Data Governance: der Schlüssel zur Digitalisierung von Geschäftsprozessen

Warum bleiben Projekte zur digitalen Transformation auf halbem Weg stecken? Oft nicht wegen fehlender Technologie, sondern wegen fehlender Data Governance. Ohne klare Zuständigkeiten, Qualität und gemeinsame Standards bleiben Prozesse fragmentiert, und die Digitalisierung endet an den Grenzen der einzelnen Systeme.

Die ungelöste Herausforderung der digitalen Transformation

Die digitale Transformation erfordert heute mehr als die Summe der eingesetzten Plattformen: Sie braucht konsistente, nachvollziehbare Daten, die entlang des gesamten Prozesses nutzbar sind. Dennoch gleichen Teams in den meisten Unternehmen weiterhin Daten manuell ab, korrigieren fehlerhafte Rechnungen, erfassen dieselben Informationen mehrfach in verschiedenen Systemen und bearbeiten voneinander losgelöste Meldungen aus unterschiedlichen Monitoring- und Sicherheitswerkzeugen. Das Problem ist nicht die Technologie: Es liegt in der Qualität und Konsistenz der Daten, die diese Systeme durchlaufen, unabhängig davon, welches System sie erzeugt.

Veraltete Kundendaten im CRM werden ins ERP übernommen, verursachen Fehler in der Auftragsabwicklung und wirken sich auf die Rechnungsstellung aus. Ohne strukturierte Governance verwalten Marketing, Vertrieb und IT dieselben Daten unabhängig voneinander. Manuelle Korrekturen und operative Verzögerungen beeinträchtigen dadurch täglich die Wertschöpfung.

Dasselbe Muster zeigt sich auf Infrastrukturebene: Ein falsch erfasstes Asset erzeugt inkonsistente Monitoring-Protokolle, doppelte Meldungen in Sicherheitswerkzeugen und Verzögerungen bei der Behebung von Vorfällen. Auch hier liegt die Ursache nicht in der Monitoring-Plattform oder im SIEM selbst, sondern im Fehlen einer eindeutigen, massgeblichen Datenquelle für Assets, Konfigurationen und Verantwortlichkeiten.

Data Governance ist nicht nur ein IT-Projekt: Sie ist ein grundlegender Bestandteil der durchgängigen Digitalisierung. Ohne klare Verantwortlichkeiten und gemeinsame Regeln für Daten drohen Prozesse an den Übergängen zwischen Funktionen und Systemen auseinanderzufallen.

Wie Governance durchgängige Datenflüsse ermöglicht

Data Governance wirkt über drei grundlegende operative Hebel: Sie definiert Rollen und Verantwortlichkeiten entlang des Prozesses, führt gemeinsame Qualitätsstandards über Systemgrenzen hinweg ein und unterstützt die Nachvollziehbarkeit der Daten. Zusammen mit geeigneten technischen Integrationen können diese Voraussetzungen den automatischen Informationsaustausch erleichtern und manuelle Eingriffe reduzieren.

Ein konkretes Beispiel ist der Order-to-Cash-Prozess von der Auftragsabwicklung bis zum Zahlungseingang. Er umfasst CRM, ERP, Rechnungsstellung und Buchhaltung: Jeder Übergang kann kritisch werden, wenn die Daten nicht konsistent sind und klaren Regeln unterliegen.

Ohne strukturierte Governance können folgende Probleme auftreten:

• Doppelte Kundendaten in CRM und ERP
• Veraltete Geschäftskonditionen
• Manuelle Eingaben bei der Auftragsabwicklung
• Fehler bei der Rechnungsstellung
• Abstimmungsarbeiten zwischen Funktionen
• Verzögerte Zahlungseingänge

Eine strukturierte Governance kann Folgendes unterstützen:

• Eine gemeinsame Referenzquelle für Kundendaten
• Einen Data Owner mit klarer Verantwortung für die Qualität
• Automatische Validierungsregeln
• Abstimmung von CRM und ERP durch gemeinsame Standards
• Automatisierte Prüfungen zur Unterstützung einer korrekten Rechnungsstellung
• Durchgängiges Monitoring des Datenflusses

Ziel ist es, Fehler und Abstimmungsarbeiten zu reduzieren, die den Prozess verlangsamen, und die Koordination zwischen den beteiligten Funktionen zu verbessern. Die Ergebnisse hängen von der Ausgangslage, der Datenqualität und den umgesetzten Integrationen ab.

Dasselbe Prinzip gilt für IT-Betriebsprozesse wie Incident Management, Kapazitätsplanung und Patching: Klare Datenverantwortung, gemeinsame Standards und Nachvollziehbarkeit unterstützen die Koordination zwischen Monitoring-, Ticketing- und CMDB-Systemen.

KI-fähige Daten: Was das wirklich bedeutet

Der Einsatz fortgeschrittener Analytik und künstlicher Intelligenz erfordert verlässliche Daten mit klarer Governance. Unvollständige, inkonsistente oder für den vorgesehenen Zweck ungeeignete Daten können die Zuverlässigkeit der Ergebnisse beeinträchtigen und den Übergang in den Produktivbetrieb erschweren.

Bei der Vorbereitung von Daten für KI sind drei grundlegende Aspekte zu berücksichtigen:

1. Qualität und Aktualität: Die Daten müssen korrekt und für den vorgesehenen Zweck ausreichend aktuell sein. Fehler, Inkonsistenzen und Duplikate können die Ergebnisse beeinflussen
2. Herkunft und Nachvollziehbarkeit: Über die Data Lineage muss nachvollziehbar sein, aus welchen Systemen die Daten stammen und welche Transformationen sie durchlaufen haben
3. Formate und Metadaten: Die Daten müssen mit den eingesetzten Werkzeugen nutzbar sein. Gemeinsame Formate und Metadaten erleichtern ihre Interpretation und Integration in Analyseabläufe

Ein Beispiel aus dem Infrastrukturbereich ist AIOps: In On-Premises- und Hybridumgebungen beeinflussen Qualität und Konsistenz der Monitoring-Daten die Zuverlässigkeit der Modelle zur Anomalieerkennung und Ereigniskorrelation. Fragmentierte oder schwer nachvollziehbare Daten können deren Wirksamkeit bei der Reduzierung übermässiger Meldungen einschränken.

Hinzu kommen Sicherheit und Datenschutz. Zugriffskontrollen und Massnahmen wie Datenmaskierung müssen anhand der bearbeiteten Daten und der Risiken festgelegt werden. Bei der Bearbeitung von Personendaten sind das Schweizer Bundesgesetz über den Datenschutz (DSG) und, soweit anwendbar, die DSGVO einzuhalten.

Die Datenvorbereitung trägt zusammen mit diesen Massnahmen dazu bei, die Voraussetzungen für die Integration von KI in durchgängige operative Prozesse zu schaffen.

Die Roadmap: drei Zeithorizonte für den Start

Um das Vorhaben umsetzbar und messbar zu machen, kann eine schrittweise Roadmap mit drei Zeithorizonten eingesetzt werden. Die Zeitangaben dienen der Orientierung und sind an den Reifegrad der Daten, die Komplexität der Systeme und den Projektumfang anzupassen.

1. Ab sofort: kritische Daten unter Kontrolle bringen
   Die Schlüsseldaten der durchgängigen Prozesse identifizieren. Data Owner und Verantwortlichkeiten festlegen. Qualitätsprüfungen in den wichtigsten Systemen einführen.
   Ziel: operative Fehler und manuelle Tätigkeiten reduzieren.
2. Innerhalb von 6 Monaten: standardisieren und integrieren
   Datenkatalogisierung und Metadatenmanagement einführen. Stammdaten in einer Pilotdomäne aufeinander abstimmen. Prüfungen und Validierungen automatisieren.
   Ziel: durchgängige digitale Abläufe zwischen den beteiligten Systemen erleichtern.
3. Innerhalb von 12 Monaten: KI und fortgeschrittene Automatisierung ermöglichen
   Data Lineage und Nachvollziehbarkeit ausbauen. Daten für die Wiederverwendung in Analytik und KI vorbereiten. Automatisierung und die Unterstützung datenbasierter Entscheidungen schrittweise erweitern.
   Ziel: die Digitalisierung und Integration der Prozesse innerhalb des definierten Umfangs ausweiten.

Mit einem schrittweisen Vorgehen kann Data Governance zu einem operativen Hebel werden, der die Datenkonsistenz verbessert und stärker integrierte digitale Prozesse unterstützt.