Data Governance bezeichnet den übergeordneten Rahmen aus Regeln, Prozessen, Rollen und Verantwortlichkeiten, der sicherstellt, dass Daten in einer Organisation korrekt verwaltet, qualitätsgesichert, sicher gespeichert und im Einklang mit gesetzlichen und unternehmerischen Anforderungen genutzt werden. Data Governance beantwortet die Frage: Wer darf was mit welchen Daten tun – und nach welchen Regeln?
Data Governance ist kein technisches System, sondern ein organisatorisches Rahmenwerk. Es definiert Rollen (wer ist Data Owner, wer ist Data Steward?), Prozesse (wie werden neue Datenquellen integriert? Wie werden Qualitätsprobleme eskaliert?) und Standards (welche Datenformate sind verbindlich? Welche Felder sind Pflichtfelder?). Ohne Data Governance wächst die Datenlandschaft unkontrolliert – und jedes Automatisierungsprojekt kämpft gegen dasselbe Chaos.
Die vier Säulen der Data Governance
Rollen & Verantwortlichkeiten
Data Owner, Data Steward, Data Consumer – wer ist für welche Daten verantwortlich, wer pflegt sie, wer nutzt sie?
Richtlinien & Standards
Verbindliche Regeln für Datennaming, Datenformate, Pflichtfelder, Klassifikation und Aufbewahrungsfristen.
Prozesse & Workflows
Wie werden neue Daten erfasst? Wie werden Qualitätsprobleme gemeldet und behoben? Wie werden Zugriffe genehmigt?
Monitoring & Compliance
Kontinuierliche Messung von Datenqualitäts-KPIs, Audit-Trails für Datenzugriffe, Compliance-Nachweise für DSGVO und Regularien.
Data Governance und Automatisierung
Automatisierungsprojekte sind ein direkter Profiteur und gleichzeitig ein Treiber von Data Governance: Profiteur, weil gut geregelte Daten automatisierte Prozesse stabiler machen. Treiber, weil Automatisierung Datenfehler gnadenlos sichtbar macht – was manuell von erfahrenen Sachbearbeitern still korrigiert wurde, führt in einer Automation zu Ausnahmen und Fehlern, die dokumentiert und eskaliert werden. Viele Organisationen beginnen ernsthaft mit Data Governance erst dann, wenn ein Automatisierungsprojekt die Konsequenzen schlechter Datenhygiene schmerzhaft aufzeigt.
Praxisbeispiel
Ein Pharmaunternehmen führt ein Data-Governance-Framework ein, nachdem ein Automatisierungsprojekt in der Lieferantenqualifizierung regelmäßig scheiterte – weil Zertifikatsdaten in vier verschiedenen Formaten und drei verschiedenen Systemen ohne klare Verantwortlichkeit gepflegt wurden. Data-Governance-Ergebnis: Data Owner für Lieferantendaten definiert (Einkaufsleitung). Data Steward für operativen Betrieb benannt (Einkaufssachbearbeiter). Verbindliches Format für Zertifikatsdaten festgelegt. Prozess für Zertifikatsablauf-Monitoring automatisiert. 6 Monate nach Einführung: Fehlerrate im Lieferantenqualifizierungs-Workflow von 38 auf 4 Prozent gesunken.
