmanagement ist die systematische Erfassung, Pflege und Bereitstellung von Metadaten, also Daten über Daten. Es dokumentiert Herkunft, Bedeutung, Struktur und Nutzung von Daten und schafft Transparenz über die Datenlandschaft.
Definition
Metadaten sind Daten über Daten. Sie beschreiben, was ein Datenelement bedeutet, woher es stammt, wie es strukturiert ist, wer es nutzt und welche Regeln gelten. Man unterscheidet technische Metadaten (Formate, Schemata, Speicherorte), fachliche Metadaten (Definitionen, Geschäftsregeln) und Betriebsmetadaten (Herkunft, Änderungshistorie, Nutzung). Metadatenmanagement erfasst und pflegt diese Informationen systematisch, häufig in einem Datenkatalog. Es schafft Transparenz über die Datenlandschaft, erleichtert die Auffindbarkeit und das Verständnis von Daten, unterstützt die Wirkungsanalyse bei Änderungen und ist Voraussetzung für Data Lineage, also die Nachverfolgung des Datenflusses. Für Data Governance, Datenschutz und KI-Projekte ist ein gepflegter Datenkatalog eine zentrale Arbeitsgrundlage.
Praxisbezug
Ein Unternehmen führt einen Datenkatalog ein, in dem jede wichtige Datenquelle mit Beschreibung, Verantwortlichem, Herkunft und Schutzbedarf dokumentiert ist. Neue Mitarbeitende finden so schnell die richtigen Daten, und die Datenschutzfolgenabschätzung greift auf die dokumentierte Herkunft zurück.
Normbezug
DAMA-DMBOK; ISO/IEC 11179 (Metadaten)
Data Lineage
Kurz: Data Lineage ist die lückenlose Nachverfolgung des Weges von Daten von ihrer Quelle über alle Verarbeitungsschritte bis zum Ziel. Sie macht Herkunft, Transformationen und Verwendung von Daten transparent und nachvollziehbar.
Definition
Data Lineage dokumentiert den gesamten Lebensweg von Daten: aus welcher Quelle sie stammen, welche Transformationen, Berechnungen und Zusammenführungen sie durchlaufen und in welchen Systemen, Berichten oder Modellen sie landen. Diese Nachverfolgbarkeit ist Voraussetzung für das Vertrauen in Daten und Berichte. Bei Fehlern ermöglicht Data Lineage die schnelle Ursachenanalyse, bei Änderungen die Bewertung der Auswirkungen auf nachgelagerte Systeme. Regulatorische Anforderungen, etwa im Finanzsektor oder bei der KI-Dokumentation nach EU AI Act, verlangen die Nachvollziehbarkeit der Datenherkunft. Data Lineage wird häufig automatisiert aus den Datenflüssen erfasst und ist eng mit dem Metadatenmanagement verbunden. Sie ist ein zentrales Element der Data Governance.
Praxisbezug
Ein Unternehmen bemerkt einen falschen Wert in einer Management-Kennzahl. Über die dokumentierte Data Lineage verfolgt es den Wert zurück durch zwei Transformationen bis zu einer fehlerhaften Schnittstelle im Quellsystem und behebt die Ursache gezielt.
Normbezug
DAMA-DMBOK; EU AI Act Artikel 10 (Datenherkunft)
Data Warehouse
Kurz: Ein Data Warehouse ist eine zentrale, für Analysen optimierte Datenbank, in die Daten aus verschiedenen Quellsystemen integriert, bereinigt und historisiert werden. Es bildet die verlässliche Basis für Berichte, Kennzahlen und Business Intelligence.
Definition
Ein Data Warehouse (DWH) ist ein zentrales Datenspeichersystem, das Daten aus unterschiedlichen operativen Quellsystemen wie ERP, CRM und Produktion zusammenführt. Die Daten werden über definierte ETL- oder ELT-Prozesse extrahiert, transformiert, bereinigt und in einer für Analysen optimierten Struktur gespeichert, in der Regel historisiert. Das DWH trennt die analytische Verarbeitung vom operativen Betrieb, sodass Auswertungen die Produktivsysteme nicht belasten. Es schafft eine einheitliche, konsistente Datenbasis für Berichte, Kennzahlen, Dashboards und Business Intelligence. Die Qualität der Daten im DWH hängt entscheidend von Data Governance und Datenqualitätsmanagement ab. Ein DWH ist häufig die Grundlage für Management-Kennzahlen und datenbasierte Entscheidungen.
Praxisbezug
Ein produzierendes Unternehmen führt ein Data Warehouse ein, um Kennzahlen aus ERP, Fertigung und Vertrieb zu vereinheitlichen. Nächtlich werden die Daten integriert und bereinigt; die Geschäftsführung greift morgens auf ein einheitliches Dashboard zu, statt widersprüchliche Zahlen aus drei Systemen zu vergleichen.
Normbezug
DAMA-DMBOK (Data Warehousing und Business Intelligence)
Single Source of Truth
Kurz: Single Source of Truth (SSOT) bezeichnet das Prinzip, dass jede Information an genau einer autoritativen Stelle gepflegt und von dort überallhin verteilt wird. Es verhindert widersprüchliche Datenstände und Dublettenpflege über mehrere Systeme.
Definition
Single Source of Truth ist ein Architekturprinzip des Datenmanagements: Jede Information wird an genau einer definierten, autoritativen Stelle gepflegt, und alle anderen Systeme und Prozesse beziehen diese Information von dort. Dadurch werden widersprüchliche Datenstände, Dublettenpflege und Versionskonflikte vermieden. Die Umsetzung erfordert eine klare Festlegung, welches System für welche Daten führend ist, definierte Verteilungs- oder Zugriffswege und die Disziplin, Daten nicht an mehreren Stellen parallel zu pflegen. Das Prinzip gilt nicht nur für IT-Systeme, sondern auch für Dokumente, etwa wenn eine Stammdatei die einzige Quelle für eine Vorgabe ist. SSOT ist eng mit Stammdatenmanagement und Data Governance verbunden und eine Grundlage für Datenqualität und Prozesssicherheit.
Praxisbezug
Ein Unternehmen legt fest, dass die Artikelstammdaten ausschließlich im ERP gepflegt werden. Onlineshop und Vertriebsportal beziehen die Daten automatisch von dort. Damit endet die bisherige Parallel-Pflege, die regelmäßig zu Preisdifferenzen zwischen den Kanälen geführt hatte.
Normbezug
DAMA-DMBOK; ISO 8000 (Stammdaten)
Datensilos
Kurz: Datensilos sind isolierte Datenbestände, die in einzelnen Abteilungen oder Systemen ohne Anbindung an den Rest der Organisation gehalten werden. Sie verhindern einen einheitlichen Datenblick, erzeugen Redundanzen und erschweren datenbasierte Entscheidungen.
Definition
Datensilos entstehen, wenn Abteilungen oder Systeme ihre Daten isoliert speichern und pflegen, ohne sie der übrigen Organisation zugänglich zu machen. Typische Folgen sind redundante und widersprüchliche Datenstände, aufwendige manuelle Abgleiche, fehlende Gesamtsicht auf Kunden oder Prozesse und erschwerte Auswertungen. Datensilos haben häufig organisatorische Ursachen, etwa fehlende Abstimmung, historisch gewachsene Insellösungen oder mangelnde Data Governance. Der Abbau erfolgt durch Datenintegration, zentrale Plattformen wie ein Data Warehouse, einheitliche Schnittstellen und vor allem durch eine Data-Governance-Struktur, die abteilungsübergreifende Verantwortlichkeiten schafft. Das Ziel ist eine vernetzte Datenlandschaft, in der Informationen einmal gepflegt und vielfach genutzt werden.
Praxisbezug
In einem Unternehmen pflegen Vertrieb, Service und Buchhaltung jeweils eigene Kundendaten in getrennten Systemen. Durch die Einführung einer zentralen Kundendatenbasis und abgestimmter Prozesse werden die Silos aufgebrochen; alle Bereiche arbeiten mit demselben aktuellen Stand.
