Data-Governance und Datenqualität: Warum gute Daten kein Software-Feature sind

Das neue PIM-System ist live. Die Daten wurden migriert, Workflows eingerichtet und Schnittstellen getestet. Auf dem Dashboard leuchten fast alle Ampeln grün. Das Projektteam ist zufrieden.

Sechs Monate später sieht die Welt etwas anders aus.

Einige Produktattribute werden nur noch sporadisch gepflegt. Zwei Fachbereiche verwenden für dieselbe Eigenschaft unterschiedliche Werte. Neue Mitarbeiter wissen nicht genau, wer Änderungen freigeben darf. Im Webshop fehlen bei einzelnen Produkten technische Informationen, während im ERP vermeintlich ähnliche Daten vollständig vorhanden sind. Und als ein neuer Marktplatz angebunden werden soll, stellt sich heraus, dass niemand sicher sagen kann, welche Quelle für bestimmte Informationen eigentlich führend ist.

Das System funktioniert noch immer. Die Daten aber zunehmend weniger.

An dieser Stelle treffen zwei Themen aufeinander, die bei der Auswahl und Einführung von PIM-, MDM- oder anderen Datenmanagement-Lösungen häufig getrennt betrachtet werden: Data-Governance und Datenqualität.

Beides gehört zusammen. Und beides beginnt deutlich früher als bei der Auswahl einer Software.

Das wichtigste Vorab:

• Datenqualität beschreibt den Zustand der Daten. Data-Governance schafft die Strukturen, damit dieser Zustand dauerhaft erreicht und gehalten werden kann.
  
  
• Ein PIM- oder MDM-System kann Regeln, Workflows und Qualitätsprüfungen unterstützen – Verantwortlichkeiten und Ziele definiert es jedoch nicht von allein.
  
  
• Für eine Softwareauswahl sollten deshalb nicht nur Funktionen, sondern konkrete Governance- und Qualitätsprozesse als Anforderungen beschrieben und getestet werden.

Gute Daten sind kein Selbstzweck. Wenn über Datenqualität gesprochen wird, landet die Diskussion schnell bei Vollständigkeit, Aktualität oder Konsistenz. Das ist richtig – greift aber zu kurz. Die wichtigere Frage lautet:

Wofür müssen die Daten gut sein?

Nehmen wir einen Hersteller, der seine Produkte über den eigenen Webshop, den Fachhandel und mehrere Marktplätze vertreibt. Für das Produktmanagement mag ein Datensatz vollständig erscheinen, sobald alle technischen Attribute gepflegt sind.

Für den Kunden kann derselbe Datensatz trotzdem unzureichend sein. Vielleicht fehlt die Information, die zwei Varianten verständlich voneinander unterscheidet. Vielleicht ist eine Bezeichnung technisch korrekt, für den Käufer aber kaum verständlich. Oder ein Marktplatz fordert ein Merkmal, das intern bislang überhaupt keine Rolle gespielt hat.

Datenqualität ist deshalb immer zweckbezogen. Daten erzeugen erst dann einen Wert, wenn sie tatsächlich genutzt werden können. Für Produktdaten bedeutet das beispielsweise bessere Kaufentscheidungen, weniger Unsicherheit, effizientere Prozesse und mehr Vertrauen in die bereitgestellten Informationen.

Die Konsequenz daraus ist wichtig: Ein allgemeiner Qualitätswert von 95 oder 98 Prozent sagt wenig aus, solange nicht klar ist, welche Qualität für welchen Prozess und welchen Kanal tatsächlich benötigt wird.

Und wer entscheidet, was „gut" bedeutet? Hier beginnt Data-Governance.

Bleiben wir bei unserem Hersteller. Der Vertrieb möchte möglichst schnell neue Produkte veröffentlichen. Das Produktmanagement legt Wert auf fachliche Genauigkeit. Marketing benötigt überzeugende Texte und Bilder. Die technische Redaktion arbeitet mit eigenen Strukturen und Terminologien. E-Commerce wiederum kennt die Anforderungen der Marktplätze.

Alle arbeiten mit Produktdaten. Aber wem gehören sie? Die Antwort „dem PIM" wäre bequem – und falsch.

Ein System besitzt keine Datenverantwortung. Es kann Verantwortlichkeiten technisch abbilden, aber nicht organisatorisch erzeugen. Data-Governance beschreibt den Rahmen, in dem ein Unternehmen mit seinen Daten arbeitet. Dazu gehören Zuständigkeiten, Entscheidungsrechte, Qualitätsziele, Regeln und Prozesse. Wer darf welche Information verändern? Wer definiert Qualitätsanforderungen? Wer entscheidet bei Konflikten? Wann ist ein Produkt freigabefähig? Und wer reagiert, wenn die Qualität unter einen vereinbarten Wert fällt? Erst wenn diese Fragen beantwortet sind, kann Technologie sie sinnvoll unterstützen.

Data-Governance und Datenqualität: Ursache und Wirkung

Man kann das Verhältnis vereinfacht so beschreiben: Data-Governance schafft Verbindlichkeit. Datenqualität macht das Ergebnis sichtbar. Wenn im PIM beispielsweise 2.000 Produkte keine Gewichtsangabe besitzen, ist das zunächst ein Datenqualitätsproblem.

Die Governance-Fragen beginnen einen Schritt früher. Damit beispielsweise ob das Gewicht für diese Produktgruppe überhaupt verpflichtend ist. Wer ist für die Pflege verantwortlich? Aus welchem Quellsystem muss ein Wert stammen? Welche Einheit ist jeweil im Kontext korrekt? Darf ein Produkt ohne diese Information veröffentlicht werden? Und wer wird informiert, wenn Werte fehlen?

Ohne diese Regeln kann das Unternehmen zwar einen Fehler erkennen, aber kaum verhindern, dass er immer wieder entsteht. Genau deshalb sinkt Datenqualität nach Systemeinführungen häufig wieder, wenn Governance nur während des Projekts betrachtet wurde (uns selbst da erscheint es in der Hektik eines Projekts mit Deadline manchmal als ein Topic, um den man sich vielleicht später kümmert).

Das System bleibt bestehen. Die Projektorganisation dagegen löst sich auf. Entscheidungen werden wieder informell getroffen, Verantwortlichkeiten verschwimmen und Ausnahmen werden zum neuen Prozess. Nachhaltige Datenqualität braucht deshalb dauerhafte Strukturen.

Die Bausteine, die über Datenqualität entscheiden

Wirksame Data-Governance verbindet mehrere Elemente: eine klare Datenorganisation, ausreichende Datenkompetenz, geregeltes Datenmanagement und Enrichment, definierte Qualitätsziele sowie ein kontinuierliches Monitoring der Datenqualität.

Entscheidend ist dabei weniger die Bezeichnung der einzelnen Bausteine als ihr Zusammenspiel.

Ein Data Owner kann beispielsweise fachlich verantwortlich sein und definieren, welche Qualität ein bestimmter Datenbereich benötigt. Ein Data Steward kümmert sich näher am operativen Prozess darum, dass Regeln eingehalten und Probleme bearbeitet werden. Fachbereiche liefern oder ergänzen Informationen. Systeme überprüfen Pflichtfelder, Formate oder Wertebereiche.

Damit entsteht aus „Wir brauchen bessere Daten" ein steuerbarer Prozess. Und genau an diesem Punkt wird Data-Governance auch für eine Softwareauswahl interessant.

Warum die Softwareauswahl nicht mit einem Feature-Katalog beginnen sollte

Stellen wir uns vor, unser Hersteller sucht ein neues PIM- oder MDM-System. Die erste Anforderung könnte lauten:

„Das System muss Datenqualität unterstützen."

Nahezu jeder Anbieter wird diese Frage mit Ja beantworten. Viel gelernt hat das Auswahlteam damit nicht. Eine bessere Anforderung entsteht erst aus dem realen Prozess:

Ein Produktmanager möchte ein neues Sortiment veröffentlichen. Vor der Freigabe soll automatisch geprüft werden, ob alle für Produktgruppe und Zielkanal erforderlichen Informationen vorhanden sind. Fehler sollen dem jeweils verantwortlichen Fachbereich zugeordnet werden. Kritische Fehler verhindern die Veröffentlichung, weniger kritische erzeugen lediglich eine Warnung. Die Historie muss nachvollziehbar bleiben. Jetzt lässt sich eine Software tatsächlich bewerten.

Kann sie Qualitätsregeln abhängig von Produktgruppen und Kanälen abbilden? Lassen sich Verantwortliche automatisiert zuordnen? Können Schwellenwerte definiert werden? Gibt es Workflows zur Fehlerbearbeitung? Sind Prüfregeln für Fachanwender verständlich und pflegbar? Kann nachvollzogen werden, wann und warum ein Wert verändert wurde? Aus einer abstrakten Forderung nach „Data Quality" ist ein testbarer Use Case geworden.

Nicht jede schlechte Datenqualität braucht ein neues System

Wenn Produktinformationen heute unvollständig, widersprüchlich oder veraltet sind, liegt die Ursache nicht automatisch in der vorhandenen Technologie.

Vielleicht gibt es schlicht keine klaren Verantwortlichkeiten. Vielleicht existieren unterschiedliche Definitionen desselben Attributs. Vielleicht weiß niemand, welche Daten für welchen Kanal wirklich relevant sind. Oder Prozesse erlauben es, Qualitätsprüfungen dauerhaft zu umgehen. Ein neues PIM kann solche Probleme sichtbarer machen und besser unterstützen. Es wird sie aber nicht automatisch lösen.

Deshalb sollte vor einer Softwareauswahl geklärt werden, welcher Teil des Problems organisatorisch, prozessual und technologisch ist. Das schützt nicht nur vor falschen Erwartungen. Es verändert auch die Anforderungen an die zukünftige Lösung.

Vom Business-Ziel zur Qualitätsanforderung

Ein sinnvoller Auswahlprozess beginnt deshalb nicht mit der Frage „Welche Data-Quality-Funktionen bietet das System?", sondern mit einem Business-Ziel.

Angenommen, ein Unternehmen möchte die Time-to-Market neuer Produkte verkürzen. Dann sollte zunächst untersucht werden, wo heute Zeit verloren geht. Vielleicht warten Produkte regelmäßig auf fehlende technische Attribute. Daraus ergibt sich ein Qualitätsproblem. Die Analyse zeigt anschließend, dass der verantwortliche Bereich erst kurz vor der Veröffentlichung von den fehlenden Informationen erfährt. Jetzt wird Governance relevant: Verantwortung und Zeitpunkt der Pflege müssen verändert werden.

Erst danach entsteht die Systemanforderung: Die zukünftige Lösung soll frühzeitig erkennen, welche relevanten Informationen fehlen, diese einem Verantwortlichen zuordnen und den Fortschritt transparent machen.

So entsteht eine nachvollziehbare Kette:

Business-Ziel → Prozessproblem → Governance-Regel → Qualitätsanforderung → Softwarefunktion.

Diese Reihenfolge macht einen erheblichen Unterschied für die Auswahl. Ein gutes System unterstützt Governance – es ersetzt sie nicht.  PIM- und MDM-Lösungen können heute sehr viel dazu beitragen, Datenqualität systematisch zu steuern. Sie können Pflichtfelder und Wertebereiche prüfen, Dubletten erkennen, Freigaberegeln abbilden, Rollen verwalten, Qualitätskennzahlen berechnen und Prozesse automatisieren. Aber sie können nicht entscheiden, welche Qualität ein Unternehmen benötigt.

Sie wissen nicht, welche Information für einen Kunden kaufentscheidend ist. Sie können nicht selbst festlegen, welcher Fachbereich die Verantwortung für ein Merkmal übernehmen sollte. Und sie können auch nicht beurteilen, ob ein komplizierter Pflegeprozess organisatorisch sinnvoll ist.

Das bleibt Aufgabe des Unternehmens. Die passende Software ist deshalb nicht die Lösung mit den meisten Governance-Features, sondern diejenige, die das gewünschte Governance-Modell und die notwendigen Qualitätsprozesse am besten unterstützt.

Fazit: Datenqualität wird im System gemessen – aber im Unternehmen erzeugt

Unternehmen investieren viel Zeit und Geld in PIM, MDM, Data Platforms und andere Systeme. Das ist sinnvoll, denn ohne geeignete Technologie lassen sich große Datenmengen kaum effizient verwalten. Doch Business Value entsteht nicht automatisch mit dem Go-live.

Er entsteht, wenn Menschen verlässliche Daten in funktionierenden Prozessen erzeugen, pflegen und verwenden können. Data-Governance schafft dafür Regeln, Rollen und Verantwortlichkeiten. Datenqualität zeigt, ob diese Strukturen wirken. Und Software unterstützt dabei, beides skalierbar umzusetzen.

Für Unternehmen, die gerade nach einer neuen Lösung suchen, ergibt sich daraus eine einfache, aber wichtige Empfehlung:

Definieren Sie nicht zuerst, welche Software Sie benötigen. Definieren Sie zuerst, welche Datenqualität Ihr Business benötigt – und welche Governance notwendig ist, um sie dauerhaft zu erreichen. Ein System kann gute Daten ermöglichen. Verlässlich gute Daten entstehen aber erst, wenn Verantwortung, Regeln und Technologie zusammenspielen.