Data Governance: So setzt Du verbindliche Datenregeln durch
Ein Governance-Handbuch verhindert noch keinen fehlerhaften Umsatzbericht. Auch eine dokumentierte Zugriffsrichtlinie schützt sensible Daten erst dann, wenn die Datenplattform sie tatsächlich durchsetzt. Genau hier entscheidet sich, ob Data Governance im Alltag wirkt: bei der Übersetzung fachlicher Anforderungen in technische Kontrollen und verbindliche Reaktionen.
Wenn Du Daten verantwortest, brauchst Du deshalb mehr als einen Regelkatalog. Du musst nachvollziehen können, welche Regeln geprüft werden, was bei einem Verstoß passiert und welche Ausnahmen noch gelten. Dieser Artikel zeigt Dir den Weg vom fachlichen Anspruch in den Plattformbetrieb.
Kurz gesagt: Data Governance wird verbindlich, wenn jede relevante Datenregel mit einer überprüfbaren Kontrolle, einer festgelegten Reaktion und einem dokumentierten Nachweis verbunden ist. Ausnahmen brauchen einen begrenzten Geltungsbereich und ein Ablaufdatum; Regelverstöße einen geregelten Weg von der Erkennung bis zur bestätigten Behebung.
Was bedeutet Data Governance im operativen Betrieb?
Data Governance legt fest, unter welchen Bedingungen Daten genutzt, verändert und bereitgestellt werden dürfen. Im operativen Betrieb sorgen technische und organisatorische Kontrollen dafür, dass diese Bedingungen eingehalten und Abweichungen nachvollziehbar behandelt werden.
Dabei greifen mehrere Regelarten ineinander:
- Datenqualität: Pflichtfelder sind gefüllt, Referenzen gültig und Werte fachlich plausibel.
- Zugriff: Sensible Daten sind nur für freigegebene Nutzergruppen zugänglich.
- Aktualität: Ein Datenprodukt erfüllt die vereinbarte Bereitstellungsfrist.
- Aufbewahrung: Daten werden entsprechend ihrer festgelegten Fristen aufbewahrt oder gelöscht, sofern keine vorrangigen Pflichten entgegenstehen.
Nicht jede Regel lässt sich vollständig automatisieren. Eine fachliche Freigabe kann beispielsweise eine menschliche Entscheidung erfordern. Verbindlich wird sie durch einen dokumentierten Workflow, der eine Veröffentlichung ohne Freigabe verhindert.
Der entscheidende Unterschied: Eine Richtlinie beschreibt den Sollzustand. Eine Kontrolle stellt fest, ob er erreicht ist, oder verhindert eine unzulässige Handlung.
Data Governance implementieren: Wie wird aus einer Regel eine Kontrolle?
Aus einer Datenregel wird eine wirksame Kontrolle, wenn Prüfgegenstand, Prüflogik, Ausführungszeitpunkt und Reaktion eindeutig festgelegt sind. Die Kontrolle gehört in den regulären Plattformbetrieb und muss bei jeder relevanten Änderung erneut getestet werden.
1. Die fachliche Aussage präzisieren
„Auftragsdaten müssen korrekt sein“ ist nicht überprüfbar. Eine belastbare Regel lautet beispielsweise: „Jeder zur Auswertung freigegebene Auftrag hat eine eindeutige Auftrags-ID, eine im Kundenstamm vorhandene Kunden-ID und einen zulässigen Status.“
Kläre dabei Grenzfälle: Sind Gastbestellungen erlaubt? Wann gilt eine Stornierung als abgeschlossen? Können Kundenstammdaten später eintreffen als Aufträge? Solche Details entscheiden darüber, ob eine Kontrolle echte Fehler erkennt oder den Betrieb unnötig blockiert.
2. Einen ausführbaren Regelvertrag formulieren
Dokumentiere die Regel so, dass Umsetzung und Abnahme dieselbe Grundlage haben:
- Geltungsbereich: betroffene Tabellen, Felder und Datenprodukte.
- Prüfbedingung: Eindeutigkeit, erlaubte Werte oder Abgleich mit Referenzdaten.
- Prüfzeitpunkt: beim Eingang, nach der Transformation oder vor der Veröffentlichung.
- Schweregrad und Reaktion: Warnung, Quarantäne oder blockierte Bereitstellung.
- Nachweis: Regelversion, Prüfergebnis und betroffener Verarbeitungslauf.
- Abnahmekriterium: Beispiele für gültige, ungültige und fehlende Werte.
Formuliere tolerierte Abweichungen ausdrücklich. Ein Schwellenwert darf nicht stillschweigend aus technischen Standardeinstellungen entstehen.
3. Den passenden Kontrollpunkt wählen
Prüfe Daten möglichst dort, wo ein Fehler früh erkennbar ist und seine Folgen noch begrenzt werden können. Eine Schemaänderung lässt sich beim Eingang erkennen; eine fachliche Abstimmung zwischen mehreren Quellen häufig erst nach der Zusammenführung.
In Databricks lassen sich geeignete Qualitätsprüfungen beispielsweise mit Expectations in Lakeflow Spark Declarative Pipelines abbilden. Weitergehende Abgleiche können zusätzliche SQL- oder PySpark-Prüfungen benötigen. In Microsoft Fabric können entsprechende Prüfungen etwa über SQL oder Notebooks umgesetzt und in Data Factory Pipelines orchestriert werden. Zugriffsregeln gehören dagegen in die Berechtigungsmechanismen der jeweiligen Plattform, nicht allein in einen Qualitätscheck.
Entscheidend ist die tatsächliche Durchsetzung: Ein fehlgeschlagener Test darf nicht nur einen Logeintrag erzeugen, wenn die Regel eine Veröffentlichung verbietet.
4. Die Kontrolle wie Software ausliefern
Versioniere Prüfungen und Konfigurationen gemeinsam mit der Datenverarbeitung. Teste bewusst fehlerhafte Datensätze, fehlende Werte und verspätete Lieferungen. Prüfe außerdem, ob die vorgesehene Reaktion wirklich greift.
Eine neue Kontrolle kann zunächst beobachtend laufen, bevor sie blockiert. Dieser Übergang braucht jedoch ein festgelegtes Abnahmekriterium. Andernfalls bleibt aus einer verbindlichen Regel dauerhaft eine unverbindliche Warnung.
Was muss bei einem Regelverstoß passieren?
Ein Regelverstoß braucht eine vorher festgelegte Reaktion, die sich nach dem möglichen Schaden richtet. Erkennen allein reicht nicht: Der Vorfall muss eingegrenzt, bearbeitet und nach erneuter Prüfung abgeschlossen werden.
Warnen, isolieren oder Bereitstellung stoppen
Eine geringfügige Formatabweichung kann eine Warnung rechtfertigen. Ungültige Datensätze können in einen getrennten Quarantänebereich gelangen. Bei einem für die Finanzsteuerung kritischen Fehler kann dagegen die Veröffentlichung des gesamten betroffenen Datenprodukts gestoppt werden.
Quarantäne bedeutet nicht stilles Verwerfen. Die betroffenen Daten müssen geschützt, auffindbar und nach einer Korrektur kontrolliert erneut verarbeitbar sein. Wird nur ein Teil veröffentlicht, müssen Nutzer die eingeschränkte Vollständigkeit erkennen können.
Ein brauchbarer Vorfall enthält mindestens:
- betroffene Regel und Regelversion,
- Umfang, Zeitpunkt und betroffene Datenprodukte,
- zuständige Bearbeitung und vereinbarte Reaktionsfrist,
- Entscheidung über Sperre, Korrektur oder befristete Ausnahme,
- Ergebnis der erneuten Prüfung und dokumentierten Abschluss.
Vermeide sensible Rohdaten in Alarmen oder Tickets. Häufig reichen technische Referenzen und aggregierte Fehlerzahlen. Prüfe außerdem nachgelagerte Reports: Eine korrigierte Tabelle repariert nicht automatisch bereits exportierte Dateien oder zwischengespeicherte Auswertungen.
Wie dokumentierst Du Ausnahmen, ohne Regeln auszuhöhlen?
Eine zulässige Ausnahme ist eine genehmigte, zeitlich begrenzte Abweichung mit dokumentiertem Risiko. Sie ersetzt die Regel nicht und darf deren Kontrolle nicht unbemerkt deaktivieren.
Beispiel: Während einer Systemumstellung fehlt bei bestimmten historischen Aufträgen ein neues Pflichtmerkmal. Statt die Prüfung global abzuschalten, begrenzt Du die Ausnahme auf die betroffene Quelle und den historischen Zeitraum.
Der Ausnahmeeintrag enthält Begründung, Geltungsbereich, Genehmigung, kompensierende Maßnahmen und Ablaufdatum. Hinterlege außerdem, wie der reguläre Zustand hergestellt werden soll.
Technisch sollte die Kontrolle weiterhin zwischen regelkonformen Daten, genehmigten Abweichungen und neuen Verstößen unterscheiden. Nach Ablauf der Ausnahme muss die reguläre Behandlung wieder greifen; eine Verlängerung erfordert eine neue Entscheidung. Ausnahmen dürfen zudem keine gesetzlichen Vorgaben oder zwingenden Schutzanforderungen außer Kraft setzen.
Wie weist Du nach, dass Data Governance funktioniert?
Wirksame Data Governance lässt sich daran erkennen, dass Kontrollen zuverlässig laufen und Verstöße nachvollziehbar behandelt werden. Die Anzahl dokumentierter Regeln allein belegt keine Wirksamkeit.
Beobachte insbesondere:
- Kontrollabdeckung: Welche kritischen Datenprodukte haben aktive Prüfungen?
- Ausführungsstatus: Welche Prüfungen sind fehlgeschlagen oder gar nicht gelaufen?
- Bearbeitungsdauer: Wie lange bleiben Verstöße ungeklärt?
- Wiederholungsfehler: Welche Ursachen treten trotz Korrektur erneut auf?
- Ausnahmenbestand: Welche Ausnahmen laufen bald ab oder sind überfällig?
Ein ausgefallener Kontrolllauf ist kein positives Prüfergebnis. Überwache deshalb auch die Kontrollen selbst. Bewahre Prüfnachweise zugriffsgeschützt und entsprechend definierter Aufbewahrungsfristen auf. So kannst Du Entscheidungen erklären, ohne unnötig zusätzliche sensible Daten zu speichern.
So gehen wir vor
Bei Ailio in Bielefeld und Hamburg setzen wir für die Umsetzung an einem konkreten Datenprodukt an, statt zunächst jeden Datensatz des Unternehmens regeln zu wollen.
- Risiko eingrenzen: Gemeinsam bestimmen wir, welche Fehlentscheidungen, Offenlegungen oder Betriebsunterbrechungen verhindert werden sollen.
- Regeln ausführbar machen: Wir übersetzen fachliche Anforderungen in Prüfbedingungen, Grenzfälle und Abnahmekriterien.
- Durchsetzung integrieren: Wir verankern Prüfungen, Berechtigungen und Freigaben an den passenden Stellen der Datenplattform.
- Betrieb erproben: Wir testen Regelverstöße, Ausnahmen, Wiederverarbeitung und Eskalation gezielt durch.
- Gezielt erweitern: Erst nach der Abnahme übertragen wir wiederverwendbare Muster auf weitere Datenprodukte.
Das Ergebnis ist kein zusätzlicher Regelordner, sondern ein überprüfbarer Betriebsablauf mit sichtbaren Konsequenzen bei Abweichungen.
Dein nächster Schritt
Wähle eine geschäftskritische Datenregel und prüfe: Wo wird sie durchgesetzt, was passiert bei einem Verstoß und welcher Nachweis bleibt? Fehlt eine dieser Antworten, hast Du einen konkreten Startpunkt.
Du möchtest solche Kontrollen von Anfang an in Deiner Plattform verankern? Erfahre, wie wir mit Dir eine Datenplattform aufbauen, die Datenregeln im Betrieb wirksam durchsetzt.
