Glossar: Data Governance

Data Governance Framework

Ein Data Governance Framework beschreibt die grundlegende Struktur, mit der ein Unternehmen den Umgang mit Daten organisiert und steuert. Es definiert Rollen, Verantwortlichkeiten, Prozesse, Richtlinien und Kontrollmechanismen für das Datenmanagement. Ziel ist es, Daten konsistent, sicher und qualitativ hochwertig bereitzustellen. Ein solches Framework schafft Transparenz darüber, wer für welche Daten verantwortlich ist und wie Daten genutzt werden dürfen. Gleichzeitig bildet es die Grundlage für Compliance, Datenqualität und datengetriebene Entscheidungen.

Data Governance Committee

Ein Data Governance Committee ist ein zentrales Steuerungsgremium für alle strategischen Themen rund um Daten. Typischerweise besteht es aus Vertretern der Fachbereiche, IT, Compliance und des Managements. Das Committee definiert Standards, priorisiert Governance-Initiativen und überwacht deren Umsetzung. Zudem entscheidet es über Richtlinien, Eskalationen und organisatorische Maßnahmen im Datenumfeld. Dadurch wird sichergestellt, dass Daten unternehmensweit einheitlich und effizient verwaltet werden.

Data Governance Policy

Eine Data Governance Policy enthält verbindliche Regeln und Vorgaben für den Umgang mit Daten innerhalb eines Unternehmens. Sie definiert beispielsweise Anforderungen an Datenqualität, Zugriffsrechte, Datenschutz und Sicherheitsmaßnahmen. Ziel ist es, einen konsistenten und kontrollierten Umgang mit Unternehmensdaten sicherzustellen. Die Policy dient Mitarbeitern und Fachbereichen als verbindliche Orientierung im täglichen Arbeiten mit Daten. Gleichzeitig unterstützt sie die Einhaltung gesetzlicher und regulatorischer Anforderungen.

Business Glossary

Ein Business Glossary ist ein zentrales Verzeichnis wichtiger Geschäftsbegriffe und deren Definitionen. Es sorgt dafür, dass Fachbereiche und IT dieselben Begriffe einheitlich verstehen und verwenden. Dadurch werden Missverständnisse bei Reports, Analysen und Projekten reduziert. Häufig enthält ein Business Glossary zusätzlich Informationen zu Verantwortlichkeiten, Datenquellen und fachlichen Zusammenhängen. Besonders in großen Unternehmen bildet es eine wichtige Grundlage für Data Governance und Datenqualität.

Datenqualität (Data Quality)

Datenqualität beschreibt, wie zuverlässig und nutzbar Daten für ihren vorgesehenen Zweck sind. Wichtige Kriterien sind Vollständigkeit, Korrektheit, Konsistenz, Aktualität und Eindeutigkeit. Schlechte Datenqualität kann zu fehlerhaften Analysen, ineffizienten Prozessen und falschen Entscheidungen führen. Deshalb überwachen viele Unternehmen ihre Datenqualität kontinuierlich mithilfe definierter Regeln und Kennzahlen. Eine hohe Datenqualität ist eine zentrale Voraussetzung für erfolgreiche Digitalisierung und Business Intelligence.

Datenmanagement (Data Management)

Datenmanagement umfasst alle organisatorischen und technischen Maßnahmen zur Verwaltung von Daten über ihren gesamten Lebenszyklus hinweg. Dazu gehören Datenspeicherung, Datenintegration, Datenqualität, Sicherheit und Archivierung. Ziel ist es, Daten effizient, sicher und wirtschaftlich nutzbar zu machen. Moderne Unternehmen betrachten Datenmanagement zunehmend als strategische Kernaufgabe. Es bildet die operative Grundlage für Data Governance und datengetriebene Geschäftsprozesse.

Data Steward

Ein Data Steward ist für die operative Betreuung und Qualitätssicherung bestimmter Datenbereiche verantwortlich. Er überwacht die Einhaltung von Datenstandards und koordiniert Maßnahmen zur Verbesserung der Datenqualität. Oft fungiert er als Schnittstelle zwischen Fachbereichen und IT-Abteilungen. Zusätzlich unterstützt er bei der Definition von Metadaten, Richtlinien und Datenprozessen. Die Rolle des Data Stewards ist ein zentraler Bestandteil moderner Data-Governance-Organisationen.

Master Data Management (MDM)

Master Data Management beschäftigt sich mit der zentralen Verwaltung wichtiger Stammdaten wie Kunden-, Produkt- oder Lieferantendaten. Ziel ist die Schaffung einer konsistenten und unternehmensweit einheitlichen Datenbasis. Dadurch werden Dubletten, Inkonsistenzen und widersprüchliche Informationen reduziert. MDM verbessert die Qualität geschäftskritischer Daten und unterstützt effizientere Geschäftsprozesse. Gleichzeitig erleichtert es Analysen und Integrationen zwischen verschiedenen Systemen.

Datenhoheit (Data Ownership)

Datenhoheit beschreibt die fachliche Verantwortung für bestimmte Datenbestände innerhalb eines Unternehmens. Der sogenannte Data Owner entscheidet über Nutzung, Qualität, Zugriffsrechte und Regeln für seine Daten. Dabei geht es weniger um technische Administration als um fachliche Verantwortung und Governance. Eine klare Datenhoheit verhindert Unklarheiten und fördert nachvollziehbare Entscheidungen im Datenmanagement. Sie ist besonders wichtig in komplexen Systemlandschaften mit vielen beteiligten Abteilungen.

Data Steward

Ein Data Steward übernimmt die operative Verantwortung für Datenqualität und Datenprozesse innerhalb eines definierten Bereichs. Er unterstützt die Umsetzung der Vorgaben des Data Owners im Tagesgeschäft. Zu seinen Aufgaben gehören Qualitätsprüfungen, Dokumentation und Abstimmungen mit Fachabteilungen und IT. Außerdem sorgt er dafür, dass Datenstandards und Governance-Richtlinien eingehalten werden. Dadurch trägt er wesentlich zur Konsistenz und Verlässlichkeit der Daten bei.

Data Custodian

Der Data Custodian ist für die technische Verwaltung und Absicherung von Daten verantwortlich. Typischerweise wird diese Rolle von IT-Abteilungen oder Datenbankadministratoren übernommen. Zu den Aufgaben gehören Backup, Zugriffsverwaltung, Infrastruktur, Datensicherheit und Systembetrieb. Während der Data Owner die fachliche Verantwortung trägt, kümmert sich der Data Custodian um die technische Umsetzung. Beide Rollen arbeiten eng zusammen, um Daten sicher und verfügbar bereitzustellen.

Datenzugriff (Data Access)

Data Access beschreibt die Möglichkeit, auf Daten zuzugreifen und sie zu nutzen. Dabei wird festgelegt, welche Benutzer oder Systeme bestimmte Daten lesen, ändern oder exportieren dürfen. Zugriffskonzepte basieren häufig auf Rollen, Berechtigungen und Sicherheitsrichtlinien. Ziel ist es, Daten einerseits verfügbar zu machen und andererseits unbefugten Zugriff zu verhindern. Ein sauber geregelter Datenzugriff ist essenziell für Sicherheit, Compliance und effiziente Zusammenarbeit.

Datensicherheit (Data Security)

Datensicherheit umfasst alle Maßnahmen zum Schutz von Daten vor Verlust, Manipulation oder unberechtigtem Zugriff. Dazu zählen technische Lösungen wie Verschlüsselung, Firewalls, Zugriffskontrollen und Backups. Gleichzeitig spielen organisatorische Maßnahmen wie Sicherheitsrichtlinien und Schulungen eine wichtige Rolle. Ziel ist die Sicherstellung von Vertraulichkeit, Integrität und Verfügbarkeit der Daten. Datensicherheit ist heute ein zentraler Bestandteil jeder modernen IT- und Data-Governance-Strategie.

Datenschutz (Data Privacy)

Datenschutz beschäftigt sich mit dem Schutz personenbezogener Daten und den Rechten betroffener Personen. Im Mittelpunkt stehen gesetzliche Vorgaben wie die DSGVO, die den Umgang mit personenbezogenen Informationen regeln. Unternehmen müssen sicherstellen, dass personenbezogene Daten rechtmäßig, transparent und zweckgebunden verarbeitet werden. Dazu gehören auch Maßnahmen wie Einwilligungsmanagement und Datenminimierung. Datenschutz ist sowohl eine rechtliche Verpflichtung als auch ein wichtiger Vertrauensfaktor gegenüber Kunden und Partnern.

Compliance

Compliance bezeichnet die Einhaltung gesetzlicher, regulatorischer und interner Vorgaben innerhalb eines Unternehmens. Im Datenumfeld betrifft dies unter anderem Datenschutz, Sicherheitsstandards und Aufbewahrungspflichten. Verstöße gegen Compliance-Anforderungen können hohe finanzielle und rechtliche Konsequenzen nach sich ziehen. Deshalb etablieren Unternehmen Prozesse, Kontrollen und Richtlinien zur Überwachung der Einhaltung. Eine gute Data Governance unterstützt maßgeblich bei der Erfüllung von Compliance-Anforderungen.

Datenklassifizierung (Data Classification)

Datenklassifizierung bezeichnet die Einteilung von Daten in verschiedene Kategorien nach Sensibilität, Vertraulichkeit oder geschäftlicher Relevanz. Beispiele sind öffentliche, interne, vertrauliche oder streng vertrauliche Daten. Durch die Klassifizierung können passende Sicherheits- und Zugriffsmaßnahmen definiert werden. Sie unterstützt Unternehmen dabei, Risiken besser zu kontrollieren und regulatorische Anforderungen einzuhalten. Besonders im Bereich Datenschutz und Informationssicherheit spielt sie eine zentrale Rolle.

Metadaten (Metadata)

Metadaten sind Informationen, die andere Daten beschreiben. Sie enthalten beispielsweise Angaben zu Herkunft, Struktur, Format, Verantwortlichkeiten oder Aktualität von Datenbeständen. Metadaten erleichtern das Auffinden, Verstehen und Verwalten von Daten innerhalb einer Organisation. Sie bilden eine wichtige Grundlage für Data Catalogs, Data Lineage und Governance-Prozesse. Ohne Metadaten wird eine komplexe Datenlandschaft schnell unübersichtlich und schwer kontrollierbar.

Data Lineage

Data Lineage beschreibt den vollständigen Lebensweg von Daten durch verschiedene Systeme und Verarbeitungsschritte. Sie zeigt, wo Daten entstehen, wie sie transformiert werden und welche Anwendungen sie nutzen. Dadurch können Fehlerquellen schneller identifiziert und Auswirkungen von Änderungen besser analysiert werden. Data Lineage erhöht Transparenz und Nachvollziehbarkeit in komplexen Datenarchitekturen. Besonders bei Audits, Compliance-Anforderungen und Business-Intelligence-Projekten ist sie von großer Bedeutung.

Datenstrategie (Data Strategy)

Eine Datenstrategie definiert, wie ein Unternehmen Daten zur Unterstützung seiner Geschäftsziele nutzen möchte. Sie legt Prioritäten, Zielbilder, Verantwortlichkeiten und technologische Rahmenbedingungen fest. Dabei werden Themen wie Data Governance, Analytics, Datenqualität und Infrastruktur miteinander verbunden. Eine klare Datenstrategie hilft Unternehmen, Daten gezielt als Wettbewerbsvorteil einzusetzen. Gleichzeitig schafft sie Orientierung für Investitionen und organisatorische Entscheidungen im Datenbereich.

Data Lifecycle Management (DLM)

Data Lifecycle Management beschreibt die Verwaltung von Daten über ihren gesamten Lebenszyklus hinweg. Dieser reicht von der Erfassung und Nutzung bis hin zur Archivierung oder Löschung von Daten. Ziel ist es, Daten effizient, sicher und regelkonform zu verwalten. Dabei spielen Aspekte wie Speicheroptimierung, Compliance und Datenqualität eine wichtige Rolle. Ein strukturiertes DLM reduziert Kosten, verbessert die Kontrolle über Datenbestände und minimiert Risiken.