Data Stewardship
Data Stewardship ist die praktische Arbeit, einen Datenbestand korrekt, dokumentiert und nutzbar zu halten: Felder definieren, Qualitätsregeln festlegen und überwachen, Fehler an der Quelle beheben und Fragen dazu beantworten, was die Daten bedeuten.
Was ist Data Stewardship?
Bei Data Stewardship werden Governance-Richtlinien zur täglichen Praxis. Ein Data Owner entscheidet, was der Kundenstatus bedeuten soll; ein Steward sorgt dafür, dass jeder Datensatz dieser Regel tatsächlich folgt.
Es gibt zwei Arten von Stewards:
Fachliche Stewards: Fachexperten, etwa ein Finanzanalyst für Abrechnungsdaten, die Definitionen verantworten und beurteilen, ob ein Wert richtig ist.
Technische Stewards: Engineers oder Analysten, die Tests, Lineage und Korrekturen in Pipelines umsetzen.
Die meisten Unternehmen stellen Stewards nicht unter diesem Jobtitel ein; sie übertragen die Rolle Personen, die die Daten bereits kennen, und reservieren dafür einige Stunden pro Woche. Stewards werden meist pro Domäne benannt, etwa Kunde, Produkt oder Finanzen, damit jeder die Eigenheiten einer kleinen Zahl von Quellsystemen gut kennenlernen kann.
Was macht ein Data Steward?
Die Woche eines Stewards ist ein Kreislauf aus Definieren, Überwachen, Korrigieren und Erklären.
Felddefinitionen und gültige Werte im Katalog anlegen und pflegen.
Qualitätsregeln mit Schwellenwerten festlegen, etwa „E-Mail-Adresse bei 98 % der aktiven Kunden befüllt“ oder „keine doppelten Kunden-IDs“.
Fehlgeschlagene Prüfungen aus dbt-Tests, Great Expectations oder einem Monitoring-Tool wie Monte Carlo sichten.
Jedes Problem mithilfe der Data Lineage bis zu seiner Quelle zurückverfolgen und es dort beheben, nicht im Report.
Fragen wie „Was bedeutet diese Spalte?“ beantworten und neue Felder freigeben.
Eine nützliche Kennzahl für Stewards ist die mittlere Zeit bis zur Lösung eines Datenproblems, monatlich erfasst.
Wie sieht Data Stewardship in der Praxis aus?
Ein Steward behebt ein Datenproblem einmal an der Quelle statt in jedem nachgelagerten System. Nehmen Sie einen Großhändler mit 70 Mitarbeitenden, dessen Produktkatalog die Website, das ERP und Marktplatz-Listings speist. Angenommen, in diesem Beispiel fehlen bei 12 % der SKUs die Gewichtsangaben, sodass die Versandkostenangaben auf der Website falsch sind.
Die E-Commerce-Managerin wird als Steward für Produktdaten benannt.
Sie ergänzt eine Regel, dass Gewicht und Abmessungen Pflicht sind, bevor eine SKU live gehen kann, durchgesetzt im PIM.
Eine wöchentliche Prüfung listet die SKUs auf, die durchfallen, sortiert nach Absatzvolumen.
Lieferanten mit fehlenden Daten erhalten eine standardisierte Anfragevorlage.
In diesem Beispiel sinkt der Anteil fehlender Gewichtsangaben jede Woche, und die Korrektur erfolgt einmal im PIM statt in drei nachgelagerten Systemen.
Die Steward erfährt auch, woher die Fehler kommen: Angenommen, zwei Lieferanten schicken Tabellen mit Gewichten in Pfund, während alle anderen Kilogramm verwenden. Ein Einheitenfeld und eine Umrechnungsregel beim Import beheben diese Fehlerklasse dauerhaft, und genau für solche Ursachenkorrekturen gibt es Data Stewardship.
Was sind die Fallstricke von Data Stewardship?
Das häufigste Scheitern ist Data Stewardship ohne zugewiesene Zeit, die zu einem Titel wird, nach dem niemand handelt.
Daten in der Dashboard-Ebene korrigieren, sodass die Quelle fehlerhaft bleibt und alle anderen Nutzer weiterhin Fehler sehen.
Zu viele Regeln auf einmal; beginnen Sie mit den fünf Prüfungen, die mit echten geschäftlichen Problemen verknüpft sind.
Kein Eskalationsweg, wenn ein Quellteam sich weigert, etwas zu ändern.
Stewards ohne Zugriff auf Katalog oder Pipelines, die nur Tickets erstellen können.
Für Daten, auf deren Grundlage niemand etwas entscheidet, ist es überdimensioniert; konzentrieren Sie Stewards zuerst auf kritische Datenelemente.
Wie unterscheidet sich Data Stewardship von Data Governance?
Governance schreibt die Regeln und vergibt Entscheidungsrechte; Stewardship wendet sie im Alltag an und setzt sie durch. Data Governance ist ein Rahmenwerk; Stewardship ist eine Reihe wiederkehrender Aufgaben, die von benannten Personen erledigt werden.
Ein einfacher Test unterscheidet beide: Endet die Aufgabe in einer Entscheidung oder einer Richtlinie, ist es Governance; endet sie in einem korrigierten Datensatz, einem bestandenen Test oder einer aktualisierten Definition, ist es Stewardship.
Stewardship überschneidet sich zudem mit dem Datenqualitätsmanagement, das die Tools liefert: Kataloge wie Atlan, Alation, Collibra oder Microsoft Purview und Test-Tools wie dbt-Tests, Soda und Great Expectations.
Data Stewardship vs. Data Governance
Data Stewardship | Data Governance | |
|---|---|---|
Charakter | Fortlaufende praktische Aufgaben | Rahmenwerk aus Regeln und Rollen |
Durchgeführt von | Benannten Stewards pro Domäne | Data Council, Data Owners, Sponsor |
Ergebnis | Saubere, dokumentierte, getestete Daten | Richtlinien, Standards, Entscheidungsrechte |
Rhythmus | Wöchentlich | Monatlich oder vierteljährlich |
Wichtigste Kennzahl | Zeit bis zur Lösung von Datenproblemen | Abdeckung durch Verantwortliche und Richtlinien |
Wie geht VIZIO AI an Data Stewardship heran?
VIZIO AI verankert Stewardship im Systemdesign: standardisierte Eingaben, ein gemeinsames Datenmodell und Validierung, bevor Daten ein Dashboard erreichen. Für eine US-amerikanische E-Commerce-Marke für Damenmode zentralisierte das DX Studio Marketing-, Vertriebs- und Preisdaten über Precog und baute ein konsistentes Datenmodell, das die Formate in einem gemeinsamen KPI-Modell abglich und die Datengenauigkeit im Echtzeit-Dashboard für Fashion-Analytics um 28 % verbesserte.
Für eine gemeinnützige Organisation in den USA senkte ein standardisierter Dateneingabeprozess in einem operativen Dashboard mit Flask und Dash die Datenfehler um 30 %. Wo Sie anfangen sollten: Wählen Sie ein kritisches Feld, schreiben Sie seine gültigen Werte auf und zählen Sie, wie viele Datensätze heute gegen die Regel verstoßen.
Data Stewardship in Fallstudien von VIZIO AI
- Real-Time Fashion Analytics ›Ein konsistentes Datenmodell glich Marketing-, Vertriebs- und Preisformate in einem gemeinsamen KPI-Modell ab und verbesserte die Datengenauigkeit um 28 %.
- Operational Efficiency Enhancement ›Eine standardisierte Dateneingabe für das Berater-Reporting senkte die Datenfehler um 30 % und sparte jährlich rund 2.000 Stunden bei der Erstellung von Reports.