
Kurz erklärt: Data Governance ist das Regelwerk, mit dem ein Unternehmen festlegt, wer für welche Daten verantwortlich ist, wie Daten erfasst, gespeichert, genutzt und geschützt werden und woran man gute Datenqualität erkennt. Sie verbindet Rollen, Richtlinien, Prozesse und Werkzeuge, damit Daten vertrauenswürdig, sicher und regelkonform nutzbar sind.
Definition
Data Governance bezeichnet die Gesamtheit aller Rollen, Regeln, Prozesse und Standards, mit denen eine Organisation ihre Daten steuert. Sie beantwortet Fragen wie: Wem gehört der Kundenstamm? Wer darf Umsatzzahlen sehen? Welche Definition von „Umsatz“ gilt im ganzen Unternehmen? Wie lange werden personenbezogene Daten aufbewahrt?
Wichtig ist die Abgrenzung zum Datenmanagement: Data Governance legt die Regeln fest, das Datenmanagement setzt sie im Alltag um, also beim Laden, Speichern, Modellieren und Bereitstellen der Daten. Governance ist damit keine IT-Aufgabe allein, sondern eine gemeinsame Verantwortung von Fachbereichen und IT.
Warum ist Data Governance wichtig?
- Vertrauen in Zahlen: Wenn Vertrieb und Controlling unterschiedliche Umsätze berichten, fehlt meist eine gemeinsame Definition. Governance schafft eine „Single Source of Truth“.
- Datenqualität: Klare Verantwortliche sorgen dafür, dass Fehler an der Quelle behoben werden statt in jedem Bericht neu.
- Compliance: DSGVO, Aufbewahrungsfristen und branchenspezifische Vorgaben (z. B. in Banken und Versicherungen) verlangen nachvollziehbare Regeln für den Umgang mit Daten.
- Sicherheit: Zugriffe werden nach dem Minimalprinzip vergeben, sensible Daten sind gekennzeichnet und geschützt.
- Grundlage für KI: KI-Anwendungen und Copilots sind nur so gut wie die Daten, auf die sie zugreifen. Ohne Governance gelangen falsche oder vertrauliche Daten in Antworten.
Die Bausteine einer Data Governance
1. Rollen und Verantwortlichkeiten
- Data Owner: fachlich verantwortlich für einen Datenbereich (z. B. Leitung Vertrieb für Kundendaten), entscheidet über Zugriff und Nutzung.
- Data Steward: kümmert sich operativ um Definitionen, Datenqualität und Metadaten.
- Data Custodian: meist IT, betreibt Systeme, Speicher und Berechtigungen technisch.
- Data Governance Board: Gremium, das Richtlinien beschließt und Konflikte zwischen Bereichen löst.
2. Richtlinien und Standards
Dazu gehören Namenskonventionen, verbindliche Kennzahlendefinitionen, Klassifizierung nach Vertraulichkeit (öffentlich, intern, vertraulich, streng vertraulich), Aufbewahrungs- und Löschregeln sowie Vorgaben für den Zugriff.
3. Datenqualität
Messbare Kriterien wie Vollständigkeit, Korrektheit, Aktualität, Eindeutigkeit und Konsistenz werden festgelegt und regelmäßig geprüft. Mehr dazu im Glossar unter Data Quality.
4. Metadaten, Datenkatalog und Lineage
Ein Datenkatalog beschreibt, welche Daten es gibt, was sie bedeuten und wem sie gehören. Die Data Lineage zeigt, woher eine Zahl stammt und durch welche Schritte sie gelaufen ist. Das ist unverzichtbar, wenn ein Bericht hinterfragt wird oder sich ein Quellsystem ändert.
5. Sicherheit und Datenschutz
Rollenbasierte Berechtigungen, Kennzeichnung sensibler Daten (Sensitivity Labels), Maskierung personenbezogener Felder und Protokollierung von Zugriffen.
Data Governance einführen: in 6 Schritten
- Ziel und Anlass klären: Geht es um widersprüchliche Kennzahlen, ein Audit, DSGVO oder die Vorbereitung auf KI? Der Anlass bestimmt die ersten Prioritäten.
- Klein starten: Mit einem Datenbereich beginnen, der viel Ärger macht, etwa Kunden- oder Finanzdaten, statt das ganze Unternehmen auf einmal zu regeln.
- Rollen besetzen: Data Owner und Data Stewards benennen und ihnen Zeit dafür geben.
- Begriffe festlegen: Ein Business-Glossar mit den 20–30 wichtigsten Kennzahlen und ihren verbindlichen Definitionen anlegen.
- Werkzeuge einsetzen: Datenkatalog, Lineage, Berechtigungen und Qualitätsprüfungen technisch umsetzen, möglichst direkt in der Datenplattform.
- Messen und ausweiten: Fortschritt an Kennzahlen wie Datenqualitätsquote oder Anzahl zertifizierter Datensätze messen und das Modell schrittweise auf weitere Bereiche übertragen.
Als Orientierung dient vielen Unternehmen das DAMA-DMBOK, das Standardwerk der Data Management Association zu Datenmanagement und Governance.
Data Governance in Microsoft Fabric
In Microsoft Fabric ist Governance direkt in die Plattform eingebaut, statt nachträglich ergänzt zu werden:
- OneLake-Katalog: zentrale Übersicht über alle Datenelemente mit Besitzern, Beschreibungen und Governance-Hinweisen.
- Domänen: Workspaces lassen sich fachlichen Bereichen wie Vertrieb oder Finanzen zuordnen, passend zu einem Data-Mesh-Ansatz.
- Endorsement: Datensätze können als „heraufgestuft“ oder „zertifiziert“ markiert werden, damit Nutzer erkennen, welchen Daten sie trauen können.
- Vertraulichkeitsbezeichnungen aus Microsoft Purview wandern mit den Daten bis in exportierte Excel- oder PDF-Dateien.
- Lineage-Ansicht: zeigt den Weg von der Quelle über Lakehouse und semantisches Modell bis zum Bericht.
- Rollen und Berechtigungen auf Workspace-, Element- und Datenebene (z. B. zeilenbasierte Sicherheit).
Wie das in der Praxis aussieht, beschreiben wir in den Beiträgen Data Governance in Fabric und OneLake Governance.
Beispiel: eine Kennzahl verbindlich definieren
Wie Governance konkret wirkt, zeigt die Kennzahl „Umsatz“. Ohne Regeln rechnet der Vertrieb mit Auftragswerten, das Controlling mit fakturierten Nettoerlösen und das Marketing mit Shop-Bestellungen inklusive Mehrwertsteuer. Ein Eintrag im Business-Glossar schafft Klarheit:
- Name: Nettoumsatz
- Definition: fakturierte Erlöse ohne Mehrwertsteuer, abzüglich Gutschriften und Retouren
- Zeitbezug: Rechnungsdatum, nicht Bestelldatum
- Quelle: Fakturierungstabellen des ERP, geladen täglich um 6 Uhr
- Data Owner: Leitung Finanzen. Data Steward: Controlling
- Zertifizierte Umsetzung: Kennzahl „Nettoumsatz“ im zentralen semantischen Modell
Alle Berichte nutzen ab sofort diese eine Kennzahl. Abweichende Sichten wie den Auftragseingang gibt es weiterhin, aber unter eigenem Namen. Diskussionen darüber, wessen Zahl stimmt, verschwinden.
Typische Fehler
- Governance als reines IT-Projekt: Ohne Fachbereiche gibt es keine verbindlichen Definitionen.
- Zu viel auf einmal: Ein 80-seitiges Regelwerk, das niemand liest, bringt weniger als fünf Regeln, die gelebt werden.
- Keine Zeit für Rollen: Data Stewards „nebenbei“ zu benennen, funktioniert selten.
- Kein Bezug zum Nutzen: Governance muss sichtbar Probleme lösen, etwa schnellere Berichte oder weniger Rückfragen, sonst verliert sie Rückhalt.
Häufige Fragen zu Data Governance
Was ist der Unterschied zwischen Data Governance und Datenmanagement?
Data Governance definiert Regeln und Verantwortlichkeiten. Datenmanagement setzt sie technisch und organisatorisch um.
Was ist der Unterschied zwischen Data Governance und Datenschutz?
Datenschutz ist ein Teil der Governance und betrifft personenbezogene Daten. Governance umfasst alle Daten, auch Produkt-, Finanz- oder Maschinendaten.
Brauchen auch mittelständische Unternehmen Data Governance?
Ja, nur in schlankerer Form. Schon klare Verantwortliche und ein gemeinsames Kennzahlen-Glossar lösen viele Probleme.
Welche Tools gibt es für Data Governance?
Im Microsoft-Umfeld vor allem Microsoft Purview und die Governance-Funktionen von Microsoft Fabric, also OneLake-Katalog, Domänen, Endorsement und Lineage.
Verwandte Begriffe: Data Quality, Master Data Management, Data Mesh, Datenstrategie. Den Unterschied zur Datenarchitektur erklären wir im Beitrag Data Architecture vs. Data Governance.
