Data-Governance für Analytics: Wem gehört die Kennzahl?
Data-Governance für Analytics: Wem gehört die Kennzahl? Data-Governance für Analytics umfasst die Arbeitsregeln, die festlegen, wem jede Kennzahl gehört, wie ihre Definition vereinbart wird, wer sie sehen darf und wie sie sich verändert.
Data-Governance für Analytics: Wem gehört die Kennzahl?
Data-Governance für Analytics umfasst die Arbeitsregeln, die festlegen, wem jede Kennzahl gehört, wie ihre Definition vereinbart wird, wer sie sehen darf und wie sie sich verändert. Wenn diese Regeln vorhanden sind und befolgt werden, zeigen zwei Dashboards dieselbe Umsatzzahl. Wenn nicht, erstellt jedes Team seine eigene Version der Wahrheit, und die Führungsebene glaubt schließlich keiner davon mehr. Bei Ridiculous Engineering betrachten wir dies zuerst als Problem des Betriebsmodells und erst danach als Tool-Problem.
Die wichtigsten Erkenntnisse
- Misstrauen gegenüber Dashboards entsteht meist durch nicht eindeutig zugeordnete Definitionen, nicht durch schlechte Daten. Benennen Sie für jede Kennzahl, die die Führungsebene erreicht, eine verantwortliche Person.
- Data-Governance für Analytics lässt sich auf vier Regeln zurückführen: Zuständigkeit, vereinbarte Definitionen, Zugriff und Änderungssteuerung. Jede dieser Regeln kann zunächst von einer kleinen Gruppe und mit einem gemeinsamen Dokument umgesetzt werden, bevor eine Plattform angeschafft wird.
- Data Stewardship funktioniert, wenn fachliche Stewards die Bedeutung verantworten und technische Stewards die Datenpipelines. Die Aufteilung verhindert, dass Definitionen von der Person festgelegt werden, die den SQL-Code schreibt.
- Messen Sie Governance wie jeden anderen Betriebsprozess: den Anteil der Kennzahlen mit einer verantwortlichen Person und einer Definition, den Anteil der Daten, die Qualitätsstandards erfüllen, und wie viel Vorlaufzeit Nutzer vor einer Änderung einer Kennzahl erhalten.
- Beginnen Sie mit den fünf bis zehn Kennzahlen, die in Vorstands- und Führungskräftebesprechungen vorkommen, und erweitern Sie anschließend den Umfang.
Inhaltsverzeichnis
- Das Symptom: zwei Dashboards, zwei unterschiedliche Umsatzzahlen
- Was Data-Governance für Analytics tatsächlich ist
- Die vier Arbeitsregeln
- Rollen im Data Stewardship: Wer übernimmt die Arbeit?
- Datenqualität: Definieren Sie sie und messen Sie sie anschließend
- Klein anfangen: ein 90-Tage-Plan
- Woran Sie erkennen, ob Governance funktioniert
- Wo Engineering und Governance zusammentreffen
- Häufig gestellte Fragen
- Quellen
Das Symptom: zwei Dashboards, zwei unterschiedliche Umsatzzahlen
Stellen Sie sich eine Führungskräftebesprechung am Montag vor. Finance zeigt den Quartalsumsatz aus dem Abrechnungssystem. Sales zeigt einen Wert aus dem CRM, der mehrere Prozent höher ist. Operations zeigt eine dritte Zahl aus dem Auftragssystem. Niemand lügt, und keine Abfrage ist fehlerhaft.
Finance erfasst den Umsatz, sobald eine Rechnung ausgestellt wird. Sales erfasst ihn, sobald ein Vertrag unterzeichnet ist. Operations erfasst ihn, sobald eine Bestellung versendet wird. Rückerstattungen, mehrjährige Verträge, Währungsumrechnungen und Gutschriften werden jeweils unterschiedlich behandelt, und jedes Team hat damals eine nachvollziehbare Entscheidung getroffen. Das Problem ist, dass niemand entschieden hat, welche dieser Entscheidungen die Entscheidung des Unternehmens ist.
Die Kosten beschränken sich nicht auf den Streit selbst. Besprechungen werden zu Abstimmungssitzungen. Analysten verbringen ihre Woche damit, Abweichungen zu erklären, statt Erkenntnisse zu gewinnen. Führungskräfte greifen wieder auf Tabellenkalkulationen und ihr Bauchgefühl zurück, und die Investition in das Dashboard bleibt ungenutzt. Die in Forbes veröffentlichte Analyse von Forrester stellte fest, dass weniger als 10 % der Unternehmen bei ihren erkenntnisbasierten Fähigkeiten fortgeschritten sind, und sie weist darauf hin, dass organisatorische Gewohnheiten und Praktiken – nicht die Technologie – Anfänger von fortgeschrittenen Organisationen unterscheiden. Diese Gewohnheiten und Praktiken sind Data-Governance.
Dieses Muster sehen wir in Analytics-Programmen immer wieder beschrieben: Die Tools funktionieren, die Zahlen stimmen nicht überein, und das fehlende Element ist eine Entscheidung, für die niemand zuständig gemacht wurde.

Was Data-Governance für Analytics tatsächlich ist
Wenn man die Fachbegriffe beiseitelässt, beantwortet Governance vier einfache Fragen zu jeder Zahl, die Menschen für Entscheidungen verwenden:
- Wer trägt dafür die Verantwortung?
- Was bedeutet sie genau?
- Wer darf sie sehen und verwenden?
- Was geschieht, wenn sie geändert werden muss?
Gartner beschreibt Data-Governance als die Festlegung von Entscheidungsbefugnissen und eines Verantwortlichkeitsrahmens dafür, wie Daten und Analysen bewertet, erstellt, genutzt und kontrolliert werden. Der nützliche Teil ist die Formulierung „Entscheidungsbefugnisse“. Bei Governance geht es weniger um Dokumente als darum, wer entscheiden darf und was diese Person vor der Entscheidung tun muss.
Die Empfehlungen von Gartner für Finanzverantwortliche formulieren den Zweck ähnlich: Governance sollte Entscheidungsträger unterstützen und Wert schaffen, nicht als eigenständige Kontrollfunktion bestehen. Wenn Ihre Governance-Initiative einen Ordner mit Richtlinien hervorbringt, den Analysten nie öffnen, erfüllt sie diese Aufgabe nicht.
Governance für Analysen versus Governance für Compliance
Datenschutz- und regulatorische Verpflichtungen sind wichtig, und Ihr Rechtsteam hat dafür ein eigenes Programm. In diesem Artikel geht es um etwas Engeres und Alltäglicheres: die Regeln, durch die eine Kennzahl in jedem Bericht dasselbe bedeutet. Ein Unternehmen kann vollständig konform sein und dennoch drei verschiedene Umsatzzahlen haben. Umgekehrt gilt das ebenfalls. Wenn man beides als ein einziges Projekt behandelt, landet die Analytics-Governance in einer Warteschlange für rechtliche Prüfungen und kommt dort zum Stillstand.
Die vier Arbeitsregeln
Das staatliche Data Governance Playbook führt sechs Kernaktivitäten auf: Daten durch Inventarisierung und Metadaten identifizieren, Richtlinien für das Datenmanagement festlegen, Datenprobleme verwalten, Datenqualität und -nutzen bewerten, Aufsicht gewährleisten und kommunizieren. Das ist ein sinnvoller Rahmen für eine Behörde. Für ein mittelgroßes Unternehmen, das konsistente Analysen anstrebt, verdichten sich diese Aktivitäten zu vier Regeln, mit deren Umsetzung Sie innerhalb weniger Wochen beginnen können.
Regel 1: Jede Kennzahl hat eine namentlich benannte verantwortliche Person
Eine verantwortliche Person ist eine Person, kein Team und kein Ausschuss. Sie trägt die Verantwortung für die Definition der Kennzahl, die Genehmigung von Änderungen und die Beantwortung von Fragen, wenn jemand die Zahl anzweifelt. Beim Umsatz ist das normalerweise eine Führungskraft aus dem Finanzbereich. Bei der Kundenabwanderung kann es die Leitung des Customer Success sein. Bei der termingerechten Lieferung eine Führungskraft aus dem operativen Bereich.
Eine gute verantwortliche Person ist jemand aus dem Unternehmen, dem es wichtig ist, dass die Zahl stimmt – nicht unbedingt die Person, die das erste Dashboard erstellt hat. Wenn Sie die verantwortliche Person für eine Kennzahl, die in Managementbesprechungen verwendet wird, nicht benennen können, haben Sie Ihre erste Governance-Lücke gefunden.
Regel 2: Definitionen stehen an einem Ort und in verständlicher Sprache
Eine Kennzahlendefinition braucht mehr als einen Namen. Halten Sie mindestens Folgendes fest:
- Die geschäftliche Bedeutung in ein oder zwei Sätzen.
- Die Berechnung einschließlich dessen, was ein- und ausgeschlossen wird (Erstattungen, interne Konten, Testbestellungen).
- Das Quellsystem, aus dem die Zahl stammt.
- Die zeitliche Grundlage: wann ein Ereignis zählt und in welcher Zeitzone und welchem Geschäftskalender.
- Die verantwortliche Person und das Datum der letzten genehmigten Änderung.
Dies wird häufig als Kennzahlenwörterbuch oder Business-Glossar bezeichnet. Das Format ist weniger wichtig als zwei Eigenschaften: Es gibt genau eine Version, und die Dashboards beziehen ihre Daten tatsächlich daraus. Ein Glossar, das in einem Wiki liegt, während Dashboards handgeschriebenes SQL verwenden, wird innerhalb eines Quartals voneinander abweichen.
Wenn zwei Teams eine Kennzahl aus guten Gründen unterschiedlich definieren, zwingen Sie nicht allen dieselbe Definition auf. Geben Sie jeder Definition einen eigenen Namen. „Gebuchter Umsatz“ und „realisierter Umsatz“ können beide existieren. „Umsatz“ allein sollte genau eine dieser beiden Bedeutungen haben.
Regel 3: Der Zugriff richtet sich nach der Sensibilität der Daten und der Aufgabe
Beim Zugriff auf Analytics-Daten trifft Governance auf alltäglichen Frust. Wenn Sie alles sperren, erstellen Analysten Schattenkopien in Tabellenkalkulationen. Wenn Sie alles öffnen, landen sensible Vergütungs-, Kunden- oder Vertragsdaten in einer weit verbreiteten Arbeitsmappe.
Ein praktikabler Ansatz besteht darin, Daten in einige wenige Stufen einzuteilen, etwa allgemein, intern und eingeschränkt, und den Zugriff auf jede Stufe rollenbasiert zu vergeben. Halten Sie die Anzahl der Stufen gering. Drei Ebenen werden befolgt; neun werden ignoriert. Dokumentieren Sie, wer jede Ausnahme genehmigt hat, und überprüfen Sie die Liste regelmäßig, damit sich der Zugriff nicht ansammelt, wenn Menschen ihre Aufgaben wechseln.
Dieselbe Disziplin gilt, wenn Teams eine KI-gestützte Suche und Fragenbeantwortung auf internen Daten aufbauen: Das Berechtigungsmodell entscheidet, was ein Assistent abrufen kann, und muss daher solide sein, bevor der Assistent angebunden wird. Plattformen für KI-Suche in internen Daten zeigen, wie Berechtigungen und Prüfprotokolle selbst zu einem Bestandteil des Produkts werden, sobald Antworten aus vielen Quellen generiert werden.
Regel 4: Änderungen werden kontrolliert und angekündigt
Das meiste Vertrauen geht nicht verloren, wenn eine Zahl falsch ist, sondern wenn sie sich unbemerkt ändert. Eine Umsatzzahl verschiebt sich um 2 %, nachdem jemand eine Verknüpfung korrigiert hat, und niemand informiert die Personen, die sie gegenüber dem Vorstand nennen.
Behandeln Sie Kennzahlendefinitionen und die dahinterliegenden Pipelines so, wie Entwicklungsteams Code behandeln:
- Vorgeschlagene Änderungen werden mit dem Grund und der erwarteten Auswirkung auf historische Zahlen dokumentiert.
- Die für die Kennzahl verantwortliche Person genehmigt sie.
- Betroffene Berichtsnutzer werden im Voraus informiert. Der Daten-Governance-Leitfaden der FHWA verwendet beispielsweise eine beispielhafte Messgröße für betroffene Nutzer, die mindestens 30 Tage vor der Umsetzung über Datenänderungen informiert sind. Dreißig Tage sind ein vertretbarer Standard; wählen Sie das Zeitfenster, das zu Ihrem Berichtszyklus passt.
- Die Änderung wird versioniert, sodass jeder sehen kann, wie die Definition im letzten Quartal lautete.
Wenn eine neu ausgewiesene Zahl in einer Managementbesprechung erscheint, erläutert die verantwortliche Person sie, bevor jemand danach fragen muss.
Rollen in der Datenverantwortung: Wer erledigt die Arbeit
Eigentümer entscheiden. Stewardship-Verantwortliche halten die tägliche Arbeit am Laufen. Die Forschung zu Stewardship unterscheidet konsequent zwischen zwei Arten von Stewardship-Verantwortlichen, und diese Aufteilung ist es wert, übernommen zu werden.
In ihrem Buch über die Gestaltung von Data Governance beschreibt Lauren Maffeo Business-Stewardship-Verantwortliche als Personen, die Taxonomien prüfen, Dokumentationen verfassen, Governance-Schulungen leiten und Qualitätsbewertungen anhand vorab festgelegter Geschäftskennzahlen durchführen Technische Stewardship-Verantwortliche verwalten dagegen die Systeme und Pipelines, einschließlich Data Warehouses und Data Lakes, und definieren Metadatenparameter.
In der Praxis für ein mittelgroßes Unternehmen:
| Rolle | Verantwortet | Typische Person | Beispielfrage, die diese Person beantwortet |
|---|---|---|---|
| Kennzahlenverantwortliche | Die Entscheidung darüber, was eine Kennzahl bedeutet und wann sich ihre Definition ändert | Führungskraft eines Fachbereichs (Finanzen, Vertrieb, Betrieb) | „Sollten wir pausierte Abonnements als aktive Kunden zählen?“ |
| Business-Stewardship-Verantwortliche | Definitionen, Dokumentation und Qualitätsprüfungen anhand von Geschäftsregeln | Senior-Analyst oder Betriebsleiter | „Ist der Glossareintrag aktuell, und stimmen die Dashboards damit überein?“ |
| Technische Stewardship-Verantwortliche | Pipelines, Quellsysteme, Metadaten und Zugriffskonfiguration | Daten- oder Analytics-Engineer | „Warum wurde diese Tabelle verspätet geladen, und wer ist davon betroffen?“ |
| Governance-Leitung | Taktung, Rückstand und Eskalation | Leitung von BI oder Analytics | „Welche Streitfragen sind ungeklärt, und für welche Kennzahlen gibt es keine Verantwortlichen?“ |
Das FHWA-Grundlagenpapier beschreibt Data Stewards als Fachexperten, die letztlich für die Definition, Verwaltung und Wahrung der Integrität von Daten verantwortlich sind. Beachten Sie die Formulierung „Fachexperten“. Stewardship ist eine zusätzliche Rolle innerhalb einer bestehenden Tätigkeit, keine neue Abteilung. Die meisten mittelgroßen Unternehmen übertragen diese Aufgabe Personen, die die Daten bereits kennen, räumen ihnen dafür einige Stunden pro Woche ein und verankern die Verantwortung ausdrücklich in ihren Zielen.
Die Aufteilung zwischen Business- und technischen Stewardship-Verantwortlichen verhindert außerdem einen häufigen Fehler: dass Definitionen standardmäßig von der Person festgelegt werden, die die Abfrage schreibt. Engineers sind gut darin, eine Berechnung zum Laufen zu bringen. Sie sollten jedoch nicht darüber entscheiden, ob eine stornierte Bestellung als Umsatz zählt.
Ein kleiner Governance-Rat
Sie benötigen außerdem einen Ort, an dem Streitfragen geklärt werden. Ein monatlich oder zweiwöchentlich tagender Rat aus Kennzahlenverantwortlichen, der Leitung von BI und einer technischen Stewardship-verantwortlichen Person reicht in der Regel aus. Das Handbuch der Bundesregierung betont, dass ein Governance-Gremium in Entscheidungsfindung und operative Abläufe integriert sein muss, um wirksam zu sein, und dass Führungskräfte regelmäßig über seine Auswirkungen informiert werden sollten. Auf ein Unternehmen übertragen heißt das: Setzen Sie Governance mit einem kurzen, regelmäßig erscheinenden Bericht auf die Agenda der Führungsebene – andernfalls wird sie als optional betrachtet.
Datenqualität: definieren und anschließend messen
An der Qualität wird Governance messbar. Das Datenqualitäts-Framework, nach dem die meisten Teams suchen, läuft auf drei Schritte hinaus: Definieren Sie, was „gut“ für jeden kritischen Datensatz bedeutet, messen Sie dies nach einem festen Zeitplan und weisen Sie jemandem die Behebung von Fehlern zu.
Die Leitlinien von GS1 US besagen, dass Organisationen nichts steuern können, was sie nicht messen können, und empfehlen, Vollständigkeit, Aktualität und Genauigkeit anhand klar definierter Kennzahlen zu messen, gültige Wertebereiche für die erstmalige und die laufende Überwachung festzulegen sowie Ausgangswerte zur Fortschrittsverfolgung zu definieren. Ein Ausgangswert ist wichtig, weil Sie damit Verbesserungen zeigen können, statt sie lediglich zu behaupten.
Eine praxisnahe erste Auswahl an Prüfungen für jeden Datensatz, der einer Kennzahl für die Führungsebene zugrunde liegt:
- Vollständigkeit: Sind die Pflichtfelder ausgefüllt? Wie viel Prozent der Bestellungen haben keine Kunden-ID?
- Aktualität: Wurde der nächtliche Ladevorgang abgeschlossen, bevor der Morgenbericht aktualisiert wurde?
- Genauigkeit: Stimmen die Summen innerhalb einer vereinbarten Toleranz mit dem Quellsystem überein?
- Konsistenz: Stimmt die Anzahl derselben Kunden zwischen dem CRM und dem Data Warehouse überein?
Jede Prüfung benötigt einen Schwellenwert, eine verantwortliche Person und eine Maßnahme für den Fall, dass sie fehlschlägt. Die Leitlinien von Gartner zur Analysestrategie enthalten einen weiteren Punkt, der bei Budgetgesprächen hilfreich ist: Erstellen Sie Kennzahlen für sowohl den Wert hochwertiger Daten als auch die Kosten minderwertiger Daten und setzen Sie Personen mit Datenqualitätskenntnissen in den Bereichen des Unternehmens ein, in denen schlechte Daten Kosten verursachen. Eine ausführlichere Darstellung der technischen Seite finden Sie in unserem praxisorientierten Leitfaden zum Datenqualitätsmanagement.
Klein anfangen: ein 90-Tage-Plan
Gartner nennt sieben Säulen für eine Governance, die Geschäftsergebnisse unterstützt. Die erste lautet, mit den Geschäftsergebnissen zu beginnen statt mit einer Bestandsaufnahme der Daten. Für Führungskräfte im Analytics-Bereich ist das die richtige Reihenfolge. Hier ist ein Plan, der diesem Ansatz folgt.
- Wochen 1 bis 2: Wählen Sie die Kennzahlen aus. Listen Sie die fünf bis zehn Zahlen auf, die in Vorstands-, Management- und wöchentlichen Betriebsbesprechungen vorkommen. Alles andere lassen Sie vorerst außer Acht.
- Wochen 2 bis 4: Bestimmen Sie Verantwortliche und formulieren Sie Definitionen. Halten Sie für jede Kennzahl die verantwortliche Person, die Definition, die Quelle und die zeitliche Grundlage fest. Wenn zwei Definitionen existieren, benennen Sie sie um und entscheiden Sie, welche die allgemein verständliche Bezeichnung erhält.
- Wochen 4 bis 6: Ermitteln Sie die Abweichungen. Vergleichen Sie jede Kennzahl in den Dashboards, in denen sie angezeigt wird. Dokumentieren Sie jede Abweichung und führen Sie sie auf einen Definitionsunterschied, ein Datenproblem oder einen zeitlichen Unterschied zurück.
- Wochen 6 bis 8: Richten Sie die Dashboards auf die gemeinsame Definition aus. Verlagern Sie Berechnungen aus einzelnen Berichten in eine zentrale, kontrollierte Ebene, damit die Logik nur einmal hinterlegt wird. Dieser Schritt erfordert normalerweise technischen Aufwand; hier hört Governance auf, nur ein Dokument zu sein.
- Wochen 8 bis 10: Legen Sie Zugriffsstufen und Änderungsregeln fest. Klassifizieren Sie die Datensätze hinter diesen Kennzahlen, richten Sie rollenbasierten Zugriff ein und beginnen Sie, Änderungen im Voraus anzukündigen.
- Wochen 10 bis 12: Beginnen Sie mit dem festen Turnus. Halten Sie die erste Sitzung des Gremiums ab, veröffentlichen Sie die erste kurze Scorecard und wählen Sie den nächsten Kennzahlensatz aus.
Die Einschränkung ist beabsichtigt. Ein Governance-Programm, das versucht, jede Tabelle zu katalogisieren, bevor es Ergebnisse liefert, verliert tendenziell seine Unterstützung. Ein Programm, das zuerst die Umsatzzahl korrigiert, gewinnt Glaubwürdigkeit für die zweite Phase.
Zentralisiert, föderiert oder irgendwo dazwischen
Unternehmen fragen häufig, ob ein zentrales Team für alles zuständig sein sollte oder ob jede Abteilung ihre eigenen Daten steuern sollte. Für mittelgroße Organisationen ist ein hybrider Ansatz meist die praktikable Antwort: Eine kleine zentrale Gruppe legt Standards, Glossar und Zugriffsstufen fest, während die Fachverantwortlichen für ihre Kennzahlen zuständig sind und Data Stewards in den Geschäftsbereichen sitzen. Eine rein zentrale Steuerung wird zum Engpass, während eine rein dezentrale Steuerung das Problem der zwei Umsatzzahlen zurückbringt.

Woran Sie erkennen, ob Governance funktioniert
Der Leitfaden der Bundesregierung empfiehlt, Kennzahlen zu entwickeln, um zu beurteilen, ob die Datenvision verwirklicht wird, die dafür erforderlichen Daten zu erfassen, auf die Ergebnisse zu reagieren und regelmäßig den Reifegrad der Daten zu bewerten um die nächsten Schritte zu priorisieren. Für ein Analytics-Team genügt eine kleine Scorecard:
| Kennzahl | Was sie aussagt |
|---|---|
| Anteil der Managementkennzahlen mit einer benannten verantwortlichen Person und einer schriftlichen Definition | Ob Verantwortlichkeit besteht |
| Anzahl der Kennzahlen, die in verschiedenen Berichten unterschiedliche Werte anzeigen | Ob Definitionen tatsächlich gemeinsam genutzt werden |
| Anteil der kritischen Datensätze, die Qualitätsprüfungen bestehen | Ob die Daten hinter den Kennzahlen zuverlässig sind |
| Durchschnittliche Anzahl der Tage, die vor einer Änderung einer Kennzahl angekündigt wird | Ob die Änderungskontrolle tatsächlich funktioniert |
| Offene Definitionsstreitigkeiten und deren Dauer | Ob der Rat Probleme löst |
| Stunden, die Analysten mit dem Abgleich von Zahlen verbringen | Die Kosten, mit denen Sie begonnen haben und die sinken |
Der FHWA-Leitfaden enthält ähnliche Beispielkennzahlen, etwa den Prozentsatz der Datenelemente mit eindeutigen Definitionen und den Prozentsatz der Daten, die Genauigkeitsstandards erfüllen. Erfassen Sie die Ausgangsbasis in der ersten Woche, damit der Trend aussagekräftig ist. Die letzte Kennzahl auf der Liste verstehen Führungskräfte am schnellsten: die Zeit, die damit verbracht wird, über Zahlen zu streiten, anstatt auf ihrer Grundlage zu handeln.
Wo Engineering auf Governance trifft
Governance-Regeln versagen, wenn sie davon abhängen, dass Menschen sich an sie erinnern. Die nachhaltige Variante verankert die Regeln im System: eine zentrale gesteuerte Ebene für die Kennzahlenlogik, von der Plattform durchgesetzte Zugriffsregeln, automatisierte Qualitätsprüfungen bei jedem Ladevorgang und eine Versionshistorie für jede Definitionsänderung. Das ist Software-Engineering-Arbeit – und hier wird aus Richtlinie Verhalten.
Unser Datenanalyse- und Business-Intelligence- Service umfasst Systeme für Datenanalyse und Business Intelligence. Kunden arbeiten direkt mit erfahrenen Ingenieuren zusammen, die praxisnahe Systeme entsprechend der tatsächlichen Arbeitsweise der Organisation entwickeln, modernisieren und integrieren – mit Unterstützung von der Analysephase bis zur langfristigen Weiterentwicklung. Wenn Ihre Dashboards voneinander abweichen und Sie Definitionen, Zugriffsregeln und Änderungskontrollen in die Systeme integrieren möchten, die diese Daten erzeugen, sprechen Sie mit uns über ein klar abgegrenztes Projekt. Die Preisgestaltung richtet sich nach dem Umfang; ein Angebot erstellen wir auf Anfrage.
FAQ
Was bedeutet Data Governance für Analytics in einfachen Worten?
Es handelt sich um eine Reihe von Regeln, die festlegt, wem jede Kennzahl gehört, wie ihre Definition vereinbart wird, wer die zugrunde liegenden Daten sehen darf und wie Änderungen vorgenommen werden. Ziel ist, dass dieselbe Frage in jedem Bericht dieselbe Antwort erhält. Es geht weniger um Richtliniendokumente als darum, Entscheidungen bestimmten Personen zuzuweisen.
Was ist der Unterschied zwischen einem Data Owner und einem Data Steward?
Ein Owner trägt die Verantwortung für eine Kennzahl oder einen Datensatz und trifft Entscheidungen über deren Bedeutung und Änderungen. Ein Steward übernimmt die laufende Arbeit: Definitionen pflegen, Qualitätsprüfungen durchführen sowie Pipelines und Metadaten verwalten. Business Stewards konzentrieren sich auf Bedeutung und Qualität im Hinblick auf Geschäftsregeln, während technische Stewards den Schwerpunkt auf Systeme und Pipelines legen.
Mit welchen Best Practices für Data Governance sollten wir beginnen?
Beginnen Sie mit den wenigen Kennzahlen, die die Führungsebene am häufigsten verwendet. Benennen Sie für jede Kennzahl einen Owner, formulieren Sie eine Definition in verständlicher Sprache und hinterlegen Sie die Berechnung an einer zentralen Stelle. Fügen Sie anschließend rollenbasierten Zugriff in wenigen Stufen hinzu, kündigen Sie Änderungen vor ihrer Umsetzung an und verfolgen Sie eine kleine Scorecard zu Verantwortlichkeiten, Definitionsabdeckung und Qualität.
Wie unterscheidet sich ein Data-Quality-Framework von Data Governance?
Ein Data-Quality-Framework ist ein Teil der Governance. Es definiert, was gute Daten ausmacht (zum Beispiel Vollständigkeit, Aktualität und Genauigkeit), misst dies anhand von Schwellenwerten und weist Korrekturmaßnahmen zu. Governance ist umfassender: Sie umfasst auch Verantwortlichkeiten, Definitionen, Zugriffe und Änderungskontrollen, die bestimmen, ob Qualitätsprüfungen auf die richtigen Dinge angewendet werden.
Wie lange dauert es, bis Ergebnisse sichtbar werden?
Eine gezielte Initiative für fünf bis zehn Kennzahlen der Führungsebene kann die sichtbarsten Unstimmigkeiten innerhalb eines Quartals klären, da es bei der Arbeit hauptsächlich um Entscheidungen und eine gemeinsame Berechnungsebene geht. Eine breitere Abdeckung folgt in Phasen. Die Geschwindigkeit hängt vor allem davon ab, wie schnell Verantwortliche für die Kennzahlen benannt und Definitionsstreitigkeiten beigelegt werden.
Quellen
- Gartner: Einen Data-Governance-Ansatz übernehmen, der Geschäftsergebnisse ermöglicht
- Gartner: 3 Grundlagen einer effektiven Daten- und Analytics-Governance für CFOs
- Gartner: E-Book zur Analytics-Strategie
- Forrester über Forbes: Data Governance erschließt den Nutzen von Analytics
- Leitfaden zur Federal Data Governance (resources.data.gov)
- FHWA: Plan zur Data Governance, Band 1, Einführung in die Data Governance
- GS1 US: Rahmenwerk für das nationale Datenqualitätsprogramm
- Lauren Maffeo: Data Governance von Grund auf gestalten, Kapitel zu Data Stewards
- AllMind: KI-Suche über interne Forschung und Daten