Fast jedes Digitalisierungsvorhaben stößt früher oder später auf dieselbe Hürde: Die Daten stimmen nicht. Kundennummern existieren doppelt, Artikelstammdaten weichen je System voneinander ab, und niemand ist offiziell dafür verantwortlich. Data Governance ist die Antwort auf genau dieses Problem — kein Bürokratieprojekt, sondern die Voraussetzung dafür, dass Auswertungen, Automatisierung und KI-Anwendungen belastbare Ergebnisse liefern.
Was Data Governance leistet — und was nicht
Data Governance beantwortet drei Fragen verbindlich: Wem gehört ein Datenbestand fachlich? Nach welchen Regeln wird er erfasst und gepflegt? Und wie wird die Einhaltung dieser Regeln überprüft? Sie ersetzt weder ein Stammdatensystem noch ein Analytics-Werkzeug — sie sorgt dafür, dass beides auf einer verlässlichen Grundlage arbeitet. Ein häufiges Missverständnis ist, Governance sei ein Thema für Konzerne. Das Gegenteil trifft zu: Gerade Unternehmen mit 50 bis 500 Mitarbeitenden profitieren, weil sich Regeln dort mit wenigen Beteiligten schnell durchsetzen lassen.
Die vier Bausteine: Verantwortung, Standards, Prozesse, Kontrolle
In unseren Projekten hat sich ein schlankes Modell mit vier Bausteinen bewährt. Erstens Verantwortung: Jede zentrale Datendomäne — Kunden, Artikel, Lieferanten, Mitarbeitende — erhält genau eine fachlich verantwortliche Person. Zweitens Standards: dokumentierte Regeln für Pflichtfelder, Formate und Dublettenprüfung, idealerweise auf zwei bis drei Seiten je Domäne. Drittens Prozesse: definierte Abläufe für Anlage, Änderung und Stilllegung von Datensätzen, inklusive Vier-Augen-Prinzip bei kritischen Feldern wie Bankverbindungen. Viertens Kontrolle: automatisierte Qualitätsprüfungen, die Verstöße melden, bevor sie in Rechnungen oder Reports landen.
Rollen pragmatisch besetzen: Data Owner und Data Steward
Für den Einstieg genügen zwei Rollen. Der Data Owner ist eine Führungskraft der Fachabteilung und entscheidet über Regeln und Konflikte — etwa, welche Abteilung bei widersprüchlichen Kundendaten das letzte Wort hat. Der Data Steward setzt die Regeln operativ um: Er pflegt Definitionen, bearbeitet Dubletten und misst die Qualität. Beide Rollen sind in der Regel keine Vollzeitstellen; in mittelständischen Strukturen sprechen wir von zwei bis acht Stunden pro Woche je Domäne. Entscheidend ist, dass die Rollen benannt und mit Mandat ausgestattet sind — nicht, dass eine neue Abteilung entsteht.
Ein Einstieg in 90 Tagen
Ein realistischer Fahrplan für das erste Quartal: In den Wochen eins bis vier wird eine Datendomäne mit hohem Schmerz ausgewählt — meist die Kundenstammdaten — und der Ist-Zustand gemessen: Dublettenquote, Anteil unvollständiger Pflichtfelder, Zahl der pflegenden Systeme. Bei einem Handelsunternehmen mit rund 200 Mitarbeitenden fanden wir so 11 Prozent Dubletten und drei parallel gepflegte Kundenlisten. In den Wochen fünf bis acht werden Regeln definiert, Rollen besetzt und die Bestandsdaten bereinigt. In den Wochen neun bis zwölf gehen automatisierte Prüfungen in Betrieb, und ein monatlicher Qualitätsbericht etabliert die Routine. Erst danach folgt die nächste Domäne. Wie wir solche Vorhaben methodisch begleiten, beschreiben wir auf unserer Seite Dienstleistungen.
Typische Fehler — und wie Sie sie vermeiden
Drei Muster sehen wir immer wieder. Erstens der Perfektionsanspruch: Wer alle Domänen gleichzeitig regeln will, regelt am Ende keine. Zweitens die Werkzeuggläubigkeit: Ein Datenkatalog oder MDM-System ohne geklärte Verantwortung verwaltet nur das Chaos schneller. Drittens die fehlende Verankerung im Alltag: Regeln, die nicht in den Erfassungsmasken und Freigabeprozessen technisch hinterlegt sind, werden nach wenigen Wochen ignoriert. Governance wirkt dort, wo sie in die tägliche Arbeit eingebaut ist — nicht dort, wo sie in einem Handbuch steht. Ein vierter Punkt betrifft die Messung: Ohne monatlich berichtete Qualitätskennzahlen schläft jede Governance-Initiative nach einem halben Jahr ein.
Fazit: Datenqualität ist eine Führungsaufgabe
Data Governance ist kein Projekt mit Enddatum, sondern eine dauerhafte Zuständigkeit — vergleichbar mit dem Qualitätsmanagement in der Produktion. Der Aufwand ist überschaubar, wenn Sie mit einer Domäne beginnen, Rollen schlank besetzen und Kontrollen automatisieren. Der Nutzen zeigt sich schnell: weniger Rückfragen, verlässliche Auswertungen und eine Datenbasis, auf der sich Automatisierung und KI überhaupt erst lohnen. Wenn Sie den Zustand Ihrer Datenlandschaft ehrlich einordnen möchten, unterstützen wir Sie gern mit einer strukturierten Bestandsaufnahme — nehmen Sie Kontakt auf.
