Daten im Unternehmen systematisch analysieren, steuern und verbessern – Ein Praxisratgeber für den Mittelstand

In jedem mittelständischen Unternehmen schlummern ungenutzte Schätze: Daten. Doch oft sind diese Schätze unorganisiert, verteilt auf unzählige Systeme, Excel-Listen und E-Mail-Postfächer. Die Folge sind ineffiziente Prozesse, falsche Entscheidungen, unzufriedene Kunden und erhebliche Compliance-Risiken. Als Chief Data Officer (CDO) oder Datenverantwortlicher ist es meine Aufgabe, Licht in dieses Dunkel zu bringen. Dieser Ratgeber ist Ihr praxisorientierter Leitfaden. Ich zeige Ihnen, wie Sie Ihre Datenbestände erkennen, bewerten, organisieren und dauerhaft verbessern können – ohne akademische Theorie, sondern mit konkreten Schritten, die Sie sofort umsetzen können. Ziel ist es, aus Ihren Daten einen strategischen Vorteil für Ihr Unternehmen zu schaffen.

Inhaltsübersicht dieses Ratgebers

• Grundlagen: Was sind Unternehmensdaten und wo finden Sie sie?

• Data Governance: Warum klare Regeln und Verantwortlichkeiten entscheidend sind.

• Die Rolle des Datenverantwortlichen: Wer macht was im Unternehmen?

• Datenanalyse in der Praxis: Wie Sie Ihre Datenlandschaft erfassen.

• Datenqualität messbar machen: Von Kennzahlen zu konkreten Prüfschleifen.

• Dokumentation: Wie Sie Ordnung schaffen und behalten.

• Priorisierung und Umsetzung: Wie Sie Datenprojekte richtig angehen.

• Daten und KI: Die Grundlage für die Zukunft schaffen.

• Ihr Startplan: Ein konkreter 30-60-90-Tage-Plan.

• Checkliste: Ihr Werkzeug für den Einstieg in professionelles Datenmanagement.

Was genau sind eigentlich unsere Unternehmensdaten?

Viele Entscheider denken bei „Daten“ primär an Kundendaten in einer Excel-Liste oder Zahlen aus der Buchhaltung. Das ist jedoch nur die Spitze des Eisbergs. Unternehmensdaten sind die Gesamtheit aller strukturierten, halbstrukturierten und unstrukturierten Informationen, die in Ihrem Unternehmen entstehen, verarbeitet, gespeichert oder genutzt werden. Sie sind das digitale Abbild Ihrer gesamten Geschäftstätigkeit.

Stellen Sie sich vor, jeder einzelne Prozess, jede Entscheidung und jede Interaktion hinterlässt eine digitale Spur. Die Summe dieser Spuren sind Ihre Unternehmensdaten. Dazu gehören offensichtliche Dinge, aber auch viele verborgene Informationen:

• Kunden- & Lieferantendaten: Adressen, Ansprechpartner, Bestellhistorie, Konditionen.

• Produkt- & Servicedaten: Artikelnummern, Beschreibungen, Preise, Stücklisten.

• Finanz- & Vertragsdaten: Rechnungen, Mahnungen, Verträge, Bilanzen.

• Produktions- & Maschinendaten: Sensordaten, Logfiles, Wartungsprotokolle, Qualitätsdaten.

• Kommunikationsdaten: E-Mails, Gesprächsnotizen aus dem CRM, Supporttickets, Chatverläufe.

• Dokumente & Dateien: Angebote (PDFs), Präsentationen, Bilder, technische Zeichnungen.

• Prozess- & Projektdaten: Projektpläne, Aufgabenstatus, Zeiterfassungen.

• Web- & Marketingdaten: Website-Analysen, Newsletter-Anmeldungen, Social-Media-Interaktionen.

• Personal- & HR-Daten: Mitarbeiterstammdaten, Gehaltsinformationen, Bewerbungen.

Jede dieser Informationen hat einen Wert – und birgt ein Risiko, wenn sie falsch, veraltet oder ungeschützt ist.

Welche Arten von Daten gibt es und warum ist die Unterscheidung wichtig?

Um Daten effektiv zu managen, müssen wir sie kategorisieren. Die Unterscheidung hilft dabei, die richtige Technologie für die Speicherung und Analyse auszuwählen und Verantwortlichkeiten klar zuzuordnen. Hier sind die wichtigsten Kategorien mit Praxisbeispielen:

Nach Struktur:

• Strukturierte Daten: Hochgradig organisiert in festen Formaten, meist in Tabellen. Sie sind leicht maschinell auswertbar. Beispiel: Eine Kundentabelle in Ihrer SQL-Datenbank mit den Spalten Kundennummer, Name, Straße, PLZ, Ort.

• Halbstrukturierte Daten: Haben eine gewisse Struktur, aber kein starres Schema. Beispiel: Eine E-Mail mit Absender, Empfänger und Betreff (Struktur), aber einem frei formulierten Text im Body (keine feste Struktur).

• Unstrukturierte Daten: Haben keine vordefinierte Struktur. Etwa 80% aller Unternehmensdaten fallen in diese Kategorie. Beispiel: Der Inhalt eines PDF-Vertrags, ein aufgezeichnetes Telefongespräch oder ein Produktfoto.

Nach Funktion und Änderungsrate:

• Stammdaten (Master Data): Langlebige, selten geänderte Kerndaten, die für viele Geschäftsprozesse benötigt werden. Beispiel: Produktdaten (Artikelnummer, Bezeichnung), Kundendaten (Name, Adresse), Lieferantendaten.

• Bewegungsdaten (Transactional Data): Beschreiben einzelne Geschäftsereignisse und sind zeitpunktbezogen. Beispiel: Eine Bestellung vom 15. Mai, eine Rechnung, ein Wareneingang.

• Referenzdaten: Dienen zur Klassifizierung und Standardisierung anderer Daten. Beispiel: Eine Liste von Ländercodes, Währungen oder vordefinierten Kundengruppen.

• Metadaten: Daten über Daten. Sie beschreiben den Kontext, die Struktur und die Herkunft von Daten. Beispiel: Das Erstellungsdatum einer Datei, der Autor eines Dokuments oder die Beschreibung einer Spalte in einer Datenbanktabelle ("Spalte C = Rechnungsbetrag in EUR").

Nach Inhalt und Sensibilität:

• Personenbezogene Daten: Alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen (DSGVO-relevant!). Beispiel: Name eines Ansprechpartners, E-Mail-Adresse, IP-Adresse.

• Sensible Daten: Eine Unterkategorie personenbezogener Daten, die besonders schützenswert ist. Beispiel: Gesundheitsdaten, Religionszugehörigkeit.

Tabelle 1: Datenarten im Unternehmenskontext

Wo werden all diese Daten im Unternehmen gespeichert?

Die Realität in den meisten mittelständischen Unternehmen ist eine gewachsene, heterogene Systemlandschaft. Daten sind nicht an einem Ort, sondern an Dutzenden, oft sogar Hunderten von Stellen gespeichert. Diese Zersplitterung ist eine der größten Herausforderungen.

Typische Speicherorte, die Sie in fast jedem Unternehmen in Deutschland finden:

• Zentrale Systeme: ERP-Systeme (z.B. SAP, Navision), CRM-Systeme (z.B. Salesforce, HubSpot), Warenwirtschaft, Buchhaltungssysteme (z.B. DATEV).

• Abteilungs- und Insellösungen: Access-Datenbanken, spezialisierte SaaS-Plattformen für Marketing, HR oder Projektmanagement.

• Dateibasierte Speicher: Netzlaufwerke ("Laufwerk G:"), SharePoint, OneDrive, lokale Arbeitsplatzrechner. Hier liegen Unmengen an Excel-Dateien, Dokumenten und PDFs.

• Kommunikationssysteme: E-Mail-Postfächer (Outlook, Exchange), Ticketsysteme im Kundenservice.

• Produktionsnahe Systeme: Steuerungen von Maschinen (SPS), Produktionsleitsysteme (MES), BI-Systeme und Data Warehouses.

Das große Risiko: Verteilte Daten und Schatten-IT

Das größte Problem ist nicht die Vielfalt der Systeme an sich, sondern die fehlende Transparenz. Besonders gefährlich ist die sogenannte Schatten-IT. Das sind alle Systeme und Prozesse, die von Fachabteilungen ohne Wissen oder Freigabe der IT-Abteilung genutzt werden. Der Klassiker ist die komplexe Excel-Liste, die ein Mitarbeiter für sein Controlling gebaut hat und die kritische Unternehmensdaten enthält.

Praxisbeispiel: Im Vertrieb wird eine Excel-Liste mit potenziellen Neukunden und deren Kontaktdaten gepflegt. Gleichzeitig existieren Kundendaten im CRM, in Outlook und im Newsletter-Tool. Ergebnis: Veraltete Adressen, Dubletten, widersprüchliche Informationen und potenzielle DSGVO-Verstöße, da niemand mehr weiß, woher die Einwilligung zur Kontaktaufnahme kam.

Warum braucht ein Unternehmen Data Governance?

Data Governance ist kein bürokratisches Monster, sondern das dringend notwendige Regelwerk für Ihre Daten. Es schafft Klarheit, Verbindlichkeit und Vertrauen. Stellen Sie es sich wie die Straßenverkehrsordnung für Ihre Datenautobahnen vor. Ohne Regeln herrscht Chaos.

Data Governance legt fest, wer für welche Daten verantwortlich ist, nach welchen Regeln Daten erfasst und gepflegt werden, wie deren Qualität sichergestellt wird und wie Risiken kontrolliert werden.

Konkret beantwortet Data Governance folgende Fragen:

• Verantwortlichkeiten: Wer ist der fachliche "Eigentümer" der Kundendaten? Wer ist für die Pflege der Produktdaten zuständig?

• Datenqualität: Was bedeutet "gute Qualität" für eine Kundenadresse? Welche Felder sind Pflichtfelder? Wie messen wir die Qualität?

• Datenschutz & Compliance: Welche Daten sind personenbezogen? Wer darf sie sehen? Wie lange müssen/dürfen wir sie speichern (Löschkonzept)?

• Datensicherheit: Wie schützen wir unsere Daten vor unbefugtem Zugriff oder Verlust?

• Datenlebenszyklus: Wie wird ein neuer Datensatz angelegt, wie wird er geändert und wie wird er sicher gelöscht?

• Nachvollziehbarkeit: Wer hat wann welchen Datensatz geändert?

• Verfügbarkeit: Wie stellen wir sicher, dass die richtigen Daten zur richtigen Zeit am richtigen Ort verfügbar sind?

Ohne Data Governance sind Datenprojekte zum Scheitern verurteilt. Sie würden ein Haus ohne Fundament bauen.

Welche Rolle hat ein Chief Data Officer (CDO) im Mittelstand?

Der Chief Data Officer ist der strategische Kopf hinter der Data Governance. Seine Hauptaufgabe ist es, den Wert von Daten für das Unternehmen zu maximieren und die damit verbundenen Risiken zu minimieren. Er ist der Übersetzer zwischen Geschäftsführung, Fachbereichen und IT.

Ein CDO...

• ...entwickelt eine übergreifende Datenstrategie, die auf die Unternehmensziele einzahlt.

• ...baut ein Dateninventar auf, um Transparenz über alle Datenquellen zu schaffen.

• ...benennt gemeinsam mit den Fachbereichen Datenverantwortliche (Data Owner).

• ...macht Datenqualität messbar und etabliert regelmäßige Reportings.

• ...koordiniert die Fachbereiche, um Datensilos aufzubrechen.

• ...setzt Prioritäten für Datenprojekte basierend auf Nutzen und Risiko.

• ...identifiziert Nutzenpotenziale, z.B. für Automatisierung oder neue Geschäftsmodelle.

• ...fördert eine unternehmensweite Datenkultur, in der Daten als wertvolles Gut verstanden werden.

• ...bereitet das Unternehmen auf den Einsatz von KI und fortgeschrittener Analytik vor.

Wichtig für den Mittelstand: Sie benötigen nicht zwangsläufig eine Vollzeitstelle mit dem Titel "Chief Data Officer". Entscheidend ist, dass die Funktion klar besetzt ist. Diese Rolle kann auch vom IT-Leiter, einem digital-affinen Geschäftsführer oder einem Leiter für Organisationsentwicklung übernommen werden. Wichtig ist, dass die Person das Mandat der Geschäftsführung hat und abteilungsübergreifend agieren darf.

Wie analysiert man die vorhandenen Daten im Unternehmen? Ein praktischer Ablauf

Der erste Schritt ist immer eine Bestandsaufnahme. Sie können nur steuern, was Sie kennen. Gehen Sie systematisch vor:

1. Systeme und Datenquellen erfassen: Sprechen Sie mit allen Fachabteilungen (Vertrieb, Marketing, Produktion, HR, Buchhaltung). Fragen Sie: "Mit welchen Programmen arbeitet ihr? Wo speichert ihr eure Informationen? Welche Excel-Listen sind für euch überlebenswichtig?"

2. Datenobjekte identifizieren: Identifizieren Sie die zentralen Informationseinheiten. Das sind typischerweise "Kunde", "Produkt", "Lieferant", "Auftrag", "Mitarbeiter".

3. Speicherorte dokumentieren: Halten Sie fest, wo diese Datenobjekte gespeichert werden (z.B. "Kundendaten in CRM, ERP und Excel-Liste-Vertrieb.xlsx").

4. Datenflüsse visualisieren: Skizzieren Sie, wie die Daten zwischen den Systemen fließen. Wo werden Daten manuell von A nach B kopiert? Wo gibt es automatisierte Schnittstellen?

5. Verantwortliche benennen: Fragen Sie: "Wer in der Abteilung ist fachlich für die Richtigkeit dieser Daten verantwortlich?" Das ist Ihr zukünftiger Data Steward oder Data Owner.

6. Erste Qualitätsprüfung: Suchen Sie nach offensichtlichen Problemen. Wie viele Dubletten gibt es? Wie viele Adressen sind unvollständig?

7. Schatten-IT aufdecken: Achten Sie besonders auf manuelle Excel-Prozesse, die zentrale Aufgaben erledigen. Diese sind oft die größten Risikofaktoren.

8. Priorisieren: Bewerten Sie die gefundenen Datenbereiche nach Kritikalität. Probleme mit Kundenstammdaten haben meist eine höhere Priorität als veraltete interne Telefonlisten.

9. Maßnahmenplan erstellen: Leiten Sie aus der Analyse erste, konkrete Aufgaben ab. Beispiel: "Festlegung des CRM als führendes System für Kundenadressen" oder "Bereinigung der Top 100 Kunden-Dubletten".

Wie legt man Zuständigkeiten für Daten fest?

Klare Verantwortlichkeiten sind das Herzstück jeder funktionierenden Data Governance. Ohne sie fühlt sich niemand zuständig und die Datenqualität erodiert. Man unterscheidet typischerweise folgende Rollen:

Tabelle 2: Rollen und Verantwortlichkeiten in der Data Governance

Praxisbeispiel: Für Produktdaten ist der Leiter des Produktmanagements der Data Owner. Ein Mitarbeiter aus seinem Team ist der Data Steward und stellt sicher, dass alle neuen Produkte mit vollständigen technischen Daten und Marketingtexten im ERP-System angelegt werden. Die IT (Data Custodian) sorgt dafür, dass das ERP-System stabil läuft und die Daten sicher sind.

Welche Datenqualitätskennzahlen sollte ein Unternehmen definieren?

Um Datenqualität zu verbessern, müssen Sie sie messbar machen. Abstrakte Ziele wie "wir brauchen bessere Daten" sind wirkungslos. Definieren Sie konkrete Kennzahlen (KPIs), die Sie regelmäßig erheben und beobachten.

Tabelle 3: Wichtige Datenqualitätskennzahlen (DQ-KPIs)

Wie integriert man Prüfschleifen in die tägliche Datenpflege?

Datenqualität ist kein einmaliges Aufräumprojekt, sondern ein kontinuierlicher Prozess. Sie müssen Mechanismen etablieren, die verhindern, dass neue "schlechte" Daten überhaupt erst ins System gelangen. Das sind Ihre Qualitäts-Firewalls.

Konkrete Prüfschleifen und Maßnahmen:

• Präventiv (bei der Eingabe):

  • Pflichtfeldprüfungen: Das System lässt ein Speichern ohne die Angabe von z.B. Rechnungsadresse und Ansprechpartner nicht zu.

  • Formatprüfungen: Eine Postleitzahl muss aus 5 Ziffern bestehen. Ein Datum muss ein gültiges Format haben.

  • Dublettenprüfung in Echtzeit: Beim Anlegen eines neuen Kunden sucht das System automatisch nach ähnlichen Einträgen und warnt den Benutzer.

  • Plausibilitätsprüfungen: Ein Rabatt von 110% wird vom System abgelehnt.

• Detektiv (regelmäßige Kontrollen):

  • Regelmäßige Datenqualitätsberichte: Der Data Steward erhält jeden Montag einen Bericht mit den 10 neuesten Kunden ohne Telefonnummer.

  • Vier-Augen-Prinzip: Kritische Änderungen an Stammdaten (z.B. Bankverbindung eines Lieferanten) müssen von einer zweiten Person freigegeben werden.

  • Automatische Validierungen: Ein nächtlicher Job prüft, ob alle aktiven Kunden eine gültige Kundengruppe haben und meldet Abweichungen.

  • Schnittstellenprotokolle überwachen: Tägliche Prüfung, ob der Datenaustausch zwischen Webshop und ERP fehlerfrei lief.

• Reaktiv (Korrekturprozesse):

  • Fehlerlisten und Wiedervorlagen: Erkannte Fehler werden nicht ignoriert, sondern in eine Aufgabenliste für den zuständigen Data Steward überführt.

  • Eskalationsregeln: Wenn ein Qualitätsproblem nach 5 Tagen nicht behoben ist, wird automatisch der Data Owner informiert.

Was bedeutet „führendes System“ oder „Single Source of Truth“?

Der Begriff führendes System (oder englisch: Single Source of Truth - SSOT) bezeichnet das eine, verbindliche System, das für eine bestimmte Datenart als die maßgebliche Quelle der Wahrheit gilt. Wenn es Unstimmigkeiten zwischen verschiedenen Systemen gibt, hat das führende System immer Recht.

Die Festlegung von führenden Systemen ist einer der wichtigsten Schritte, um Datenchaos zu beseitigen. Ohne diese Regelung weiß niemand, welcher Information er trauen kann.

Praxisbeispiel: Ein Unternehmen legt fest:

• Das CRM-System ist führend für alle Kontaktdaten von Ansprechpartnern und die Vertriebshistorie.

• Die Buchhaltungssoftware (ERP) ist führend für Rechnungsadressen und offene Posten.

• Das PIM-System (Product Information Management) ist führend für alle Artikelbeschreibungen, Bilder und technischen Daten.

• Das HR-System ist führend für alle Mitarbeiterdaten.

Das bedeutet: Wenn ein Vertriebsmitarbeiter eine neue Telefonnummer eines Kunden erfährt, ändert er sie im CRM. Ein automatischer Prozess (Schnittstelle) sorgt dann dafür, dass diese Änderung in andere Systeme, die die Telefonnummer ebenfalls benötigen, übertragen wird. Niemand darf die Telefonnummer direkt im ERP-System ändern.

Wie bereitet gute Data Governance den Einsatz von KI vor?

Künstliche Intelligenz, insbesondere generative KI-Modelle wie ChatGPT, sind auf dem Vormarsch. Viele Unternehmen planen, KI-Assistenten einzusetzen, um interne Fragen zu beantworten (sogenannte RAG-Systeme, Retrieval-Augmented Generation). Diese Systeme durchsuchen interne Dokumente und Daten, um Antworten zu generieren.

Hier gilt eine eiserne Regel: Garbage in, garbage out. Eine KI ist nur so gut wie die Daten, mit denen sie trainiert oder auf die sie zugreift. Wenn Ihre Datenbasis chaotisch, veraltet oder widersprüchlich ist, wird die KI falsche, irreführende oder nutzlose Antworten liefern.

Gute Data Governance ist die absolute Grundvoraussetzung für erfolgreiche KI-Projekte:

• Saubere Wissensdaten: Ein Dateninventar und klare führende Systeme stellen sicher, dass die KI auf die richtigen, aktuellen Dokumente und Datensätze zugreift.

• Vermeidung von Halluzinationen: Klare, geprüfte und freigegebene Inhalte reduzieren das Risiko, dass die KI Fakten "erfindet".

• Rechte und Zugriff: Ein funktionierendes Berechtigungskonzept stellt sicher, dass die KI nur die Informationen ausgibt, die der jeweilige Nutzer auch sehen darf. Personaldaten bleiben für Unbefugte tabu.

• Vertrauen und Akzeptanz: Wenn die Mitarbeiter wissen, dass die Datenbasis verlässlich ist, werden sie der KI vertrauen und sie auch nutzen.

Ein KI-Projekt zu starten, bevor die Datengrundlagen geklärt sind, ist wie ein Formel-1-Auto zu kaufen, aber zu vergessen, eine Rennstrecke zu bauen und Benzin einzufüllen.

Wie sieht ein pragmatischer Startplan für Unternehmen aus?

Sie müssen nicht alles auf einmal tun. Beginnen Sie klein und fokussiert, um schnelle Erfolge zu erzielen und die Organisation mitzunehmen. Hier ist ein bewährter 30-60-90-Tage-Plan:

Die ersten 30 Tage: Transparenz schaffen

• Kick-off-Workshop: Holen Sie Geschäftsführung und die Leiter der wichtigsten Abteilungen an einen Tisch. Erklären Sie das Ziel und sichern Sie sich deren Unterstützung.

• Datenquellen sammeln: Führen Sie Interviews mit 2-3 Schlüsselabteilungen (z.B. Vertrieb, Buchhaltung) und erstellen Sie eine erste Liste der genutzten Systeme und wichtigsten Excel-Dateien.

• Kritischste Datenbereiche identifizieren: Entscheiden Sie, wo der Schmerz am größten ist. Meist sind das Kunden- oder Produktdaten. Fokussieren Sie sich zunächst darauf.

• Erste Verantwortliche benennen: Identifizieren Sie für den ausgewählten Datenbereich einen vorläufigen Data Owner und Data Steward.

• Offensichtliche Risiken dokumentieren: Halten Sie die größten Probleme fest (z.B. "Dubletten im CRM führen zu Mehrfachaussendungen").

Die nächsten 30 Tage (Tag 31-60): Regeln definieren

• Dateninventar für den Fokusbereich aufbauen: Dokumentieren Sie detailliert, welche Kundendaten in welchen Systemen liegen.

• Erste Qualitätskennzahlen definieren: Legen Sie 2-3 messbare Ziele fest (z.B. "Reduzierung der Kundendubletten um 20%").

• Führendes System festlegen: Treffen Sie die verbindliche Entscheidung, ob z.B. das CRM oder das ERP führend für Kundenadressen ist.

• Erste Prüfschleifen einführen: Implementieren Sie eine einfache Regel, z.B. ein Pflichtfeld für die E-Mail-Adresse bei Neukunden.

• Erste Bereinigungsaktion starten: Lassen Sie den Data Steward die Top 50 Dubletten manuell bereinigen, um einen sichtbaren Erfolg zu erzielen.

Die nächsten 30 Tage (Tag 61-90): Prozesse etablieren

• Ersten Datenqualitätsbericht erstellen: Präsentieren Sie die Entwicklung der definierten Kennzahlen der Geschäftsführung und dem Fachbereich.

• Governance-Rollen verbindlich machen: Verankern Sie die Rollen von Data Owner und Steward offiziell.

• Schnittstellen dokumentieren: Analysieren und dokumentieren Sie den Datenfluss zwischen den wichtigsten Systemen im Fokusbereich.

• Regelmäßige Reviews etablieren: Setzen Sie ein kurzes, wöchentliches Meeting mit dem Data Steward an, um Fortschritte und Probleme zu besprechen.

• Roadmap für weitere Datenbereiche beschließen: Planen Sie auf Basis der ersten Erfolge den Roll-out auf den nächsten Datenbereich (z.B. Produktdaten).

Welche typischen Fehler sollte man unbedingt vermeiden?

Viele Data-Governance-Initiativen scheitern. Meist liegt es an denselben, vermeidbaren Fehlern:

1. Es als reines IT-Thema behandeln: Datenqualität ist eine Fachbereichsaufgabe. Die IT liefert die Werkzeuge, aber die Verantwortung für den Inhalt liegt bei denen, die mit den Daten arbeiten.

2. Zu groß und zu theoretisch starten: Versuchen Sie nicht, ein 200-seitiges Regelwerk für das ganze Unternehmen zu schreiben. Starten Sie mit einem konkreten Problem in einem Bereich.

3. Keine klaren Verantwortlichen benennen: Wenn jeder zuständig ist, ist es am Ende niemand. Rollen müssen klar benannt und kommuniziert werden.

4. Datenqualität als einmaliges Projekt sehen: Daten veralten. Eine einmalige Bereinigung ohne begleitende Prozesse ist nach wenigen Monaten wertlos.

5. Die Macht der Excel-Schatten-IT ignorieren: Wenn Sie die inoffiziellen Excel-Prozesse nicht verstehen und einbeziehen, werden diese Ihre Governance-Bemühungen unterlaufen.

6. Keine Unterstützung der Geschäftsführung sichern: Data Governance ist ein Veränderungsprozess und erfordert oft abteilungsübergreifende Entscheidungen. Ohne Rückendeckung von oben geht es nicht.

7. Fachbereiche nicht beteiligen: Die besten Regeln sind nutzlos, wenn die Mitarbeiter, die sie umsetzen sollen, nicht verstehen, warum sie es tun und nicht in die Lösungsfindung einbezogen wurden.

8. Den Nutzen nicht kommunizieren: Zeigen Sie auf, wie bessere Daten die tägliche Arbeit erleichtern, Fehler reduzieren und dem Unternehmen Geld sparen. Das schafft Akzeptanz.

Checkliste: Ihr Einstieg in professionelles Datenmanagement

Nutzen Sie diese Checkliste als Werkzeug, um den Status quo in Ihrem Unternehmen zu bewerten und die ersten Schritte zu planen. Gehen Sie die Punkte mit den relevanten Kollegen durch.

Block 1: Transparenz & Strategie

• [ ] Haben wir eine Übersicht über die wichtigsten datenführenden Systeme (ERP, CRM etc.)?

• [ ] Kennen wir die kritischsten Excel-Listen und Access-Datenbanken in den Fachbereichen?

• [ ] Ist die Geschäftsführung über die Risiken schlechter Datenqualität informiert und unterstützt eine Initiative?

• [ ] Haben wir die 3-5 wichtigsten Datenobjekte für unser Geschäft identifiziert (z.B. Kunde, Produkt, Auftrag)?

• [ ] Ist eine Person oder Rolle benannt, die das Thema Datenmanagement/Data Governance unternehmensweit koordiniert (CDO-Funktion)?

Block 2: Verantwortlichkeiten & Regeln

• [ ] Ist für unsere wichtigsten Datenobjekte ein fachlicher Data Owner (z.B. Vertriebsleiter für Kundendaten) benannt?

• [ ] Gibt es operative Data Stewards, die sich um die tägliche Datenpflege kümmern?

• [ ] Ist klar definiert, welches System für welche Information führend ist (Single Source of Truth)?

• [ ] Gibt es eine schriftlich fixierte Definition, was "gute Datenqualität" für uns bedeutet (z.B. Pflichtfelder)?

• [ ] Ist der Umgang mit personenbezogenen Daten gemäß DSGVO dokumentiert (z.B. im Verarbeitungsverzeichnis)?

Block 3: Qualität & Prozesse

• [ ] Messen wir die Datenqualität mit konkreten Kennzahlen (z.B. Dublettenquote, Vollständigkeit)?

• [ ] Gibt es regelmäßige Berichte über den Zustand der Datenqualität?

• [ ] Existieren technische Prüfungen bei der Dateneingabe, um Fehler zu vermeiden (z.B. Pflichtfelder)?

• [ ] Gibt es einen Prozess zur regelmäßigen Identifizierung und Bereinigung von Dubletten?

• [ ] Werden Schnittstellen zwischen Systemen auf Fehler überwacht?

• [ ] Gibt es ein Vier-Augen-Prinzip für die Änderung besonders kritischer Daten (z.B. Bankverbindungen)?

• [ ] Ist der Prozess zur Anlage eines neuen Kunden- oder Artikelstammsatzes klar definiert?

Block 4: Dokumentation & Risikomanagement

• [ ] Führen wir ein zentrales Dateninventar oder einen Datenkatalog?

• [ ] Sind die wichtigsten Datenflüsse im Unternehmen visualisiert (Datenlandkarte)?

• [ ] Gibt es ein dokumentiertes Lösch- und Aufbewahrungskonzept?

• [ ] Sind Daten nach ihrer Kritikalität oder Sensibilität klassifiziert?

• [ ] Werden Zugriffsrechte auf Daten systematisch verwaltet und regelmäßig überprüft?

Fazit: Machen Sie den ersten Schritt

Datenmanagement ist keine Raketenwissenschaft, aber es erfordert Disziplin, klare Verantwortlichkeiten und den Willen zur Veränderung. Der größte Fehler ist, aus Angst vor der Komplexität gar nicht erst anzufangen. Beginnen Sie mit einem überschaubaren, aber wichtigen Datenbereich. Schaffen Sie Transparenz, definieren Sie einfache Regeln und erzielen Sie einen schnellen, sichtbaren Erfolg. Jeder bereinigte Kundendatensatz, jede vermiedene Dublette und jeder effizientere Prozess ist ein Gewinn. Ihre Daten sind einer Ihrer wertvollsten Rohstoffe. Es ist an der Zeit, sie systematisch zu fördern und zu veredeln. Fangen Sie noch heute damit an.