Die meisten Unternehmen wissen bereits, dass sie ein Datenproblem haben. Berichte widersprechen sich. Der gleiche Kunde erscheint unter drei verschiedenen Namen in vier Systemen. Jemand in der Beschaffung arbeitet mit einer Lieferantenliste, die vor zwei Jahren zuletzt aktualisiert wurde. Niemand ist sich ganz sicher, welche Version des Produktkatalogs die aktuelle ist.
Das sind keine Ausnahmefälle. Das sind die normalen Betriebsbedingungen für einen mittelständischen Hersteller oder Distributor, der eine Standard-Mischung aus ERP, CRM, E-Commerce und Produktdaten-Systemen betreibt, die niemals dafür ausgelegt waren, ein gemeinsames Datenmodell zu teilen. Jedes System wurde für einen spezifischen Zweck implementiert, jedes hat seine eigene Art, die gleichen Entitäten zu repräsentieren, und sie in Sync zu halten, war schon immer ein manueller, fehleranfälliger Prozess.
Die Tools, die dieses Problem beheben sollen, werden Data-Governance-Tools genannt. Der Begriff umfasst aber eine breite Palette von Software, und die Kategorien verschwimmen schnell ineinander. Dieser Artikel erklärt, was diese Tools wirklich tun, welche Fähigkeiten für Hersteller und Distributoren wichtig sind, und wie Master Data Management und Systemintegration in das Gesamtbild passen.
Was Data-Governance-Tools wirklich tun
Data Governance ist die Praxis, Verfügbarkeit, Nutzbarkeit, Integrität und Sicherheit der Daten in Ihrer Organisation zu verwalten. Tools in dieser Kategorie bieten die technische Infrastruktur zur Durchsetzung von Richtlinien, Verfolgung von Datenherkunft, Messung der Datenqualität, Zugriffskontrolle und Gewährleistung von Datenkonsistenz über Systeme hinweg.
Der Bedarf ist real. Laut Gartner kostet schlechte Datenqualität Organisationen durchschnittlich mindestens 12,9 Millionen Dollar pro Jahr. Diese Zahl berücksichtigt nicht die nachgelagerten Folgen: falsche Kaufentscheidungen, Compliance-Fehler, verzögerte Produkteinführungen oder ERP- und E-Commerce-Systeme, die mit nicht synchronisierten Daten laufen.
Data-Governance-Tools lösen all diese Probleme nicht von allein. Sie bieten aber die Mechanismen, um Probleme frühzeitig zu erkennen, Verantwortung zuzuweisen und die Rate zu verringern, mit der fehlerhafte Daten sich durch eine Organisation ausbreiten.
Frameworks, Rollen und Reifegradstufen
Data Governance geschieht nicht allein durch Tools. Die Tools setzen Regeln um, aber jemand muss sie definieren, dafür einstehen und sie durchsetzen, wenn sie gebrochen werden.
Die meisten reifen Governance-Programme sind um drei Rollen herum aufgebaut. Der Data Owner ist ein Geschäftsbeteiligter (kein IT-Person), der für die Qualität und Nutzung von Daten innerhalb eines bestimmten Bereichs verantwortlich ist. Der Data Steward führt die tägliche Arbeit durch: Überprüfung von Datensätzen, Behebung von Qualitätsproblemen, Anwendung von Klassifizierungsregeln und Verwaltung des Business-Glossars. Der Data Custodian kümmert sich um die technische Seite: Speicherung, Zugriffskontrolle und Infrastruktur. Ohne diese Rollen definiert und mit echten Menschen mit echter Verantwortung besetzt, werden Governance-Tools zu Reporting-Dashboards, auf die niemand reagiert.
Das Branchenreferenz-Framework für Datenverwaltung ist DAMA-DMBOK (Data Management Body of Knowledge), das Data Governance über elf Wissensbereiche organisiert, einschließlich Datenqualität, Metadaten, Master Data und Datenintegration. Es ist keine präskriptive Methodik, sondern eine nützliche Karte, um Lücken in Ihrem Programm zu identifizieren. Die meisten Unternehmen, die Governance zum ersten Mal implementieren, stellen fest, dass sie in ein oder zwei Bereichen angemessen abgedeckt sind und in den anderen fast nichts vorhanden haben.
Der Reifungsgrad der Governance folgt einem vorhersehbaren Verlauf. Organisationen beginnen typischerweise auf ad-hoc-Ebene, wo Datenqualität reaktiv verwaltet wird und keine formale Verantwortung vorhanden ist. Sie schreiten durch definierte Richtlinien, dann systematische Durchsetzung fort und erreichen schließlich einen Zustand, in dem Governance proaktiv ist: Probleme werden erkannt, bevor sie Produktionssysteme erreichen, und Datenqualität wird kontinuierlich gemessen. Die meisten mittelständischen Hersteller und Distributoren befinden sich irgendwo in der Mitte dieses Bogens, mit Richtlinien, die vorhanden sind, aber inkonsistent angewendet werden, und Tools, die eher überwachen als verhindern.
Die Kernfähigkeiten
Nicht jedes Tool in diesem Bereich deckt den gleichen Umfang ab. Hier ist, wie die Hauptkategorie-Fähigkeiten in der Praxis aussehen.
Datenqualitätsverwaltung ist die fundamentalste Schicht. Sie umfasst Profiling (Verständnis dafür, wie Ihre Daten tatsächlich aussehen), Validierung (Überprüfung von Datensätzen gegen definierte Regeln), Deduplizierung und Vollständigkeitsprüfungen. Ohne dies bleibt Governance theoretisch. Sie können alle Richtlinien definieren, die Sie möchten, aber wenn es keinen automatisierten Mechanismus gibt, um zu erkennen, dass ein Produktdatensatz ein erforderliches Attribut vermisst oder dass ein Lieferant mit leicht unterschiedlichen Namen zweimal vorkommt, werden diese Richtlinien nicht konsistent durchgesetzt.
Metadaten-Management und Data-Catalog-Tools geben Ihnen ein durchsuchbares Inventar Ihrer Datenbestände: Was vorhanden ist, wo es sich befindet, wer es besitzt und was es bedeutet. In größeren Organisationen spart dies allein erhebliche Zeit, wenn Teams versuchen, einen Datensatz zu lokalisieren und zu vertrauen, bevor sie ihn verwenden. Der Katalog macht es auch möglich, Business-Glossare zu definieren, sodass „Kunde" in der Finanzabteilung dasselbe bedeutet wie „Kunde" im Vertriebssystem.
Datenherkunft verfolgt, wie Daten über Systeme hinweg fließen und umgewandelt werden. Wenn sich eine Berechnung in einem Finanzbericht als falsch erweist, ermöglicht die Herkunft es Ihnen, das Problem zu seiner Quelle zurückzuverfolgen, anstatt Tage mit manuellen Untersuchungen zu verbringen. Für regulierte Industrien ist die Dokumentation der Datenherkunft eine Compliance-Anforderung unter Frameworks wie GDPR und BCBS 239. Datenherkunft ist aber auch operativ nützlich für Unternehmen, die sich nicht in regulierten Industrien befinden: Wenn Sie ändern müssen, wie ein Produktattribut in Ihrem ERP berechnet wird, teilt Ihnen die Herkunft mit, welche nachgelagerten Systeme betroffen sind, bevor Sie die Änderung vornehmen, nicht danach.
Eigenständige Data-Catalog-Tools (Collibra, Alation, Microsoft Purview sind die am weitesten verbreiteten) konzentrieren sich hauptsächlich auf Metadaten-Management, Herkunftsmanagement und Glossarverwaltung. Sie sind stark darin, Daten auffindbar und dokumentiert zu machen. Was sie nicht abdecken, ist die Master-Data-Schicht selbst oder die Integrationsinfrastruktur. Für Unternehmen, die bereits ein sauberes, gut verwaltetes MDM-System haben und Auffindbarkeit und Herkunftsmanagement darauf hinzufügen müssen, ergibt ein Catalog-Tool Sinn. Für Unternehmen, die immer noch fragmentierte Master Data und schlechte Integration haben, ist ein Catalog der falsche Ausgangspunkt.
Zugriffskontrolle und Policy Enforcement stellen sicher, dass die richtigen Personen die richtigen Daten sehen können und dass Richtlinien konsistent angewendet werden, nicht nur in einer Tabelle dokumentiert. Role-basierter Zugriff, Datenmaskierung für sensible Felder und Audit-Logging fallen alle in diese Kategorie.
Workflow- und Stewardship-Tools kümmern sich um die menschliche Seite: Wer überprüft einen Datensatz, wer genehmigt eine Änderung, wer wird benachrichtigt, wenn ein Schwellenwert überschritten wird. Dies ist besonders wichtig in Unternehmen, in denen Datenverantwortung Abteilungen übergreift. Ein Hersteller mit Produktdaten, die teilweise von Engineering und teilweise von Marketing verwaltet werden, benötigt einen strukturierten Prozess zur Konfliktlösung, nicht nur gute Absichten.
Die meisten Enterprise-Governance-Tools decken mehrere dieser Bereiche ab. Die Frage ist, welche Fähigkeiten für Ihren Kontext am wichtigsten sind und ob das Tool gebaut ist, um die Datenvolumina und strukturelle Komplexität zu handhaben, die Sie tatsächlich haben.
Überschneidungen zwischen Data Governance und MDM
Master Data Management (MDM) und Data Governance sind verwandt, aber nicht dasselbe.
Data Governance definiert die Richtlinien und Prozesse: Wer kann einen neuen Lieferantendatensatz erstellen, welche Felder sind erforderlich, und wer muss eine Änderung genehmigen, bevor sie an verbundene Systeme veröffentlicht wird. MDM stellt das zentrale, verwaltete Repository bereit, in dem Ihre kritischsten gemeinsamen Daten leben: Kunden, Lieferanten, Produkte, Materialien und Standorte. Governance-Richtlinien ohne eine saubere Master-Data-Schicht durchsetzen, und Sie erzwingen immer noch Regeln gegen fragmentierte, inkonsistente Eingaben. MDM ohne Governance aufbauen, und die Daten werden sich im Laufe der Zeit verschlechtern, weil es keinen systematischen Prozess zu ihrer Verwaltung gibt.
In Projekten, die wir für Hersteller und Distributoren implementiert haben, sind die beiden Probleme fast immer gemeinsam vorhanden. Die Governance-Richtlinien existieren auf dem Papier, aber die Master Data ist über ein ERP, eine Legacy-Produktdatenbank und mehrere Tabellen verteilt, die jemand manuell aktualisiert. Durchsetzung ist unmöglich, weil es keinen einzigen Ort gibt, an dem der autoritative Datensatz vorhanden ist.
Eine richtige MDM-Plattform dient als diese einzige Wahrheitsquelle. Sie zentralisiert Daten über Bereiche hinweg, wendet Validierungsregeln an, verwaltet Beziehungen zwischen Entitäten und führt eine Historie von Änderungen. Governance-Tools können dann gegen eine saubere, konsistente Grundlage wirken, anstatt zu versuchen, widersprüchliche Quellen nachträglich zu reconciliieren.
Der Umfang der Master Data variiert je nach Unternehmen. Für einen Hersteller sind die kritischen Bereiche typischerweise Produkte, Materialien und Lieferanten. Für einen Distributor werden Kunden und Preisgestaltung normalerweise zu dieser Liste hinzugefügt. Die MDM-Plattform muss alle diese Bereiche mit konsistenten Governance-Kontrollen handhaben, nicht nur den Bereich, für den die Software ursprünglich ausgelegt war.
Reference Data Management ist eine verwandte, aber unterschiedliche Disziplin, die oft in MDM aufgeht. Reference Data umfasst die Klassifizierungslisten, Code-Tabellen und Lookup-Werte, von denen andere Daten abhängen: Ländercodes, Mengeneinheitscodes, Produktkategorien und Statuswerte. Wenn diese Listen über Systeme hinweg inkonsistent sind (ein System nutzt „EA" für jeweils, ein anderes nutzt „PCS"), führt jede Integration, die zwischen ihnen abbildet, einen potenziellen Fehler ein. Zentralisierung von Reference Data im MDM-Hub und konsistente Verteilung an verbundene Systeme eliminiert eine ganze Klasse von Datenqualitätsproblemen, die die meisten Governance-Programme übersehen.
Systemintegration: Das fehlende Puzzleteil in den meisten Implementierungen
Data Governance bricht auf der Integrations-Ebene zusammen. Ein Unternehmen kann hervorragende Richtlinien, ein gut verwaltetes MDM-System und saubere Master Data haben und trotzdem feststellen, dass das ERP drei Tage hinter der Produktdatenbank liegt, die E-Commerce-Plattform mit der Preisliste von vor einem Monat läuft und die Kundendaten im CRM nicht dem entsprechen, was im Abrechnungssystem ist.
Das liegt daran, dass die meisten Governance-Frameworks Integration als Problem von jemandem anders behandeln. Das Governance-Team definiert die Regeln. Das IT-Team verwaltet die Integrationen. Es gibt selten einen gemeinsamen Überblick darüber, was geschieht, wenn eine Änderung im MDM-System sich auf sechs verbundene Systeme in der richtigen Reihenfolge ohne Datenverlust oder Transformationsfehler ausbreiten muss.
Eine Systemintegrations-Plattform füllt diese Lücke. Sie verbindet den MDM-Hub mit jedem externen System, automatisiert den bidirektionalen Datenaustausch und stellt sicher, dass sich eine Änderung an einem Lieferantendatensatz auf jedes System ausbreitet, das darin ohne manuelle Eingriffe abhängt. Ohne diese Schicht ist Governance reaktiv: Sie erkennen Fehler, nachdem sie sich bereits ausgebreitet haben. Mit dieser Schicht wird Governance vorausschauend.
Die praktischen Anforderungen für diese Integrations-Ebene sind konzeptionell nicht kompliziert, aber schwer gut umzusetzen:
- Unterstützung von Standard-Protokollen (REST API, SOAP, EDI, Flat-File-Formate)
- Konfigurierbare Abbildung zwischen verschiedenen Datenschemas
- Geplante und ereignisgesteuerte Synchronisierung
- Fehlerprotokollierung und Benachrichtigung bei fehlgeschlagener Synchronisierung
- Die Möglichkeit, hohe Datenvolumina ohne Leistungsabbau zu handhaben
Für Hersteller, die Zehntausende von SKUs über ERP, E-Commerce und Distributor-Portale verwalten, sind dies keine optionalen Funktionen. Sie sind der Unterschied zwischen einem Governance-Programm, das funktioniert, und einem, das ständige manuelle Korrektionen erfordert.
Worauf Sie bei der Bewertung von Tools achten sollten
Der Data-Governance-Tools-Markt umfasst alles von eigenständigen Data-Catalog-Produkten bis zu vollständigen Plattformen, die MDM, Governance, Herkunftsmanagement und Integration in einem System kombinieren. Die Wahl hängt davon ab, wo Ihr größtes Problem liegt und wie Ihre Architektur strukturiert ist.
Ein paar Dinge, die Sie ehrlich bewerten sollten, bevor Sie ein Tool auswählen:
- Datenmodell-Flexibilität. Ihre Datenstrukturen sind wahrscheinlich nicht Standard. Lieferanten haben andere Attribute als Kunden. Produkte in der Kategorie Elektronische Komponenten haben andere Klassifizierungsanforderungen als Produkte in Baustoffen. Eine Governance-Plattform, die Sie in ein festes Schema zwingt, wird mehr Workarounds erzeugen als sie löst. Das ist eine der häufigsten Beschwerden, die wir von Unternehmen hören, die ihr erstes Governance-Tool wechseln.
- Integrations-Tiefe. Überprüfen Sie, ob das Tool sich mit Ihren tatsächlichen Systemen verbinden kann, nicht nur mit den beliebten. Viele Plattformen listen Salesforce und SAP als Integrationen auf, haben aber begrenzte Unterstützung für alles außerhalb dieser Liste.
- Konfigurierbarkeit ohne benutzerdefinierten Code. In unserer Erfahrung enden Unternehmen, die den Anbieter einbinden müssen, jedes Mal wenn sie eine neue Datenregel oder einen neuen Workflow benötigen, innerhalb von 18 Monaten das Governance-Programm aufgeben. Die Möglichkeit, Regeln, Validierungen und Workflows selbst zu konfigurieren, ist wichtig.
- Bereitstellungsflexibilität. On-Premise, Cloud oder Hybrid. Einige Industrien und Unternehmensgrößen haben echte Einschränkungen hier, die Anbietervorlieben nicht überschreiben können.
- Offenheit. Proprietäre Datenmodelle und geschlossene APIs erzeugen langfristige Lock-in, die nur sichtbar wird, wenn Sie das System migrieren oder erweitern müssen.
AtroCore als Open-Source-MDM- und Integrations-Plattform
AtroCore ist eine Open-Source-Plattform, die gebaut ist, um die MDM- und Systemintegrations-Schichten zusammen abzudecken. Sie nutzt ein hochgradig konfigurierbares Entity-Attribute-Value-Datenmodell, sodass sich Datenstrukturen an Ihre Domäne anpassen, nicht umgekehrt. Validierungsregeln, mehrstufige Genehmigungsworkflows und Entity-Beziehungen sind alle über die UI ohne benutzerdefinierten Code konfigurierbar.
Auf der Integrations-Seite bietet AtroCore eine vollständig dokumentierte REST API und native Import/Export-Module, die automatisierten, bidirektionalen Datenaustausch mit ERP-Systemen, E-Commerce-Plattformen und CRM-Tools unterstützen. Die Plattform läuft unter GPLv3, mit vollständiger Code-Eigentümerschaft und On-Premise- oder Cloud-Bereitstellungsoptionen.
Das ist kein eigenständiges Data-Catalog- oder Herkunftsmanagement-Tool. Es ist für Unternehmen gebaut, die einen zentralen Master-Data-Hub mit starken Governance-Kontrollen und echter Integrations-Tiefe in einem einzigen konfigurierbaren System benötigen.
Die praktische Realität
Data-Governance-Projekte scheitern häufiger, als sie gelingen, nicht weil die Tools falsch sind, sondern weil der Implementierungsumfang zu breit ist und die Eigentümerschaft unklar ist. Die Unternehmen, die dauerhafte Ergebnisse erzielen, neigen dazu, mit einem spezifischen Bereich (Produktdaten, Lieferantendaten oder Kundendaten) zu beginnen und von dort aus zu expandieren, sobald der Prozess etabliert ist.
Ein enges Vorgehen macht es auch einfacher, interne Unterstützung zu bauen. Eine Governance-Initiative, die verspricht, alles über alle Systeme in 18 Monaten zu beheben, wird mit Widerstand von jedem Team konfrontiert, das fühlt, dass seine Autonomie eingeschränkt wird. Eine, die damit beginnt, einen bestimmten, sichtbaren Schmerz zu lösen (doppelte Lieferantendatensätze, inkonsistente Produktattribute im ERP vs. dem Webshop), baut Glaubwürdigkeit auf, bevor der Umfang erweitert wird.
Die Tool-Wahl ist weniger wichtig, als viele Anbieter vorschlagen. Was wichtig ist, ist, dass die Plattform flexibel genug ist, um Ihrem tatsächlichen Datenmodell zu entsprechen, eng genug integriert ist, um die manuelle Synchronisationsarbeit zu eliminieren, die Ihr Team verbraucht, und offen genug, dass Sie nicht an eine Roadmap gebunden sind, auf die Sie keinen Einfluss haben.
Wenn Sie Optionen evaluieren, lohnt es sich, AtroCore für die MDM- und Integrations-Schicht zu bewerten, besonders wenn Ihre aktuelle Architektur mehrere getrennte Systeme umfasst und Sie eine Plattform benötigen, die sich an komplexe, domänenspezifische Datenstrukturen anpassen kann.