Data Management: Definition, Wissensgebiete, Abgrenzung

Data Management (deutsch: Datenmanagement) ist der Sammelbegriff für alles, was eine Organisation tun muss, damit ihre Daten geordnet entstehen, sicher gespeichert und verlässlich weiterverwendet werden können. Es bündelt Regeln, Rollen, Prozesse und Werkzeuge unter einem Dach und ist im Fach-Standard DAMA-DMBOK (dem Handbuch des Berufsverbands DAMA für Datenberufe) mit elf Themengebieten beschrieben.

Was ist Data Management?

Data Management ist der Oberbegriff dafür, wie eine Organisation ihre Daten als Wert behandelt, vergleichbar mit dem Umgang mit Geld, Personal oder Anlagen. Der Begriff umfasst alle Aktivitäten, die dafür sorgen, dass Daten über ihre gesamte Lebensdauer hinweg verfügbar, verlässlich, geschützt und wirtschaftlich betreibbar sind: vom Entstehen in operativen Anwendungen (etwa einem CRM- oder ERP-System) über die Zusammenführung in Auswertungs-Datenbanken bis zur Archivierung oder Löschung. Der Begriff entstand in den 1990er-Jahren aus dem Umfeld von Datenbanken und Data Warehousing (zentrale Auswertungs-Datenbanken für Berichte und Analysen) und wurde von [DAMA International](https://www.dama.org/), dem internationalen Berufsverband für Datenberufe, ab 2009 mit dem Data Management Body of Knowledge (DMBOK) systematisch beschrieben.

Das DAMA-DMBOK v2 gliedert Data Management in elf Wissensgebiete: Data Governance als zentrale Steuerungs-Achse, Data Architecture, Data Modeling & Design, Data Storage & Operations, Data Security, Data Integration & Interoperability, Documents & Content, Reference & Master Data, Data Warehousing & Business Intelligence, Metadata sowie Data Quality. [ISO/IEC 38505-1:2017](https://www.iso.org/standard/56639.html) („Governance of Data") und ITIL beziehen sich auf denselben Perimeter, setzen aber unterschiedliche Akzente auf Governance-Prinzipien und Betriebsprozesse.

In der operativen Umsetzung übersetzen sich die Wissensgebiete in konkrete Bausteine: Datenmodelle auf konzeptioneller, logischer und physischer Ebene; Speicher- und Verarbeitungs-Schichten (Lakehouse, Warehouse, operative Datenbanken, Objekt-Speicher); Integrations-Muster für Batch, CDC, Streaming und Federation; ein Katalog- und Metadaten-Layer für Auffindbarkeit; regelbasierte Data-Quality-Prüfungen mit Monitoring; Klassifizierungs- und Zugriffs-Kontrollen für sensible Datenkategorien; Master-Data-Konsolidierung für Stammdaten; Archivierungs- und Löschprozesse für den regulatorischen Rand. Als Rollen etablieren sich Chief Data Officer für das Operating Model, Data Owner mit fachlicher Verantwortung pro Domäne, Data Steward für die operative Pflege und Data Custodian als technischer Betrieb auf der Plattform.

Der aktuelle Marktrend verlagert Data Management vom eigenständigen Werkzeug-Portfolio (getrennte Katalog-, MDM-, ETL- und DQ-Suiten) hin zu katalog-nativer Plattform-Konsolidierung: [Unity Catalog](/insights/databricks/unity-catalog/) auf Databricks, Data Catalog in SAP Datasphere, Microsoft Purview im Fabric-Umfeld. Data Management wird damit zunehmend als Attribut der Datenplattform selbst betrieben. Regulatorisch treiben DSGVO (ab 2018), [BCBS 239](https://www.bis.org/publ/bcbs239.htm) im Bankenbereich und der EU AI Act den Perimeter weiter: Data Management deckt heute auch Trainings- und Retrieval-Daten für KI-Systeme mit ab.

Abgrenzung zu Data Governance, Data Engineering, MDM und Data Architecture

Data Management wird häufig mit einer seiner Teil-Disziplinen gleichgesetzt oder mit benachbarten Praktiken vermischt, die eine andere Flughöhe haben. Die folgende Tabelle sortiert die Begriffe entlang ihrer Rolle.

Begriff	Verhältnis zu Data Management	Kernunterschied
Data Governance	Teil-Disziplin + Klammer	Steuerungs-Disziplin innerhalb Data Management: Regeln, Rollen, Freigaben, Klassifizierung, Ownership, Nachweisbarkeit. Setzt gleichzeitig den Rahmen für die anderen Disziplinen. Nicht synonym: Data Governance regelt, Data Management operiert.
Data Engineering	Umsetzungs-Zweig	Technische Umsetzung von Pipelines, Datenflüssen und Plattform-Betrieb. Liefert die produktive Datenschicht innerhalb des Data-Management-Rahmens und deckt die Wissensgebiete Integration, Storage und teilweise Data Quality ab. Governance, Modellierung und MDM bleiben außerhalb dieses Zweigs.
Master Data Management (MDM)	Eine der elf Disziplinen	Konsolidiert Stammdaten (Kunde, Produkt, Lieferant, Standort) zu Golden Records. Im DMBOK unter „Reference & Master Data" verortet. Data Management umfasst zusätzlich Architektur, Integration, Qualität, Sicherheit, Warehousing und Metadaten.
Data Architecture	Eine der elf Disziplinen	Struktur der Datenlandschaft: Modelle, Schichten, Muster. Data Management umfasst zusätzlich Betrieb, Rollen, Regeln und Qualitäts-Sicherung. Architektur ist einer der Bausteine des Data Managements.
DataOps	Umsetzungs-Praxis	Betriebs- und Delivery-Ansatz für Datenprodukte (CI/CD, Monitoring, Automatisierung). Praxis innerhalb Data Management, primär im Data-Engineering-Zweig verortet.

Zwei Trennlinien sind für die Einordnung besonders relevant. Erstens die Trennung zwischen Data Management und Data Governance: Wenn beide Begriffe synonym verwendet werden, verschwindet die Steuerungs-Perspektive und Governance wird zu einer weiteren operativen Aufgabe unter vielen, statt zur Klammer über Regeln, Rollen und Nachweisbarkeit der anderen Disziplinen. Zweitens die Trennung zwischen Data Management und Data Engineering: Data Engineering betreibt Pipelines, Data Management verantwortet das Gesamt-Modell (Architektur, Governance, Modellierung, Qualität, Metadaten, Master Data). Ohne diese Unterscheidung reduziert sich Data Management auf die technische Umsetzung und verliert Governance- und Rollen-Ebene.

Beispiel: Data Management in einer gewachsenen Handelslandschaft

Ein DACH-Handelsunternehmen betreibt eine historisch gewachsene Datenlandschaft aus SAP S/4HANA (Finance und Warenwirtschaft), Salesforce (CRM), einem Shopify-Webshop und einem On-Premises-Data-Warehouse. Data Management manifestiert sich hier in konkreten Artefakten und Verantwortlichkeiten über alle Wissensgebiete hinweg.

Auf der Architektur-Seite ersetzt ein Data Lakehouse mit Medaillon-Schichten (Bronze, Silber, Gold) das Legacy-Warehouse; die Zielarchitektur ist als Blueprint dokumentiert. Integrations-seitig füllen Lakeflow-Connect-Konnektoren (Salesforce), Zero-ETL-Sharing aus SAP Datasphere und Structured-Streaming-Jobs (Shopify-Events) das Bronze-Layer. Modellierung erfolgt zweistufig: ein Data-Vault-Modell hält historisierte Rohdaten in Silber, materialisierte Star-Schemas in Gold bedienen Reporting und Forecasting.

Governance wird über einen katalog-nativen Metadaten-Layer betrieben: Unity Catalog inventarisiert alle Datenprodukte mit Owner, Klassifizierung und Lineage; DSGVO-relevante Felder tragen ein Tag-System, Zugriff läuft policy-basiert mit RBAC, ABAC und Column Masking. Data-Quality-Regeln laufen als Delta-Live-Tables-Expectations gegen Vollständigkeit, Konsistenz und Referenz-Integrität; Verletzungen alarmieren die zuständigen Data Stewards. Ein separater Master-Data-Prozess konsolidiert Kunden-Golden-Records aus Salesforce und Shopify.

Die Rollen-Ebene komplettiert das Bild. Ein Chief Data Officer verantwortet das Operating Model, benannte Data Owner pro Fach-Domäne (Handel, Finance, Marketing) tragen die fachliche Verantwortung, Data Stewards pflegen Metadaten und Qualitätsregeln, das zentrale Plattform-Team fungiert als Data Custodian. Alle Bausteine zusammen ergeben das Data Management der Organisation. Data Governance ist einer der Bausteine dieser Struktur, Data Engineering ein anderer; das Ganze ist mehr als die Summe der einzelnen Disziplinen und braucht eine übergreifende Steuerung.