Was ist Data Governance?
In einem aktuellen Webinar erklärte Aaren Stubberfield, Data Scientist bei Microsoft, wie Data Governance skalierbare Data Science ermöglicht – und startete mit der grundlegenden Frage, was Data Governance überhaupt ist.
Gemäß der Data Management Association (DAMA) ist Data Governance die Ausübung von Autorität und Kontrolle (Planung, Überwachung und Durchsetzung) über das Management von Datenwerten.
(1) Planung: Festlegen von Regeln, an die sich Datensätze halten müssen (z. B. Standardisierung des Datumsformats wie YYYY-MM-DD)
(2) Überwachung: Messen der Regelkonformität aus der Planungsphase (z. B. Nachverfolgung des Anteils an „Date“-Feldern mit fehlenden Werten)
(3) Durchsetzung: Korrekturmaßnahmen bei Regelverstößen (z. B. sofortiges Eingreifen, wenn in kritischen Feldern wie der Sozialversicherungsnummer gravierende Abweichungen gefunden werden)
Es gibt verschiedene Data-Governance-Rahmenwerke, sie drehen sich jedoch alle um dieselben Schlüsselelemente: Menschen (z. B. Data Stewards und Stakeholder, die Programme überwachen), Prozesse (z. B. Richtlinien und Verfahren, die die Regeln für Datensätze definieren), die betreffenden Datensätze selbst sowie Tools (z. B. Technologie und Infrastruktur zur Überwachung und Durchsetzung der Richtlinien).
Warum ist Data Governance wichtig?
Daten können nur dann als strategischer Wert genutzt werden, wenn sie über formale Verfahren und klare Verantwortlichkeiten regelkonform, sauber und zugänglich gehalten werden. Ziel von Data Governance ist es, Methoden, Prozesse und Zuständigkeiten festzulegen, mit denen Unternehmen die Qualität, Compliance und Nutzbarkeit ihrer Daten sicherstellen.
Datenqualität ist entscheidend für die Demokratisierung von Data Science, denn unternehmensweites Vertrauen in Daten ist von größter Bedeutung. So wie Konsumentinnen und Konsumenten keine Produkte von Händlern kaufen, denen sie nicht vertrauen, werden auch Business-Stakeholder und Datenprofis Daten (oder daraus abgeleitete Insights) nur zögerlich für Entscheidungen nutzen, wenn ihnen das Vertrauen fehlt.
Am Ende sind die erfolgreichsten Unternehmen jene, die Daten als verlässlichen Vermögenswert managen und erstklassige Data-Science-Fähigkeiten mit exzellenter Datenqualität verbinden.
Wie sieht gute Datenqualität aus?
Data-Governance-Programme sichern die Skalierbarkeit und Pflege der Datenqualität – aber wie zeigt sich „gute“ Datenqualität konkret? Atlan fasst sie in sieben Merkmalen zusammen:
- Präzise
- Verfügbar und zugänglich
- Vollständig
- Relevant und verlässlich
- Rechtzeitig
- Mit passender Granularität
- Hilft bei Entscheidungen
Welche Vorteile bringt Data Governance?
Richtig umgesetzt kann ein solides Data-Governance-Rahmenwerk zahlreiche Vorteile entfalten:
-
Gemeinsame Datensprache – Einheitliche Begriffe für Kennzahlen und Datensätze schaffen eine gemeinsame Datensprache und konsistente Terminologie, die im ganzen Unternehmen verstanden und genutzt wird.
-
Mehr Vertrauen in Datenqualität – Bessere Datenqualität durch gute Governance stärkt Vertrauen in Daten und zugehörige Dokumentation – und führt so zu einer breiteren Nutzung der Daten bei Entscheidungen.
-
Höhere Wiederverwendbarkeit – Data Governance sorgt für Standardisierung und Mapping unternehmensweiter Daten. Das steigert die Effizienz deutlich, da Daten in verschiedenen Business-Einheiten und Use Cases wiederverwendet werden können.
-
Verbesserte Datenmanagement-Mechanismen – Zentrale Steuerungsmechanismen definieren klare Richtlinien und Regeln für Best Practices und Verhaltensregeln rund um Datennutzung. Das ermöglicht den konsistenten Überblick über Schlüsselbereiche wie Compliance und Sicherheit und senkt zugleich die Gesamtkosten im Datenmanagement.
-
Skalierbare Compliance – Ein starkes Data-Governance-Programm stellt sicher, dass Organisationen regulatorischen Anforderungen entsprechen (z. B. California Consumer Privacy Act (CCPA) und General Data Protection Regulation (GDPR)) und personenbezogene Daten korrekt hinsichtlich Privatsphäre und Vertraulichkeit verwalten.
-
Single Source of Truth – Data Governance erleichtert die Integration unterschiedlicher Datenquellen, sodass Datensilos aufgelöst werden. So entsteht eine konsistente, vollständige „Single Source of Truth“ für Kundenprofile (oder andere zentrale Entitäten), auf deren Basis Stakeholder gemeinsam bessere Entscheidungen treffen.
-
Mehr Agilität durch Datendemokratisierung – Die durch gute Governance erreichte hohe Datenqualität macht Daten auch für nicht-technische Bereiche schnell nutzbar. Diese Demokratisierung ermöglicht agilere Business-Einheiten durch Self-Service-Analytics.
All diese Vorteile helfen Unternehmen, Kosten durch Effizienz zu senken, Risiken durch umsichtige Datennutzung zu minimieren, gesetzliche Vorgaben einzuhalten und die Performance durch konsequent datenbasierte Entscheidungen zu maximieren.
Wie wird Data Governance operativ verankert?
Eine aktuelle KPMG-Studie zeigt: Nur 35% der Datenverantwortlichen vertrauen ihren Daten. Eine Gartner-Umfrage ergab zudem, dass ganze 42% die Data-Governance-Strukturen ihrer Unternehmen nicht bewerten oder überwachen.
Das verdeutlicht: Viele Organisationen hinken bei der Datenqualität hinterher. Im Webinar nannte Aaren mehrere Best Practices, wie Unternehmen Data Governance Schritt für Schritt operationalisieren.
-
Mit den richtigen Menschen starten – Erfolgreiche Data Governance basiert auf dem richtigen Team. Binde früh die besten Talente und Schlüssel-Stakeholder ein, die die Umsetzung vorantreiben.
-
Metriken konsequent tracken – Datenqualitätsmetriken müssen von Anfang an definiert und überwacht werden, um Fortschritt und Mehrwert der Governance sichtbar zu machen. Beispiele: Fertigstellungsgrad des Datenglossars, Anteil vollständiger, gültiger und korrekter Kontaktdaten.
-
Kommunikation ist entscheidend – Laufende Unterstützung hängt von transparenter, konstruktiver Kommunikation zu Erfolgen, Rückschlägen und Fortschritt gegenüber den wichtigsten Stakeholdern ab.
-
Langer Atem – Data Governance ist eine langfristige Investition, die Kontinuität erfordert. Denke in iterativen Zyklen der kontinuierlichen Verbesserung statt in Ad-hoc-Initiativen.
-
In Data-Governance-Tools investieren – Das ständig wachsende Datenvolumen macht manuelle Governance unmöglich. Tools sind deshalb zentrale Enabler, um Governance-Aufgaben und Data-Stewardship zu automatisieren.
-
Nicht bei null anfangen – Es gibt viele Ressourcen mit erfolgreichen Use Cases, Rahmenwerken und Praxisbeispielen. Organisationen können bestehende Frameworks von DAMA, EDM Council oder PwC nutzen und anpassen.
Beispiel für ein ganzheitliches Data-Governance-Rahmenwerk | Quelle: PwC
Den Business Case aufbauen
Um langfristige Veränderungen zu erreichen und Führungskräfte für Data-Governance-Initiativen zu gewinnen, brauchst du einen überzeugenden Business Case. Identifiziere zunächst Pain Points, die auf mangelnde Datenqualität zurückgehen. Beispiel: Unvollständige Kundenkontakte führen zu spürbaren Einbußen bei Vertriebschancen.
Darauf aufbauend lassen sich die geschäftlichen Vorteile (z. B. höherer Umsatz, besseres Kundenerlebnis) durch bessere Datenqualität infolge der Governance-Maßnahmen klar herausstellen und kommunizieren.
Datenkompetenzen ermöglichen erfolgreiche Data Governance
Eine BCG-Studie zeigte, dass über 60% der Unternehmen ihre Data-Governance-Fähigkeiten als „unterentwickelt“ einschätzen – und dadurch Advanced Analytics im Geschäft nicht heben können. Das unterstreicht die Herausforderungen bei der Umsetzung: zu geringe Repräsentanz von Data Stewards, unklare Zuständigkeiten und zu niedrige Priorität im Unternehmen.
Gemeinsamer Nenner: Menschen stehen im Zentrum. Damit die Governance-Ziele erreicht werden, müssen Mitarbeitende die passenden Kompetenzen besitzen, um Governance-Aufgaben sicher zu bewältigen. Für erfolgreiche Data Governance sollten Organisationen in die Weiterbildung ihrer Leute investieren – von Datenkompetenz über Datenbereinigung und -exploration bis hin zu weiteren Fähigkeiten.
Am Ende ist Data Governance Teamarbeit – aufgebaut auf einer gemeinsamen Datensprache im gesamten Unternehmen.
