Die meisten MDM-Initiativen scheitern nicht an der falschen Technologie. Sie scheitern an mangelhafter Planung. Teams kaufen eine Plattform, migrieren einige Daten und erklären die Arbeit für erledigt. Dann verbringen sie die nächsten zwei Jahre damit, Inkonsistenzen zu beheben, die ein solider Plan längst vor dem Go-live hätte erkennen müssen.
Ein Stammdatenmanagement-Plan ist exakt das Dokument und der Prozess, der dies verhindert. Er definiert, welche Daten Sie verwalten, wer für sie verantwortlich ist, wie sie bereinigt und strukturiert werden, und wie das Endergebnis aussieht. Als MDM-Implementierungsplan sitzt er vor jeder Plattformentscheidung: vor dem Governance-Design, dem Datenmodell, der Integrationsarchitektur und dem Weg zur Single Source of Truth. Dieser Leitfaden führt Sie durch alle Phasen der Reihe nach – von der initialen Datenprüfung bis zur Erstellung eines vertrauenswürdigen Golden Record.
Warum der Plan vor der Plattform kommt
In vielen Organisationen ist der Instinkt, zuerst ein MDM-Tool auszuwählen und die Governance später zu klären. Diese Reihenfolge schafft Probleme. Das Tool formt Datenmodelle, Integrationsmuster und Stewardship-Workflows. Falls diese nicht von vornherein definiert sind, wird die Implementierung zum Sklave der Software statt zum Werkzeug des Geschäfts.
Gartner-Untersuchungen schätzen, dass schlechte Datenqualität Organisationen durchschnittlich 12,9 Millionen Dollar pro Jahr kostet. Ein Bericht des IBM Institute for Business Value von 2025 zeigt, dass 43 % der Chief Operations Officer Datenqualitätsprobleme als höchste Datenpriorität einstufen, und mehr als ein Viertel der Unternehmen verliert dadurch über 5 Millionen Dollar pro Jahr. Diese Verluste entstehen nicht durch falsche Software. Sie entstehen, weil Datenmanagement als technisches Problem statt als organisatorisches verstanden wird. Ein Plan, der beides adressiert, macht MDM nachhaltig.
Phase 1: Datenaudit
Das Audit ist, wo Sie herausfinden, was Sie wirklich haben – nicht, was Sie glauben zu haben.
Beginnen Sie mit einer Inventur aller Systeme, die Stammdaten halten: ERP, CRM, PIM, PLM, E-Commerce-Plattformen, Lieferantenportale, Tabellenkalkulationen auf gemeinsamen Laufwerken. Dokumentieren Sie jede Quelle, welche Entity-Typen sie enthält (Produkte, Kunden, Lieferanten, Standorte), das Datenvolumen, den Verantwortlichen und die Aktualisierungsfrequenz. Dies ist oft das erste Mal, dass jemand ein vollständiges Bild der Datenlandschaft hat, und es ist selten schmeichelhaft. Datensilos sind üblicherweise zahlreicher als erwartet.
Sobald die Quellen erfasst sind, beginnt die Datenprofilierung. Profiling bedeutet, Genauigkeit, Vollständigkeit, Konsistenz und Eindeutigkeit über Felder hinweg zu messen. Sie suchen nach Duplikaten, fehlenden erforderlichen Attributen, inkonsistenten Formaten (ein Produktgewicht, das in einem System als „2,5 kg" und in einem anderen als „2500" gespeichert ist) und Werten, die technisch vorhanden, aber semantisch falsch sind. Etwa ein Produkt, das unter dem falschen Kategorie-Baum klassifiziert ist.
In Projekten, die wir mit Herstellern umgesetzt haben, existiert das gleiche physische Produkt häufig unter drei oder vier verschiedenen SKUs über Systeme hinweg, jeweils mit leicht unterschiedlichen Spezifikationen. Das zerstört Beschaffungs-Workflows, verdirbt Bestandsberichte und erzeugt fehlerhafte Ergebnisse in nachgelagerten Analysen.
Das Audit-Ergebnis sollte eine Datenqualitäts-Baseline sein: eine bewertete Analyse jeder Domäne (Produkt, Kunde, Lieferant) über die Schlüssel-Qualitätsdimensionen. Sie sagt Ihnen, wo Behebung prioritär ist, und gibt Ihnen einen Vorher-Nachher-Vergleich, wenn der MDM-Plan umgesetzt wird.
Phase 2: Scope und Stammdaten-Domänen definieren
Nicht alles in einem Unternehmen ist Stammdaten. Transaktionsdatensätze, Log-Dateien und abgeleitete Analytics-Outputs sind nicht das, was MDM regelt. Stammdaten sind die Referenzinformationen, die die Schlüsselentitäten des Geschäfts beschreiben: Produkte, Kunden, Lieferanten, Standorte, Materialien. Andere Systeme nutzen sie zum Funktionieren.
Scope-Definition bedeutet zu entscheiden, welche Domänen Ihr Stammdatenmanagement-Plan adressiert, in welcher Reihenfolge und in welcher Tiefe. Produktdaten und Lieferantendaten sind häufige Anfangspunkte für Hersteller und Distributoren, weil die operativen Abhängigkeiten direkt sind und der Fehlerpreis unmittelbar. Eine nützliche Priorisierungsmethode ist, Domänen nach drei Faktoren zu bewerten: das Volumen betroffener Datensätze, die während des Audits gefundene Fehlerquote und die Zahl der nachgelagerten Systeme, die diese Domäne nutzen. Die Domäne mit hohen Scores in allen drei Bereichen wird zuerst adressiert.
Definieren Sie den Scope mit Business-Stakeholdern, nicht nur IT. Starten Sie von operativen Fehlern: falsche Produktspezifikationen auf der Produktionslinie, fehlerhafte Lieferantendaten, die Lieferungen verzögern, Duplikat-Kundenkonten, die Bestellhistorien zerstören. Dieses Gespräch bringt die richtigen Leute schneller in den Raum als jede Systemsinventur.
Phase 3: Data-Governance-Struktur
Master Data Governance definiert die menschliche Schicht des MDM: wer jede Datendomäne besitzt, wer für ihre tägliche Qualität verantwortlich ist, und wie Streitigkeiten beigelegt werden, wenn Systeme sich widersprechen.
Eine funktionierende Governance-Struktur benötigt mindestens:
- Data Owner: Geschäftsseite-Führungskräfte, verantwortlich für die Genauigkeit einer Domäne und ihre Eignung für den Zweck
- Data Stewards: operative Mitarbeiter, die Datenerstellung, -korrektur und -anreicherung nach definierten Standards ausführen
- Einen Data-Governance-Rat: eine funktionsübergreifende Gruppe, die Politik überprüft, Eskalationen schlichtet und Änderungen an Datenstandards genehmigt
Governance ist, wo die meisten MDM-Pläne unterspezifiziert sind. Organisationen weisen Tools und Prozesse zu, aber lassen Verantwortung unklar. Wenn zwei Systeme sich bei einer Kundenadresse widersprechen, weiß niemand, welche Version gewinnt. Der Plan muss Survivorship Rules explizit definieren: die Logik, die bestimmt, welcher Quell-Datensatz Vorrang hat, wenn bei Matching und Merging Konflikte entstehen. Ohne das verbringen Datenverwalter ihre Zeit mit der Lösung von Streitigkeiten, die der Plan längst vorbeantwortet haben sollte.
Phase 4: Datenmodell und Standards-Definition
Bevor irgendwelche Daten bewegt werden, muss das Ziel-Datenmodell vereinbart sein. Dies ist die Spezifikation, wie ein vollständiger, gültiger Master-Datensatz aussieht: welche Attribute erforderlich sind, welche Validierungsregeln gelten, welche Referenzdaten (Klassifizierungscodes, Maßeinheiten, Ländercodes) genutzt werden, und wie Datensätze zueinander in Beziehung stehen. Datenintegrität hängt davon ab, dass diese Definition existiert, bevor Datensätze in das MDM-System fließen.
Für Produktstammdaten bedeutet dies Entscheidungen über Attribut-Hierarchie, Varianten-Struktur, Klassifizierungsstandards (ETIM, UNSPSC oder benutzerdefinierte Taxonomien) und Lokalisierungsanforderungen. Ein Hersteller, der in mehrere Märkte verkauft, muss definieren, ob lokalisierte Beschreibungen als Attribute im Produktdatensatz oder als separate, an ein Parent-Produkt gelinkte, sprachspezifische Datensätze existieren.
Standards müssen aufgeschrieben und versionskontrolliert sein. Verbale Abmachungen über Datenstruktur überstehen Personalveränderungen oder Systemmigrationen nicht.
Phase 5: Datenbereinigung und -anreicherung
Bereinigungsarbeiten laufen parallel zur Integrations-Gestaltung, sollten aber der ersten Datenladung in das MDM-System vorausgehen.
Bereinigung umfasst Deduplizierung (Zusammenführen mehrerer Datensätze, die die gleiche Entität darstellen), Standardisierung (Reformatierung von Werten zum Passen auf das Zielmodell) und Validierung (Flaggen von Datensätzen, die Qualitätsregeln nicht erfüllen). Anreicherung ergänzt fehlende Daten: Füllen fehlender Attribute aus Quellsystemen, Hinzufügen von Klassifizierungscodes oder Einspeisen von Lieferanten-Spezifikationen.
Die Audit-Baseline aus Phase 1 bestimmt die Behebungs-Rückstand. Felder mit niedriger Vollständigkeit bekommen Anreicherungs-Workflows. Hohe Duplikat-Raten triggern Matching-and-Merging-Logik. Dies ist systematische Arbeit, nicht ad-hoc-Flickwerk.
Die 10x-Regel in Datenqualität besagt, dass Fehler ungefähr zehnmal mehr kosten zu beheben, nachdem sie ein nachgelagertes System erreicht haben, als an der Entstehungsstelle. Eine falsche Produktklassifizierung zu erfassen, bevor sie sich in einen Produktkatalog, eine Pricing-Engine und ein Logistik-System ausbreitet, kostet einen Bruchteil dessen, was es dauert, sie in allen drei zu korrigieren.
Phase 6: Integrationsarchitektur
Der MDM-Plan muss angeben, wie Stammdaten zwischen dem zentralen Hub und den Systemen fließen, die sie nutzen. Es gibt vier Hauptmuster im Einsatz über Multi-Domain-MDM-Deployments.
Registry: der MDM-Hub indexiert, wo Master-Datensätze leben, ohne eine Kopie zu speichern. Jedes Quellsystem behält seine eigenen Daten, und der Hub bietet Cross-Reference-IDs. Geringe Disruption, aber kein einzelner authorisierter Datensatz.
Konsolidierung: Quell-Datensätze werden in den Hub gezogen, gematcht und gemergt, um einen Golden Record für Analytics zu erzeugen. Der Hub ist schreibgeschützt; Quellsysteme bleiben System of Record.
Zentral (Hub-and-Spoke): der MDM-Hub ist das authorisierte System of Record. Alle Erstellungen und Updates gehen dadurch, und nachgelagerte Systeme erhalten bereinigte Daten über APIs oder Feeds.
Koexistenz: Quellsysteme verwalten weiterhin ihre eigenen Daten, aber der MDM-Hub pflegt einen synchronisierten Master-Datensatz und pusht Updates zurück an diese Systeme. Häufig, wo autonome Geschäftseinheiten sich weigern, lokale Datenverantwortung aufzugeben, aber die Organisation dennoch eine regierte Master-Ansicht benötigt.
Die meisten Hersteller und Distributoren, die komplexe Multi-System-Umgebungen betreiben, bewegen sich im Laufe der Zeit zu einem zentralisierten oder Koexistenz-Modell. Die MDM-Roadmap sollte die Ziel-Architektur, die Integrationspunkte und wie Konflikte zwischen eingehenden Datensätzen aufgelöst werden, bevor sie in die Produktion gehen, angeben.
Phase 7: Golden-Record-Produktion
Der Golden Record ist der Endzustand. Er ist der einzelne, authorisierte, deduplizierte, angereicherte und validierte Master-Datensatz für jede Entität: die Version eines Produkts, Kunden oder Lieferanten, der alle Systeme vertrauen und nutzen.
Die Produktion eines Golden Record ist kein einmalig Ereignis. Es ist ein kontinuierlicher Prozess, regiert durch die Survivorship Rules, Stewardship-Workflows und Qualitätsmessungen aus früheren Phasen. Wenn ein neuer Lieferanten-Datensatz von einem Portal ankommt und teilweise mit einem bestehenden Datensatz im ERP überlappt, wendet das MDM-System Matching-Logik an, um zu bestimmen, ob es ein Duplikat, eine verwandte Entität oder ein neuer Datensatz ist. Wo es ein Match ist, bestimmen Survivorship Rules, welche Feldwerte gewinnen. Falls das Vertrauen unter einen Schwellenwert fällt, überprüft ein Datenverwalter es manuell.
Das MDM-System sollte auch verfolgen, woher jedes Attribut im Golden Record kommt und wann es zuletzt aktualisiert wurde. Dieser Datenlinien-Datensatz ist wichtig für Compliance, zum Debuggen von Datenqualitätsproblemen und zum Aufbau von organisatorischem Vertrauen in die Stammdaten im Zeitverlauf.
Qualitätsmessungen schließen die Schleife. Definieren Sie die Datenqualitäts-KPIs: Vollständigkeitsrate pro Domäne, Duplikat-Rate, Zeit bis zur Lösung für Stewardship-Aufgaben. Messen Sie sie mit regulärer Kadenz. Ohne Messung hat der Plan keinen Feedback-Mechanismus, und Qualitätsdrift bleibt unentdeckt, bis sie nachgelagerte Fehler verursacht.
In Projekten über Kunden aus der Fertigungsindustrie reduzierte die Kombination aus gut strukturiertem Datenmodell, klaren Survivorship Rules und aktiven Stewardship-Workflows die Produktdaten-Fehlerrate um mehr als die Hälfte innerhalb des ersten MDM-Betriebsjahrs. Die operativen Gewinne (schnellere Time-to-Market für neue Produkte, weniger Auftragsfehler, saubereres Lieferanten-Onboarding) folgten direkt aus der upfront-Planungsarbeit.
Die Planung in Phasen aufteilen
Kein MDM-Plan wird auf einmal vollständig umgesetzt. Eine realistische MDM-Roadmap phasen die Arbeit: Audit und Governance-Design im ersten Quartal, Datenmodell und Standards im zweiten, Bereinigung und initiale Integration im dritten, und Golden-Record-Produktion mit Monitoring im vierten. Der Scope expandiert domänenweise, wenn frühe Phasen stabilisieren.
Die Phasenaufteilung ist nicht nur Projektmanagement. Sie lässt Governance-Strukturen einfahren, bevor die technische Komplexität skaliert, und frühe Releases erzeugen demonstrierbare Siege: bereinigte Produktdaten für eine Kategorie, oder ein dedupliziertes Lieferanten-Register. Diese Siege erhalten organisatorische Commitment durch die längere Arbeit voran.