Einordnung: Governance sitzt über Systemklassen
Einordnung: Data Governance ist kein Tool – sondern ein Betriebsmodell
- Data Governance beantwortet: Wer entscheidet über Daten (Ownership), nach welchen Regeln (Policies) und wie Änderungen kontrolliert werden (Prozesse).
- Tools (MDM/PIM/DWH/BI) unterstützen Governance – ersetzen sie aber nicht.
- Im Mittelstand scheitert Governance selten an ‘Wissen’, sondern an fehlenden Rollen, Prioritäten und einem klaren Prozess für Änderungen.
Bezug zur Systemklasse Stammdatenmanagement (MDM)
- MDM ist häufig die Governance-Schicht für Stammdaten (Golden Record, Dublettenlogik, Workflows, Audit).
- PIM ist oft die Content-Schicht für Produktdaten (kanalbezogene Anreicherung).
- Ohne Governance werden Integrationen zu Datenkopien (Überschreiben, Dubletten, widersprüchliche Attribute).
5-Schritte-Aufbauplan: Data Governance pragmatisch etablieren
1
Domänen & Use Cases festlegen (Start klein)
- Wähle 1–2 Domänen (z.B. Kunde + Artikel) und 3–5 Schmerzpunkte (Dubletten, falsche Adressen, unklare Attribute).
- Definiere ‘Done’: messbare Qualitätsziele (z.B. Dublettenquote, Vollständigkeit).
- Lege fest, welche Systeme Quelle pro Feld sind (Ownership-Regeln).
2
Rollen/RACI definieren und besetzen
- Data Owner je Domäne benennen (Entscheidungskompetenz!).
- Stewards für operative Pflege bestimmen (Kapazität einplanen).
- IT/Custodian für Schnittstellen, Rechte und Monitoring festlegen.
3
Policies & Datenregeln pragmatisch dokumentieren
- Naming/Standards (z.B. Länder, Branchen, Einheiten, Adressformate).
- Validierungen/Pflichtfelder je Prozessstatus (z.B. Kunde ‘aktiv’).
- Dublettenregeln (Match/Merge) und Konfliktlösung.
4
Prozesse im Tooling abbilden (Workflow, Rechte, Audit)
- Workflows für Create/Change/Approve, inkl. Eskalation.
- Berechtigungen nach Rollen (Least Privilege) + Logging.
- Integrationspfade inkl. Fehlerhandling (Retry/Queue).
5
Data Quality messen und betreiben (Run)
- Qualitäts-KPIs regelmäßig reporten (monatlich/weekly je Domäne).
- Root Cause beheben: nicht nur korrigieren, sondern Quelle/Prozess fixen.
- Onboarding/Training: neue Mitarbeitende sofort auf Standards bringen.
Praxis: Starte mit einem konkreten Schmerzpunkt (z.B. Dubletten bei Kunden) und mache den Erfolg messbar. So bekommt Governance im Alltag Priorität.
Rollen: Owner, Steward, Custodian (und was DSGVO ergänzt)
Rollenmodell (minimal, aber wirksam)
- Data Owner: fachliche Verantwortung, entscheidet Regeln und Prioritäten (pro Domäne/Objekt).
- Data Steward: operative Datenpflege/Qualität, Workflows, Korrekturen, Schulung im Alltag.
- Data Custodian (IT): technische Verantwortung (Systeme, Schnittstellen, Berechtigungen, Monitoring).
- DPO/Datenschutz (DSGVO): Beratung/Prüfung bei personenbezogenen Daten, Lösch- und Auskunftsprozessen.
RACI als Schlüssel (wer darf was?)
- Definiere pro Datenobjekt (z.B. Kunde, Lieferant, Artikel) Verantwortlichkeiten: Create/Change/Approve/Delete.
- Ohne RACI entsteht ‘Jeder kann alles’ oder ‘Niemand fühlt sich zuständig’.
- RACI muss in Workflows und Berechtigungen abgebildet werden (nicht nur auf Folien).
Minimal-Setup: Pro Domäne: 1 Data Owner (entscheidet), 1–2 Stewards (pflegen/prüfen), 1 Custodian (IT). Ohne diese Rollen bleibt ‘Datenqualität’ ein Dauerthema ohne Verantwortliche.
Prozesse: Change, Qualität und Zugriffe so steuern, dass es im Alltag funktioniert
Kernprozesse der Data Governance
- Change Management: neue Felder, Regeln, Workflows, Integrationen – mit Review/Release-Zyklus.
- Data Quality Management: Regeln, Messung, Korrekturpfade, Root-Cause-Beseitigung.
- Access & Security: Rollen/Rechte, Logging, Audit, Least Privilege.
- Lifecycle/Retention: Archivierung, Löschung, Datenklassifikation, Aufbewahrung.
Prozessdesign: so wird es nicht bürokratisch
- Timebox: kleine Changes schnell, große Changes mit klarer Governance (z.B. Change Board 2-wöchentlich).
- Standard-Templates: Change Request, Datenregel, Testkriterien, Rollout-Kommunikation.
- SLA für Datenkorrekturen: wer reagiert wann, wie werden Konflikte gelöst?
KPIs: Data Governance messbar machen
Beispiel-KPIs für Data Governance
| KPI | Beispielziel | Interpretation/Notiz |
|---|---|---|
| Dublettenquote (Kunden) | < 1–2% | Match-Regeln + Stewardship wirken |
| Vollständigkeit (Pflichtfelder) | > 98% | Standards/Pflichtfelder je Status sind sauber |
| Time-to-Fix Datenfehler | < 3–5 Tage | SLA + Verantwortlichkeiten funktionieren |
| Anteil 'Shadow Exports' | sinkend | Kontrollierte Ausleitungen statt Excel-Wildwuchs |
| Audit-/Log-Abdeckung | 100% kritische Änderungen | DSGVO/Compliance-Sicht besser |
Wichtig: KPIs müssen zu Domäne und Use Case passen. ‘Vollständigkeit’ ohne Kontext führt zu Pflichtfeld-Wildwuchs – und sinkender Akzeptanz.
DSGVO-Bezug: Betroffenenrechte operativ umsetzen
DSGVO-Bezug: Data Governance unterstützt Datenschutz – ersetzt ihn nicht
- Rechtsgrundlage/Transparenz: Datenklassifikation (personenbezogen/nicht) + Zweckbindung dokumentieren.
- Betroffenenrechte: Auskunft, Berichtigung, Löschung, Widerspruch – braucht Prozesse und Systemzugriffe.
- Löschkonzept & Aufbewahrung: Retention-Policies, Sperren/Archivierung, Nachweisbarkeit.
- Privacy by Design: minimale Datenerhebung, Zugriffskontrolle, Protokollierung, Rollenprinzip.
Praxis: typische DSGVO-Schmerzpunkte in Datenlandschaften
- Verteilte Kundendaten in CRM/ERP/Shop/Support – ohne Golden Record sind Auskünfte langsam/fehleranfällig.
- Löschung kollidiert mit Aufbewahrungspflichten (z.B. Rechnungen) – braucht Sperr-/Archivlogik.
- Exports/Shadow-IT (Excel) ohne Berechtigung/Logging – großer Risikohebel.
Typische Fehler: so bleibt Governance schlank
6 typische Fehler (und wie du sie vermeidest)
- ‘Governance = Tool einführen’ → erst Rollen/Prozesse, dann Tooling.
- Zu groß starten → beginne mit 1–2 Domänen und klaren Qualitätszielen.
- Keine Entscheidungskompetenz beim Data Owner → Governance wird zahnlos.
- Qualität nur korrigieren, nicht Ursachen beheben → Fehler kommen wieder.
- Keine Integration-Governance → Datenkopien und Überschreiben eskalieren.
- DSGVO nur als Dokumentation → Betroffenenrechte brauchen echte Prozesse und Systemzugriff.
FAQ: Data Governance aufbauen
Erstberatung: Data Governance (Operating Model) aufsetzen
Ich unterstütze systemunabhängig bei Domänen-/Use-Case-Schnitt, Rollen/RACI, Datenregeln, Change- und Quality-Prozessen, Integrationsgovernance sowie der Übersetzung in Tooling (MDM/PIM/ERP/CRM/iPaaS). Ziel: bessere Datenqualität ohne Bürokratie.
Erstberatung anfragen