Governance ist nicht Datenverwaltung. Governance ist Steuerung durch Regeln, Rollen und Entscheidungsmodelle. Sie definiert, wer für Datenqualität verantwortlich ist, wie Daten freigegeben werden, welche Standards gelten. Ohne Governance wird IT zum Compliance-Risiko und Datenqualität zur Glückssache.
Governance vs. Management
Management ist operativ: Daten bereinigen, Prozesse etablieren. Governance ist die Regelwerk-Ebene — wer entscheidet, wie entschieden wird, wer trägt Verantwortung. Beides braucht einander, keines ersetzt das andere.
Governance ist eine Führungsaufgabe
Governance beginnt nicht in der IT, sondern mit Klärung durch Geschäftsführung oder Vorstandskomitee. Wer Governance in die IT delegiert, delegiert Führungsverantwortung in die falsche Ebene.
Regulatorisches Umfeld verschärft sich
DSGVO, DORA, NIS2 — alle verlangen Nachweise über Governance-Strukturen: Dateneigentümerschaft, Zugriffssteuerung, Audit-Trails. Fehlende Governance ist kein IT-Defizit, sondern ein Compliance-Risiko auf Geschäftsführungsebene.
Transaktionen setzen Governance voraus
Carve-out, Due Diligence, PMI — alle erfordern Transparenz über Dateneigentümer, Qualitätsstandards und Abhängigkeiten. Ohne Governance-Fundament wird jede Transaktion zur Discovery-Übung unter Zeitdruck.
Die meisten Governance-Vorhaben misslingen nicht an der Technik, sondern an der Klarheit von Rollen und Verantwortlichkeiten. Sechs Muster, die sich wiederholen.
Governance ohne klare Ownership
Committees definiert, niemand trägt persönliche Verantwortung. Entscheidungen werden verschoben, Standards nicht durchgesetzt. Governance bleibt Konzept.
IT-Projekt statt Governance-Design
Als IT-Projekt durchgeführt statt mit Fachbereichen und Geschäftsführung. Ergebnis: IT-Lösungen, die im Betrieb nicht gelebt werden, weil Business-Ownership fehlt.
Keine Transparenz über Datenlandschaft
Ohne Data Catalog oder Metadaten-Management kennt niemand Quellen, Abhängigkeiten und Qualitätsrisiken. Steuerung ohne Sichtbarkeit ist keine Steuerung.
Stammdatenstrategie fehlt
MDM optional, Master Data in jeder Fachabteilung unterschiedlich gepflegt. Resultat: Silos, Dubletten, inkonsistente Berichte — und ein Data-Warehouse, das niemandem vertraut.
Regulatorische Anforderungen verdrängt
DSGVO, DORA auf Papier bekannt, aber nicht in Governance-Strukturen abgebildet. Der nächste Audit macht das Defizit sichtbar — zu dem Zeitpunkt unter Druck.
Datenqualität ohne Governance-Prozess
DQ-Tools installiert, aber keine Regeln darüber, wer Fehler behebt, akzeptiert oder eskaliert. Qualität verbessert sich nicht durch Messung allein — sie braucht Ownership.
»Governance-Projekte scheitern nicht an der Technologie. Sie scheitern, wenn niemand die Verantwortung trägt, die das Konzept vorsieht.«
Mein Angebot deckt alle Phasen ab — von der initialen Governance-Strategie über organisatorischen Aufbau bis zur Embedded Governance in laufenden Betriebsprozessen. Sechs Leistungsfelder, die sich gegenseitig tragen.
Governance-Framework & Rollenmodell
Design und Aufbau der Governance-Struktur: Komitees, Entscheidungswege, Eskalationsmodelle. Definition der Rollen Data Owner, Data Steward und Data Custodian — mit klarer Abgrenzung und personeller Verankerung in der Org-Struktur.
Scope Governance-Design · Rollenmodell · Decision-Framework · Eskalationsarchitektur · Verankerung im Operating Model
Data Quality & Datenqualitätsmanagement
Qualitätsstandards und Metriken definieren, DQ-Monitoring und Reporting aufbauen, Root-Cause-Analysen strukturieren. Governance-Prozesse für Datenqualitäts-Verbesserung sind kein Tool-Thema — sie sind ein Ownership-Thema.
Scope DQ-Standards · KPI-Design · Monitoring-Architektur · Fehler-Ownership · DQ-Reporting für Leadership
Stammdatenstrategie & MDM
Kritische Master-Data-Entitäten identifizieren, MDM-Governance aufbauen: Ownership, Standards, Harmonisierungslogik. Technologischer Rahmen für MDM-Plattform, Change-Management mit Fachbereichen.
Scope Entitäten-Mapping · MDM-Governance · Harmonisierungskonzept · Plattform-Rahmen · Fachbereichs-Integration
Regulatorik & Compliance
Mapping von DSGVO, DORA und NIS2 auf Governance-Strukturen. Data Inventory und Traceability als Compliance-Fundament. Datenklassifizierung und Zugriffssteuerung, Audit-Readiness als messbarer Zielzustand.
Scope Regulatorik-Mapping · Data Inventory · Datenklassifizierung · Zugriffssteuerung · Audit-Readiness-Assessment
Governance in Transaktionen (Carve-out / PMI)
Datenflüsse und Abhängigkeiten im Deal-Perimeter kartieren. Data-Readiness-Assessment für Due Diligence. Governance-Design für separiertes oder integriertes Unternehmen — Übergangsgovernance in TSA-Phasen und Post-Closing.
Scope Datenfluss-Mapping · Data-Readiness · Separation-Governance · TSA-Daten-Steuerung · Post-Closing-Integration
Data Catalog & Daten-Transparenz
Business-Glossare und Metadaten-Management aufbauen. Data Lineage und Datenfluss-Dokumentation als operative Grundlage. Self-Service-Portale für Fachbereiche, Governance-Dokumentation als lebende Referenz.
Scope Business-Glossar · Metadaten-Management · Data Lineage · Catalog-Architektur · Governance-Dokumentation
Governance lebt von vier zentralen Prinzipien. Ohne diese bleiben Frameworks Konzepte auf Papier — und Datenqualität eine Hoffnung, keine Steuerungsgröße.
Klare Ownership
Jede Datendomäne hat einen definierten Owner. Verantwortung ist zugewiesen, nicht diffus verteilt. Ohne namentliche Ownership gibt es keine Governance — nur Zuständigkeitslücken.
Regelbasierte Steuerung
Policies, Standards und Decision-Frameworks sind dokumentiert und verbindlich. Jede Entscheidung über Daten folgt dem Modell — nicht der Laune des Moments oder dem Rang des Fragenden.
Messbare Qualität
Datenqualität ist quantifiziert: KPIs, Metriken, Monitoring-Dashboard. Governance-Erfolg zeigt sich in Zahlen. Was nicht gemessen wird, wird nicht verbessert.
Verankerung im Betrieb
Governance ist eingebaut in tägliche Prozesse — nicht als Projekt neben dem Betrieb. Die Governance, die im Konflikt mit dem Tagesgeschäft steht, verliert immer. Die, die darin verankert ist, hält.
»Ein Governance-Komitee ist keine Governance. Governance ist der Moment, in dem ein Data Owner eine Qualitätsentscheidung trifft — weil er sie treffen darf und muss.«
Data Governance ist kein akademisches Thema. Die Konsequenzen fehlender Governance sind messbar — in Euro, in Compliance-Risiken, in gescheiterten Transaktionen.
Transaktionssicherheit. In Carve-outs und PMI ist Daten-Governance kritischer Erfolgsfaktor. Fehlende Datentransparenz verzögert Closing, erzeugt Nachverhandlungen und erhöht Transaktionsrisiken strukturell.
Regulatorischer Druck steigt. DSGVO, NIS2, DORA — Unternehmen ohne Governance-Strukturen riskieren Bußgelder und Betriebseinschränkungen. Die regulatorische Nachweispflicht greift, bevor der Schaden entsteht.
Wirtschaftliche Schäden sind quantifizierbar. Schlechte Datenqualität kostet 15–25 % des Umsatzes — in Fehlentscheidungen, Korrekturaufwand, entgangenen Chancen und Compliance-Kosten. Das ist kein Schätzwert, das ist Messergebnis.
Technische Tiefe trifft Steuerungskompetenz. Ich kenne beide Welten — Datenarchitekturen und organisatorische Governance. Der Übersetzer zwischen Technik und Führungsebene ist die knappste Ressource in jedem Governance-Vorhaben.
Erfahrung aus Transaktionsmandaten. Governance in M&A-Szenarien ist eine eigene Disziplin: Zeitdruck, Datenunsicherheit, parallele Verhandlungsebenen. Ich habe diese Governance mehrfach unter Closing-Druck von Grund auf aufgebaut.
Unabhängigkeit von Toolanbietern. Keine Bindung an MDM-Suiten oder Katalog-Hersteller. Die Governance-Empfehlung folgt dem Business-Problem, nicht dem Partnervertrag.
Diese fünf Konzepte gehen über klassische Policies und Rollen hinaus. Sie beschreiben, wohin sich Data Governance als Disziplin entwickelt — und was das für die operative Umsetzung bedeutet.
Data Mesh
Domänenorientiertes, föderiertes Ownership-Modell. Fachdomänen verantworten ihre Daten als Produkte — eigenständig, mit definierten Qualitätszusagen, nach globalen Governance-Standards. Data Mesh löst das Skalierungsproblem zentraler Data-Teams durch Dezentralisierung der Verantwortung bei gleichzeitiger Standardisierung der Schnittstellen.
Data Contracts
Maschinenlesbare Qualitäts- und Schema-Zusagen zwischen Datenproduzent und -konsument. Ein Data Contract definiert: welche Daten, in welcher Qualität, mit welcher Latenz, auf welchem Kanal. Contracts machen implizite Abhängigkeiten explizit — und erzwingen Governance durch technische Verträge statt durch Prozesse.
Active Metadata & Lineage
Laufende, eventgetriebene Metadaten, die über den klassischen Data Catalog hinausgehen. Active Metadata erfasst, wie Daten tatsächlich genutzt werden — wer sie abruft, wie oft, in welchen Pipelines. Data Lineage macht den vollständigen Weg eines Datensatzes von der Quelle zum Verwendungskontext sichtbar und auditierbar.
Data Product
Datenbestand mit Owner, Service Level Objective, Nutzerversprechen und Lifecycle. Ein Data Product ist nicht ein Export aus einer Datenbank — es ist ein gepflegtes, dokumentiertes Datenartefakt, das wie ein Produkt behandelt wird: mit Verantwortlichkeit, Qualitätsversprechen und Ablaufdatum.
Governance Operating Model
Die Entscheidungs-Topologie einer Governance-Organisation: zentralisiert (ein Data Office entscheidet alles), föderiert (Domänen entscheiden autonom innerhalb von Standards) oder hybrid (zentrale Standards, dezentrale Execution). Die Wahl des Operating Models ist die strategische Kernentscheidung — sie bestimmt, wie schnell Governance skaliert und wie robust sie unter Konflikt bleibt.
Wer Data Governance als Tool-Entscheidung behandelt, kauft ein Katalog-System und erbt einen Betriebskonflikt. Wirksame Governance beginnt bei Entscheidungsrechten, setzt auf kontrollierbare Artefakte — Data Products, Contracts, Ownership-Definitionen — und endet bei operativ durchsetzbaren Eskalationspfaden.
Die strategische Frage lautet nicht: Welches Katalog-Tool? Sondern: Welches Operating Model trägt die Kompromisse, die im Konflikt zwischen Business, Compliance und IT unvermeidlich entstehen?