Zum Inhalt springen

Glossar

Data Governance & Sicherheit

Data Governance

Data Governance umfasst die Rollen, Regeln und Prozesse, die festlegen, wem welcher Datensatz gehört, wie zentrale Kennzahlen definiert sind, welche Qualitäts- und Zugriffsstandards gelten und wie die Einhaltung von Gesetzen wie der DSGVO nachgewiesen wird.

Aktualisiert am · Vom VIZIO AI Team

Was ist Data Governance?

Governance ist ein Entscheidungssystem, kein Tool: Sie beantwortet, wer jedes wichtige Datenelement definieren, ändern, einsehen und löschen darf. In der Praxis umfasst sie fünf Bereiche:

  • Verantwortung: eine namentlich benannte verantwortliche Person pro Domäne; siehe Data Ownership.

  • Definitionen: eine vereinbarte Formel für Kennzahlen wie aktiver Kunde oder Nettoumsatz.

  • Qualität: Regeln und Schwellenwerte, mit Data Stewards, die Probleme beheben.

  • Zugriff und Datenschutz: wer was sehen darf und warum.

  • Lebenszyklus: Aufbewahrung, Archivierung und Löschung.

Das DAMA-DMBOK-Framework ist die meistzitierte Referenz, die diese Bereiche abbildet. Die Regulierung verleiht ihr Durchschlagskraft: Art. 30 DSGVO verlangt ein Verzeichnis von Verarbeitungstätigkeiten, und Art. 5 Abs. 2 verpflichtet den Verantwortlichen, die Einhaltung nachzuweisen – was ohne benannte Verantwortliche und dokumentierte Datenflüsse kaum möglich ist.

Wie bauen Sie ein Data-Governance-Programm auf?

Beginnen Sie mit den wenigen Datensätzen, die echte Diskussionen oder echtes Risiko verursachen, nicht mit dem gesamten Bestand.

  1. Wählen Sie 5 bis 10 kritische Datenelemente aus, etwa Kunden-ID, Auftragsumsatz und Einwilligungsstatus.

  2. Weisen Sie jedem einen Owner und einen Steward zu.

  3. Halten Sie für jedes Element Definition, Quellsystem und Qualitätsregel in einem gemeinsamen Katalog fest.

  4. Automatisieren Sie Prüfungen in der Pipeline, zum Beispiel dbt-Tests auf Eindeutigkeit und Not-null bei Schlüsseln.

  5. Halten Sie ein kurzes monatliches Gremium ab, das Änderungen freigibt und fehlgeschlagene Prüfungen bespricht.

Messen Sie das Programm mit wenigen Kennzahlen: Anteil der kritischen Elemente mit Owner, offene Qualitätsprobleme und Zeit bis zu ihrer Lösung. Veröffentlichen Sie diese Zahlen dort, wo das Gremium sie sieht; ein Governance-Programm, das seine eigene Entwicklung nicht zeigen kann, verliert meist innerhalb eines Jahres seinen Sponsor.

Wie sieht Data Governance in der Praxis aus?

Die meisten Governance-Programme beginnen mit einer umstrittenen Zahl und einem benannten Owner. Stellen Sie sich einen Versicherungsmakler mit 300 Mitarbeitenden vor, bei dem Finanzen und Vertrieb jeden Monat unterschiedliche Neugeschäftsumsätze melden. Angenommen, die Differenz entsteht, weil der Vertrieb Angebote zum Unterschriftsdatum zählt und die Finanzabteilung zum Zahlungsdatum.

Der CFO wird zum Owner der Umsatzdefinition ernannt, ein Finanzanalyst wird ihr Steward, und die vereinbarte Regel wird ins dbt-Modell und in den Datenkatalog geschrieben. Ein Test markiert jede Police mit Umsatz, aber ohne Zahlungsdatum, und das BI-Tool blendet die alte, vom Vertrieb gebaute Kennzahl aus.

In diesem Beispiel schrumpft das monatliche Abstimmungsmeeting auf die Prüfung von Ausnahmen, denn es gibt jetzt eine Definition mit einer benannten Person, die sie ändern kann. Als der Vertrieb später eine angebotsbasierte Sicht wünscht, wird sie als separat benannte Kennzahl, Pipeline-Wert, ergänzt – statt als zweite Bedeutung von Umsatz.

Was sind typische Fallstricke bei Data Governance?

Governance scheitert, wenn sie als Dokumentationsprojekt betrieben wird, statt in die Art eingebaut zu werden, wie Daten entstehen.

  • Richtlinien, die einmal geschrieben und nie in Pipelines durchgesetzt werden.

  • Ein Gremium ohne Entscheidungsbefugnisse, sodass Themen endlos kreisen.

  • Der Versuch, am ersten Tag jede Tabelle zu katalogisieren.

  • Governance als Aufgabe der IT zu betrachten, obwohl die Definitionen dem Fachbereich gehören.

Für ein Start-up mit 10 Mitarbeitenden und einer Datenbank ist sie zu schwergewichtig; ein gemeinsames Kennzahlenglossar und klare Zugriffsregeln reichen, bis mehrere Teams von denselben Daten abhängen. Der Auslöser für eine Formalisierung ist meist die erste Audit-Anfrage, das erste KI-Projekt, das saubere Trainingsdaten braucht, oder die erste Board-Sitzung mit zwei Umsatzzahlen.

Wie unterscheidet sich Data Governance von Datenmanagement?

Governance legt Regeln und Entscheidungsrechte fest; Datenmanagement ist die tägliche Arbeit, sie umzusetzen. Pipelines, Modelle und das Warehouse zu bauen, ist Management; zu entscheiden, welche Umsatzdefinition es verwenden muss, ist Governance.

Unterstützende Tools sind Collibra, Alation, Atlan und Microsoft Purview für Kataloge und Richtlinien, Databricks Unity Catalog und Snowflake Access Policies für die Zugriffssteuerung sowie dbt-Tests oder Great Expectations für Qualitätsprüfungen.

Data Governance vs. Datenmanagement

Data Governance

Datenmanagement

Beantwortete Frage

Wer entscheidet, und nach welchen Regeln?

Wie werden die Daten bewegt und gespeichert?

Geleitet von

Fachlichen Ownern und einem Data Council

Data Engineers und Plattformteams

Ergebnisse

Richtlinien, Definitionen, Entscheidungsrechte

Pipelines, Modelle, Warehouses

Gemessen an

Owner-Abdeckung, Lösungszeit für Probleme

Aktualität, Verfügbarkeit, Kosten

Beispiel

Umsatz zählt zum Zahlungsdatum

dbt-Modell, das diese Regel umsetzt

Wie geht VIZIO AI an Data Governance heran?

VIZIO AI baut Governance direkt in die Datenschicht ein: ein Warehouse, vereinbarte Kennzahlendefinitionen, Validierungsschritte und geschulte Owner. Für eine internationale Rechtsboutique mit Sitz in Spanien verband das DX Studio HubSpot und Finanzsysteme zu einem SQL Warehouse mit automatischer Synchronisierung und Datenvalidierungsschichten hinter einem Marketing-Intelligence-Dashboard für Kanzleien; dadurch sank der Zeitaufwand für das Performance-Reporting um 70 %, und Genauigkeit und Zuverlässigkeit der Daten verbesserten sich in Spanien, Portugal und Griechenland um 45 %.

Für einen US-Audiologieanbieter mit übernommenen Kliniksystemen beseitigte ein einheitliches Warehouse doppelte und widersprüchliche Datensätze, bevor das Dashboard zur prädiktiven Patientenbindung entwickelt wurde. Wo Sie anfangen sollten: Listen Sie die fünf Kennzahlen auf, über die Ihre Teams am meisten streiten, und geben Sie jeder einen Owner.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen