Data Governance: Definition, Bausteine und Abgrenzung

Data Governance ist das interne Regelwerk, mit dem ein Unternehmen seine Daten steuert: wer für welche Daten verantwortlich ist, welche Qualität sie haben müssen, wer sie sehen darf und woher sie stammen. Sie sorgt dafür, dass Daten verlässlich, geschützt und nachweisbar bleiben und damit die Grundlage für Berichte, Analysen und KI-Anwendungen bilden.

Was ist Data Governance?

Data Governance ist die Klammer über der täglichen Datenarbeit. Sie legt fest, wer für welche Datenbestände fachlich verantwortlich ist (die sogenannten Data Owner), wie sensible Daten wie Kundendaten markiert und geschützt werden, welche Qualitätsregeln gelten und wie die Herkunft der Daten nachvollziehbar bleibt. Der Begriff entstand in den 1990er- und 2000er-Jahren im Umfeld der Datenqualität und der zentralen Stammdaten-Pflege (Master Data). Politisch und rechtlich Druck bekam er durch die DSGVO (Datenschutz-Grundverordnung, ab 2018), durch [BCBS 239](https://www.bis.org/publ/bcbs239.htm) (eine Vorgabe für Banken zur Risikodaten-Aggregation) und durch Sarbanes-Oxley (ein US-Gesetz zur Finanzberichterstattung). Aktuell verschiebt sich der Rahmen erneut: Der EU AI Act (das europäische KI-Gesetz) stellt auch Trainingsdaten und die Daten, die KI-Modelle im Betrieb nachschlagen, unter Governance-Pflichten.

Ein tragfähiges Governance-Modell adressiert vier Dimensionen: Werte und Prinzipien (Vertrauen, Transparenz, Nachvollziehbarkeit), Regulierung (DSGVO, branchenspezifische Vorgaben, sektorale Aufsicht), Betrieb (Katalog, Klassifizierung, Zugriffskontrolle, Lineage, Datenqualität) und Organisation (Rollen, Freigabe-Prozesse, Ownership). Alle vier greifen ineinander; ein rein technisches Setup ohne klare Ownership scheitert genauso wie ein reines Policy-Papier ohne technische Durchsetzung.

Die operativen Bausteine sind an jeder produktiven Datenlandschaft prüfbar: ein Data Catalog als Metadaten-Layer mit Ownership und Klassifizierung; ein Klassifizierungs-Schema für personenbezogene und sensible Daten; policy-basierte Zugriffskontrolle über RBAC oder ABAC, ergänzt um Row-Level-Security und Column-Masking; Data Lineage über Systemgrenzen hinweg; regelbasierte Datenqualitäts-Checks mit Alerting; ein durchgehender Audit-Trail für regulatorische Nachweise. Die Rollen dazu sind Data Owner (fachliche Verantwortung pro Domäne), Data Steward (operative Pflege von Metadaten und Regeln) und Data Custodian (technischer Betrieb auf der Plattform).

Der aktuelle Marktrend verlagert Data Governance vom eigenständigen Werkzeug-Zoo (Collibra, Informatica Axon, Alation) hin zur katalog-nativen Plattform-Schicht: [Unity Catalog](/insights/databricks/unity-catalog/) auf Databricks, Data Catalog in SAP Datasphere, Microsoft Purview im Fabric-Umfeld. Governance wird damit zu einem Attribut der Datenplattform selbst, statt eine separate Suite darüber zu legen. Als Betriebsmodell dominieren drei Ausprägungen: zentralisiert (ein Team steuert alles), föderiert (zentrales Framework, dezentrale Umsetzung in den Fach-Domänen) und Data-Mesh-nah (Domänen tragen die Governance-Verantwortung für ihre eigenen Datenprodukte innerhalb eines gemeinsamen Regelwerks).

Abgrenzung zu AI Governance, Data Management, MDM und Compliance

Data Governance wird häufig mit benachbarten Disziplinen vermischt, die entweder einen anderen Umfang haben oder auf einer anderen Ebene ansetzen.

Disziplin	Achse	Kernunterschied
AI Governance	Umfang	AI Governance erweitert die Data-Governance-Perspektive um Modelle, Prompts, Inferenzen, Bias-Monitoring und AI-Act-Pflichten. Data Governance liefert das Fundament (klassifizierte Trainingsdaten, Lineage über Retrieval-Quellen). Beide gelten additiv.
Data Management	Ebene	Data Management ist der Oberbegriff für alle operativen Daten-Disziplinen (Integration, Modellierung, Warehousing, Archivierung nach DAMA-DMBOK). Data Governance ist eine dieser Disziplinen und gleichzeitig die Klammer, die Regeln für die anderen setzt.
Master Data Management (MDM)	Zweck	MDM konsolidiert Stammdaten (Kunde, Produkt, Lieferant) zu Golden Records für einen spezifischen Datentyp. Data Governance definiert Ownership, Qualitätsregeln und Klassifizierung, die MDM technisch umsetzt.
Compliance	Rolle	Compliance ist die Einhaltung externer Vorgaben (DSGVO, AI Act, Branchenaufsicht). Data Governance ist das interne Operating Model, das diese Einhaltung sicherstellt und nachweisbar macht. Compliance ist der Zweck, Data Governance das Mittel.
Data Catalog / Lineage / Quality	Verhältnis	Katalog, Lineage und Datenqualität sind operative Bausteine der Data Governance, keine Alternativen. Der Katalog inventarisiert, Lineage dokumentiert Herkunft, Datenqualität misst Regelkonformität. Governance ist der Rahmen darüber.

Die zentrale Trennlinie verläuft zwischen Data Governance und AI Governance: Data Governance regelt Daten (Owner, Klassifizierung, Zugriff, Qualität, Lineage), AI Governance regelt Modelle und deren Lebenszyklus. Ohne saubere Daten-Ebene bleibt jede Modell-Governance lückenhaft, weil Trainings- und Retrieval-Daten weder klassifiziert noch mit Lineage nachverfolgt sind. Die zweite häufige Verwechslung betrifft das Verhältnis zu Data Management: Wenn beide Begriffe synonym verwendet werden, geht die Steuerungs-Perspektive verloren und Governance wird zu einer weiteren operativen Aufgabe unter vielen.

Beispiel: Data Governance in einer föderierten Konzern-Landschaft

Ein DACH-Versicherungskonzern betreibt Datenbestände in einem zentralen Databricks-Lakehouse (Vertriebs- und Aktuars-Analytik), in einem SAP-S/4HANA-System (Finance, Vertragsdaten) und in mehreren regionalen Salesforce-Instanzen (Vertrieb). Ohne zentrale Governance ist die Datenlage fragmentiert: Ownership steht in Excel-Listen, Klassifizierung personenbezogener Felder ist inkonsistent, Audit-Nachweise gegenüber der BaFin sind aufwändig zu erbringen.

Das föderierte Governance-Modell zeigt sich in konkreten Artefakten. Ein katalog-nativer Metadaten-Layer inventarisiert die Datenprodukte aller drei Quellen mit Owner, Klassifizierung und Beschreibung. Personenbezogene Felder tragen ein Tag-System für DSGVO-Zwecke. Zugriff wird policy-basiert vergeben: Aktuare sehen pseudonymisierte Vertragsdaten, Vertriebs-Mitarbeitende sehen ihre eigene Region über Row-Level-Security, sensible Finanzkennzahlen werden über Column-Masking auf nicht-berechtigte Rollen reduziert. Automatisierte Datenqualitätsregeln (Vollständigkeit der Kunden-Stammdaten, Konsistenz der Vertragsnummern zwischen SAP und Salesforce) melden Abweichungen an die zuständigen Data Stewards.

Data Lineage bildet den Weg vom Quellsystem bis zum BI-Dashboard und zum ML-Modell ab und liefert damit die Grundlage für Audit-Nachweise. Die zentrale Governance-Funktion definiert die Regeln (Klassifizierungs-Schema, Ownership-Modell, Freigabe-Prozesse), die Fach-Domänen Vertrieb, Aktuariat und Finance verantworten die Umsetzung in ihren jeweiligen Datenprodukten. Damit entsteht ein prüfbarer Betriebsmodus, der Datenqualität, Zugriffskontrolle und Regulatorik gleichermaßen abdeckt, ohne dass jede Änderung durch ein zentrales Team laufen muss.