Was bedeutet “Daten-Governance” konkret für Ihr Unternehmen?

Daten-Governance kann Qualität, Zugriff, Eigentum, Compliance oder KI-Kontrollen umfassen. Erfahren Sie, wie Sie den tatsächlichen Bedarf definieren, bevor Sie das Programm entwickeln.

In einem Punkt sind sich Organisationen oft einig:

“Wir brauchen eine bessere Datenverwaltung.”

Die Vereinbarung endet üblicherweise dort.

Fragt man fünf Führungskräfte, was Data Governance bedeutet, erhält man möglicherweise fünf verschiedene Antworten.

Der CISO könnte bedeuten, den Zugriff auf sensible Daten einzuschränken.

Die CDO kann bedeuten, Eigentumsverhältnisse, Qualität und vertrauenswürdige Definitionen festzulegen.

Das Datenschutzteam könnte die Durchsetzung von Richtlinien zum Umgang mit personenbezogenen Daten bedeuten.

Ein Unternehmensleiter möchte vielleicht einfach nur Berichte, denen er vertrauen kann.

Ein Team für die Steuerung von KI-Systemen muss möglicherweise wissen, welche Datenmodelle, Copiloten und Agenten verwendet werden können und ob diese Verwendung mit den Richtlinien übereinstimmt.

Alle diese Bedürfnisse können unter Daten-Governance fallen.

Sie benötigen aber nicht dieselbe Lösung.

Deshalb ist der erste Schritt in einem modernen Datenverwaltung Das Programm sollte nicht die Auswahl eines Katalogs, das Verfassen einer Richtlinie oder die Schaffung eines weiteren Leitungsgremiums beinhalten.

Es sollte eine praktischere Frage beantworten:

Welches konkrete Geschäfts-, Sicherheits-, Compliance- oder KI-Problem versuchen wir mit Governance zu lösen?

Ein sinnvolles Governance-Programm setzt diese Antwort in verantwortliche Eigentümer, messbare Ergebnisse, kontrollierte Daten, durchsetzbare Richtlinien und wiederholbare Arbeitsabläufe um.

Was ist Datenverwaltung?

Data Governance ist das System aus Verantwortlichkeit, Richtlinien, Kontrollen, Eigentumsverhältnissen, Prozessen und Technologien, das festlegt, wie eine Organisation Daten verwaltet und nutzt.

Ein Governance-Programm kann Folgendes festlegen:

• Wem gehören wichtige Daten?
• Wie Teams kritische Geschäftsbegriffe definieren
• Welche Daten erfüllen die Qualitätsanforderungen?
• Wer oder was hat Zugriff auf sensible Informationen?
• Wie Teams regulierte Daten klassifizieren und schützen
• Wie lange die Organisation Informationen aufbewahrt
• Welche Richtlinien gelten für unterschiedliche Daten?
• Wie Teams die Datennutzung genehmigen
• Wie die Organisation die von KI verwendeten Daten verwaltet
• Wie Teams Datenprobleme identifizieren, zuweisen und beheben

Die weit gefasste Definition erklärt, warum Organisationen oft aneinander vorbeireden.

Zwei Führungskräfte können sich darin einig sein, dass gute Regierungsführung wichtig ist, während sie versuchen, völlig unterschiedliche Probleme zu lösen.

Warum “Wir brauchen Daten-Governance” nicht spezifisch genug ist

Beachten Sie diese fünf Anfragen:

• “Wir brauchen eine bessere Datenverwaltung.”
• “Wir brauchen einen Datenkatalog.”
• “Wir brauchen mehr vertrauenswürdige Daten.”
• “Wir brauchen eine stärkere Eigentümerstruktur.”
• “Wir brauchen eine Steuerung für KI.”

Das klingt alles vernünftig.

Keine der Aussagen sagt der Organisation genau, was sich ändern muss.

Eine Governance-Initiative wird umsetzbar, wenn Teams Folgendes identifizieren können:

• Der betroffene Geschäftsprozess oder die betroffene Entscheidung
• Die beteiligten Daten
• Das aktuelle Versagen oder Risiko
• Der verantwortliche Eigentümer
• Die erforderliche Richtlinie oder Kontrolle
• Der Arbeitsablauf zur Lösung von Problemen
• Die Kennzahl, die eine Verbesserung aufzeigt

Zum Beispiel:

Allgemeine Anforderung: “Wir brauchen eine bessere Steuerung der Datenqualität.”

Betriebliche Anforderung: “Die Finanzabteilung kann die Umsatzerlöse nicht bis zum dritten Werktag abstimmen, da die Kunden- und Produktkennungen in den drei Quellsystemen voneinander abweichen. Wir benötigen verantwortliche Personen, eine genehmigte Definition, Qualitätsregeln und einen Workflow zur Behebung der Fehler in den Feldern, die den Abschluss verzögern.”

Die zweite Aussage gibt dem Führungsteam etwas, das es tatsächlich steuern kann.

Sieben verschiedene Probleme, die sich hinter dem Begriff “Daten-Governance” verbergen”

Die hilfreichste Analyse besteht oft darin, herauszufinden, welches Governance-Problem die Organisation tatsächlich hat.

Data Governance sollte mit einer Entscheidung oder einem Workflow beginnen.

Ein guter Governance-Aufnahmeprozess beginnt mit der Frage, was sich im Unternehmen ändern muss.

Statt zu fragen:

“Welche Governance-Funktionen sollten wir implementieren?”

Fragen:

“Welche Entscheidung, welcher Arbeitsablauf oder welches Risiko sollte verbessert werden?”

Dann arbeite rückwärts.

Daten-Governance ist oft ein Problem des Betriebsmodells

Nicht jedes Datenproblem hat seinen Ursprung in der Technologie.

Ein Qualitätsproblem kann auf unklare Eigentumsverhältnisse zurückzuführen sein.

Ein Problem bei der Berichterstattung kann durch widersprüchliche Definitionen entstehen.

Ein Zugriffsproblem kann beispielsweise durch einen Geschäftsprozess entstehen, der Berechtigungen bei einem Wechsel der Verantwortlichkeiten nicht entfernt.

Ein Compliance-Problem kann aus Richtlinien entstehen, die niemand umsetzen kann.

Ein Datenkatalog kann diese Probleme aufdecken.

Es löst die Probleme nicht automatisch.

Deshalb benötigt eine effektive Regierungsführung sowohl Technologie als auch ein Betriebsmodell.

Teams müssen Folgendes definieren:

• Wem gehören die kritischen Daten?
• Wer definiert Standards?
• Wer genehmigt Ausnahmen?
• Wer erhält Nachhilfearbeiten?
• Wer misst die Ergebnisse von Regierungsführung?
• Wie Teams ungelöste Probleme eskalieren

Gute Regierungsführung funktioniert dann, wenn sich Verantwortlichkeit mit dem Problem verschiebt.

Eine einzige Definition passt nicht immer zum gesamten Unternehmen.

Gute Unternehmensführung sollte dort für Konsistenz sorgen, wo Konsistenz wichtig ist.

Es sollte nicht jeden Geschäftskontext in eine einzige künstliche Definition pressen.

Betrachten Sie das Wort Kunde.

Die Finanzabteilung kann einen Kunden anhand der realisierten Umsätze definieren.

Im Vertrieb kann ein Kunde als ein Konto mit einer aktiven Geschäftsbeziehung definiert werden.

Der Support kann einen Kunden als eine zum Service berechtigte Einheit definieren.

Das Produkt legt möglicherweise mehr Wert auf aktive Nutzer als auf Vertragskonten.

Alle diese Definitionen können legitimen Zwecken dienen.

Das Governance-Problem besteht nicht unbedingt darin, dass mehrere Definitionen existieren.

Das Problem entsteht, wenn Teams unterschiedliche Definitionen verwenden, ohne zu verstehen, welche die richtige ist.

Gute Unternehmensführung unterscheidet zwischen schädlichen Widersprüchen und legitimen Geschäftskontexten.

Organisationen sollten unternehmensweite Definitionen standardisieren, wo Entscheidungen Konsistenz erfordern, und gleichzeitig gültige lokale Definitionen dokumentieren, wo Geschäftsprozesse tatsächlich abweichen.

Wie KI die Datenverwaltung verändert

Künstliche Intelligenz verstärkt die Bedeutung dieser Unterscheidung, da KI-Systeme Daten über Organisationsgrenzen hinweg verarbeiten.

Eine generative KI-Anwendung kann Dokumente aus mehreren Repositories abrufen.

Eine RAG-Anwendung kann Informationen indexieren, die von verschiedenen Teams erstellt wurden.

Ein Copilot kann Inhalte gemäß den bestehenden Berechtigungen anzeigen.

Ein KI-Agent kann Daten nutzen und dann Aktionen in verschiedenen Anwendungen und APIs auslösen.

Organisationen müssen daher mehr als nur die Datenspeicherung regeln.

Sie müssen Folgendes verstehen:

• Welche KI-Systeme gibt es?
• Welche Unternehmensdaten sie verwenden
• Ob diese Daten für den beabsichtigten KI-Einsatz geeignet sind
• Welche sensiblen oder regulierten Informationen kann KI erfassen?
• Wem gehört das KI-System?
• Welche Identitäten und Berechtigungen ermöglichen den KI-Zugriff?
• Wie Daten durch KI-Workflows fließen
• Welche Richtlinien gelten
• Welche Aktionen ein KI-Agent ausführen kann
• Welche Beweise belegen Kontrolle?

Das macht KI-Governance eine Erweiterung der Daten-Governance, kein separates Universum.

Die gleichen Fragen nach Eigentum, Qualität, Herkunft, Politik, Zugang und Zweck sind nach wie vor relevant.

Die KI verdeutlicht lediglich die Konsequenzen, wenn Teams diese nicht beantworten können.

Die Governance sollte dem Schweregrad des KI-Anwendungsfalls entsprechen.

Nicht jede KI-Initiative verdient die gleiche Verwaltungslast.

Ein interner Assistent, der öffentliche Dokumente zusammenfasst, birgt nicht dasselbe Risiko wie ein autonomer Agent, der Finanzunterlagen verändern kann.

Die Anforderungen an die Unternehmensführung sollten mit der Kombination aus Datensensibilität, Entscheidungskonsequenz, Zugriff und KI-Autonomie erhöht sich.

Je folgenreicher der Einsatz von KI ist, desto stärker sollte die Governance werden.

Ein praktisches Beispiel: “Wir brauchen eine bessere Daten-Governance”

Stellen Sie sich eine Vertriebsorganisation vor, die den CDO auffordert, die Daten-Governance zu verbessern.

Diese Anfrage ist zu allgemein, um sie sinnvoll zu finanzieren.

Die Entdeckung enthüllt das eigentliche Problem:

Account Manager erhalten widersprüchliche Kunden- und Verlängerungsinformationen aus CRM-, Abrechnungs-, Produktnutzungs- und Supportsystemen. Die Teams gleichen die Informationen manuell vor den Verlängerungsgesprächen ab, und niemand ist für die widersprüchlichen Kontodefinitionen verantwortlich.

Die Anforderungen an die Unternehmensführung werden nun deutlicher.

Geschäftsergebnis: Verbessern Sie die Vorbereitung der Vertragsverlängerung und reduzieren Sie den manuellen Abgleich.

Arbeitsablauf: Geben Sie den Account-Teams vor der Verlängerungsplanung einen verlässlichen Überblick über Vertragsstatus, Produktnutzung, Supportaktivitäten und Account-Inhaberschaft.

Wichtige Daten: Konto-ID, Vertragsdatum, Abonnementstatus, Nutzung, Supportfälle, Inhaber und Verlängerungsdatum.

Governance-Anforderungen: Vereinbarte Definitionen, Eigentumsverhältnisse, Qualitätskontrollen, Herkunft, Zugriffskontrollen und Problembehebung.

Messen: Kürzere Abstimmungszeiten, weniger strittige Kontodatensätze und frühere Eingriffe bei der Kontoerneuerung.

Das Unternehmen kann weiterhin einen Katalog, Qualitätswerkzeuge, Workflow-Automatisierung und Richtlinienkontrollen nutzen.

Diese Fähigkeiten dienen nun aber einem messbaren Ergebnis.

Das Governance-Programm verliert seine Zielsetzung. Ziel wird eine bessere Geschäftsabwicklung.

Fünf Fragen, die CDOs vor der Finanzierung von Governance-Aktivitäten stellen sollten

1. Was läuft heute schief?

Fragen Sie nach dem konkreten Datenproblem.

Ist es:

• Inkonsistente Kennzahlen?
• Übermäßiger Zugriff?
• Mangelhafte Datenqualität?
• Unbekannte Besitzverhältnisse?
• Anzeichen für schleppende Einhaltung?
• Nicht vertrauenswürdige Analysemethoden?
• KI nutzt ungeeignete Daten?

2. Welche Geschäftsentscheidung oder welcher Arbeitsablauf ist betroffen?

Die Priorisierung von Governance-Themen wird einfacher, wenn das Problem mit etwas Operativem zusammenhängt.

3. Welche Daten sind wirklich wichtig?

Nicht jeder Datensatz sollte mit der gleichen Intensität behandelt werden.

Identifizieren Sie die kritischen Datenelemente, die für das Ergebnis erforderlich sind.

4. Wem gehört das Ergebnis?

Ein Datenverantwortlicher kann eine Governance-Aufgabe übernehmen.

Ein Unternehmensleiter sollte die Verantwortung für das Geschäftsergebnis übernehmen.

5. Woran werden wir erkennen, dass das Programm funktioniert hat?

Nützliche Maßnahmen können sein:

• Weniger Datenqualitätsprobleme
• Schnellere Abhilfe
• Reduzierter übermäßiger Zugriff
• Stärkere Nutzung vertrauenswürdiger Daten
• Kürzere Berichtszyklen
• Schnellere Beweissammlung
• Niedrigere manuelle Abstimmung
• Weniger Richtlinienverstöße
• Weitere genehmigte KI-Anwendungsfälle, die im Rahmen der Richtlinien operieren

Was ein modernes Daten-Governance-Programm benötigt

Ein modernes Governance-Programm sollte verschiedene Fähigkeiten miteinander verknüpfen, anstatt Governance lediglich als Dokumentation zu betrachten.

Entdeckung und Klassifizierung

Organisationen müssen wissen, welche Daten existieren, wo sie gespeichert sind und was sie enthalten.

Datenermittlung und -klassifizierung Sie bilden die Grundlage für das Verständnis sensibler, regulierter, vertraulicher, geschützter und geschäftskritischer Informationen.

Katalog- und Geschäftskontext

A Datenkatalog kann technische Metadaten mit Definitionen, Eigentumsverhältnissen, Herkunft, Vertraulichkeit, Qualität und geschäftlicher Bedeutung verknüpfen.

Ziel sollte das Verstehen sein, nicht bloß das Sammeln von Metadaten.

Eigentum und Verantwortung

Bei Datenproblemen müssen Verantwortliche benannt werden.

Die Zuständigkeit sollte festlegen, wer kritische Daten definiert, genehmigt, überprüft und Probleme im Zusammenhang mit diesen Daten löst.

Qualität der Daten

Teams sollten die Qualität anhand ihrer Eignung für einen bestimmten Verwendungszweck bewerten, anstatt Qualität als eine einzige universelle Kennzahl zu behandeln.

Zugriffsverwaltung

Datenzugriffsverwaltung Verknüpft Identitäten und Berechtigungen mit sensiblen Daten, damit Teams übermäßige Zugriffe erkennen und das Prinzip der minimalen Berechtigungen unterstützen können.

Richtlinien- und Lebenszyklus-Governance

Organisationen benötigen Kontrollmechanismen, die festlegen, wie Teams Daten erfassen, verwenden, aufbewahren, weitergeben, archivieren und löschen.

KI-Governance

Governance muss sich nun auf Modelle, Anwendungen, Copiloten, RAG-Systeme, Agenten, Datensätze, Prompts, Pipelines und den KI-Zugang ausdehnen.

Sanierung

Governance ohne Maßnahmen erzeugt Dokumentation.

Sanierung Verknüpft Ergebnisse mit Verantwortlichen, Arbeitsabläufen, Korrekturmaßnahmen und Nachweisen.

Wie BigID moderne Daten-Governance angeht

BigID verfolgt einen Governance-Ansatz, der von den Daten ausgeht.

Anstatt Katalogisierung, sensible Daten, Zugriff, Richtlinien, Datenschutz, Sicherheit und KI in voneinander getrennte Governance-Ansichten aufzuteilen, verbindet BigID Unternehmensdaten mit dem Kontext, den Organisationen benötigen, um diese zu verstehen und darauf zu reagieren.

BigID unterstützt Organisationen:

• Unternehmensdaten entdecken und klassifizieren: Identifizieren Sie strukturierte und unstrukturierte Daten in unterstützten Cloud-, SaaS-, On-Premises- und Hybridumgebungen.
• Daten katalogisieren und in Kontext einordnen: Verknüpfen Sie Metadaten mit Definitionen, Sensibilität, Eigentumsverhältnissen, Herkunft, Qualität, Richtlinien und Geschäftskontext.
• Eigentumsverhältnisse feststellen: Verknüpfen Sie kritische Daten und Governance-Entscheidungen mit den verantwortlichen Geschäfts- und Dateneigentümern.
• Richtlinie in die Praxis umsetzen: Wenden Sie Governance-Anforderungen auf tatsächliche Unternehmensdaten an, anstatt Richtlinien von der Umsetzung abzukoppeln.
• Zugriff verwalten: Verstehen Sie, wer oder was Zugriff auf sensible Daten hat und wo Berechtigungen unnötige Risiken bergen.
• Unterstützung der Lebenszyklussteuerung: Wenden Sie Aufbewahrungs-, Minimierungs-, Lösch- und andere Lebenszyklusrichtlinien entsprechend dem Datenkontext an.
• Governance auf KI ausweiten: Verknüpfen Sie KI-Assets mit sensiblen Daten, Eigentumsverhältnissen, Herkunft, Zugriffsrechten, Richtlinien, Risiken und Nachweisen.
• Fahraktion: Aufgaben zuweisen, Arbeitsabläufe koordinieren, Korrekturmaßnahmen verfolgen und Governance-Risiken reduzieren.

Ziel ist nicht mehr Regulierungsaktivität. Ziel ist besser verwaltete Daten, die vertrauenswürdige Entscheidungen, sicheren Zugriff, verantwortungsvolle KI, regulatorische Rechenschaftspflicht und messbare Geschäftsergebnisse ermöglichen.

Häufig gestellte Fragen zur Daten-Governance

Was ist Daten-Governance?

Data Governance ist das System aus Verantwortlichkeiten, Richtlinien, Eigentumsrechten, Kontrollen, Prozessen und Technologien, das festlegt, wie eine Organisation Daten verwaltet und nutzt. Dazu gehören unter anderem Qualitäts-, Zugriffs-, Sicherheits-, Datenschutz-, Lebenszyklus-, Definitions-, Herkunfts-, Compliance- und KI-Governance.

Warum ist Daten-Governance wichtig?

Data Governance hilft Organisationen dabei, das Vertrauen in Daten zu verbessern, Verantwortlichkeit herzustellen, Sicherheits- und Datenschutzrisiken zu reduzieren, regulatorische Anforderungen zu erfüllen, die Datenqualität zu verbessern, den Zugriff zu regeln und eine stärkere Grundlage für Analytik und KI zu schaffen.

Welches Problem löst Data Governance?

Es gibt kein einzelnes Governance-Problem. Data Governance kann mangelhafte Qualität, inkonsistente Definitionen, übermäßigen Zugriff, unklare Eigentumsverhältnisse, schwache Durchsetzung von Richtlinien, Compliance-Lücken, unzuverlässige Analysen, unangemessene KI-Nutzung und andere datenbezogene Risiken angehen.

Worin besteht der Unterschied zwischen Daten-Governance und Datenmanagement?

Das Datenmanagement konzentriert sich auf die operativen Verfahren zur Erfassung, Speicherung, Integration, Verarbeitung, Pflege und Bereitstellung von Daten. Die Daten-Governance legt die Eigentumsverhältnisse, Richtlinien, Standards, Kontrollen und Verantwortlichkeiten fest, die den Umgang der Teams mit diesen Daten steuern.

Worin besteht der Unterschied zwischen Daten-Governance und Datenzugriffs-Governance?

Data Governance umfasst die umfassendere Verwaltung und Kontrolle von Unternehmensdaten. Data Access Governance konzentriert sich insbesondere darauf, wer oder was auf sensible Daten zugreifen kann, welche Berechtigungen bestehen, ob der Zugriff weiterhin angemessen ist und wo der Zugriff ein Risiko darstellt.

Wie verändert KI die Datenverwaltung?

KI erweitert die Datengovernance über traditionelle Datensätze und Analysen hinaus. Organisationen müssen die von Modellen, RAG-Systemen, Copiloten, Anwendungen und KI-Agenten verwendeten Daten verwalten, einschließlich Sensibilität, Qualität, Herkunft, Eigentumsverhältnisse, Berechtigungen, Richtlinien und nachgelagerte Aktionen.

Benötigt jede Organisation das gleiche Daten-Governance-Framework?

Nein. Die Governance sollte die Geschäftsziele, Datenrisiken, regulatorischen Verpflichtungen, das Betriebsmodell, die KI-Anwendungsfälle und die kritischen Arbeitsabläufe des Unternehmens widerspiegeln. Die Kontrollmechanismen sollten den jeweiligen Problemen und Konsequenzen angemessen sein.

Wie sollten Organisationen ein Daten-Governance-Programm starten?

Beginnen Sie mit einem messbaren Ergebnis in den Bereichen Geschäft, Sicherheit, Compliance oder KI. Identifizieren Sie den betroffenen Workflow, die kritischen Daten, den Verantwortlichen, die erforderlichen Kontrollen, den Abhilfeprozess und die Erfolgskennzahl, bevor Sie die Technologie auswählen.

Wie unterstützt BigID die Daten-Governance?

BigID unterstützt Organisationen bei der Entdeckung, Klassifizierung, Katalogisierung, Kontextualisierung und Verwaltung von Unternehmensdaten und verknüpft diese mit Eigentumsrechten, Qualität, Herkunft, Zugriff, Richtlinien, Datenschutz, Sicherheit, KI, Risiken und Abhilfemaßnahmen.