Die Herausforderung in vielen Konzernstrukturen: BI- und AI-Teams beziehen Daten aus verschiedensten Quellen, ohne ein einheitliches Anforderungs- oder Qualitätsmanagement. Nun bringt Data Governance als neue Komponente einen übergreifenden Rahmen für Effizienz und Qualität. In diesem Vortrag stellen wir Ihnen ein Kollaborationsmodell vor, das Silos aufbricht und ein konzernweites Vorgehen für BI und AI etabliert. Erfahren Sie, wie Sie Prozesse harmonisieren und hochwertige Ergebnisse sichern.

Zielpublikum: Data Governance Manager, Data Steward, Product Owner, Projektleiter, Business Analyst, BI-Entwickler, BI-Analyst, Data Scientist, IT- und Data Compliance Manager, Führungskräfte
Voraussetzungen:Grundverständnis von Datenprozessen, erste Berührungspunkte mit Data Governance, Einblick in Fach- oder IT-Prozesse, Offenheit für organisatorische Veränderungen, Motivation Silos aufzubrechen
Schwierigkeitsgrad:Advanced

Extended Abstract:
1. Einleitung: Warum Data Governance heute unverzichtbar ist

In vielen Unternehmen – insbesondere in Konzernstrukturen mit mehreren Tochtergesellschaften – stehen BI- und AI-Teams vor großen Herausforderungen. Einerseits kommen die Daten aus unterschiedlichsten Quellen, andererseits gibt es oft keinen einheitlichen Freigabeprozess für Anforderungen aus fachlicher und rechtlicher Sicht. Genau hier setzt Data Governance an: Sie schafft den organisatorischen und inhaltlichen Rahmen, um Daten effektiv zu managen und die Zusammenarbeit zwischen Fachbereichen, Compliance und Entwicklungsteams zu koordinieren. Nur mit einem gemeinsamen Verständnis von Data Governance können konzernweite BI- und AI-Initiativen nachhaltig erfolgreich sein.

2. Status quo und typische Hindernisse

Traditionell waren BI- und AI-Entwicklung häufig getrennte Silos, die sich zwar ähnliche Datenquellen teilten, jedoch kaum abgestimmte Prozesse oder Verantwortlichkeiten besaßen. Hinzu kommt, dass Legal-, Compliance- und Datenschutzthemen oftmals erst zu spät adressiert wurden. Dadurch entsteht nicht nur ein höheres Risiko im Umgang mit sensiblen Informationen, sondern auch ein enormer Mehraufwand für die Entwicklungsteams, weil grundlegende Anforderungen oder Datenfreigaben geklärt werden müssen, wenn die Projekte schon in vollem Gange sind. Das Ergebnis: Verzögerungen, Qualitätsmängel und am Ende unzufriedene Stakeholder.

3. Die Rolle von Data Governance in BI- und AI-Projekten

Data Governance fungiert hier als „Motor“ für eine effektive Zusammenarbeit. Sie stellt sicher, dass Geschäftsanforderungen erst dann an die BI- und AI-Teams weitergeleitet werden, wenn zentrale Aspekte wie Datenschutz, Compliance und rechtliche Freigaben abgeklärt sind. So können sich die Entwicklungsteams auf ihre Kernaufgaben konzentrieren: die Umsetzung hochwertiger BI- und AI-Lösungen. Gleichzeitig übernimmt Data Governance eine Schlüsselrolle beim Sicherstellen einer stabilen Datenqualität: Die Herkunft der Daten (Data Lineage) und deren Aufbereitung sollten nicht ausschließlich in der Verantwortung der Entwicklungsteams liegen, sondern bereits im Anforderungsprozess sauber geklärt sein.

4. Datenqualität als Fundament für BI und AI

Die besten BI- und AI-Lösungen sind wertlos, wenn die zugrunde liegenden Daten unzuverlässig oder lückenhaft sind. Deshalb sorgt Data Governance für klare Prozesse, Richtlinien und Werkzeuge, die eine konsistente Datenqualität gewährleisten – bevor überhaupt mit einer Umsetzung begonnen wird. Das spart Zeit und Ressourcen: Statt aufwendig Datenquellen zu prüfen und zu bereinigen, können sich die Entwicklungsteams auf die eigentliche Wertschöpfung konzentrieren.

5. Ein Kollaborationsmodell für gemeinsame Erfolge

Zentraler Bestandteil des Vortrags ist das vorgestellte Kollaborationsmodell, das die einzelnen Rollen und Verantwortlichkeiten in BI- und AI-Projekten neu verteilt und koordiniert. Damit die Zusammenarbeit reibungslos funktioniert, braucht es:

• Klare Verantwortlichkeiten: Wer ist für die Datenbeschaffung zuständig, wer für Freigabeprozesse und wer für das Monitoring der Datenqualität?
• Transparente Kommunikationswege: Ein zentrales Data Governance Office kann fachliche und technische Anforderungen abgleichen und aus zentraler Rolle priorisieren.
• Standardisierte Prozesse: Ein einheitlicher Anforderungsprozess stellt sicher, dass BI- und AI-Teams erst dann mit der Umsetzung beginnen, wenn rechtliche, technische und fachliche Fragen geklärt sind.
• Rollen: Neue Rollen wie Data Owner, Data Steward, Data Architect oder weitere bringen notwendige Spezialisierungen in den Prozess und verhindern, dass Entwickelnde sich um Aufgaben kümmern müssen, die außerhalb ihrer Kernkompetenz liegen.

6. Praxisnahe Umsetzung für BI und AI

Gerade im Bereich AI ist Schnelligkeit gefragt: Prototypen sollen rasch erstellt und getestet werden, um den Mehrwert für das Unternehmen oder den Kunden zu demonstrieren. Durch eine solide Data Governance erhalten Data Scientists bereits geprüfte Daten – von Herkunft bis Qualität – und können sich auf die Entwicklung passender Modelle konzentrieren. Damit AI-Projekte keine „Blackbox“ bleiben, schafft das vorgeschlagene Modell außerdem Transparenz gegenüber Stakeholdern, indem jede Veränderung an Datenquellen und Modellen nachvollziehbar dokumentiert wird.

7. „Works as designed“ vs. „Works as desired“

Ein wesentlicher Aspekt des vorgestellten Ansatzes ist die enge Einbindung von Data Governance bei der Abnahme technischer Lösungen und der Validierung der Fachanforderungen.

Works as designed: Die technische Lösung funktioniert wie konzipiert; d. h. sie liefert konsistente und verlässliche Ergebnisse auf Basis der definierten Datenquellen und Prozesse.

Works as desired: Fachlich betrachtet erfüllt die Lösung die zuvor freigegebenen Business-Anforderungen und Compliance-Vorgaben. Damit werden Fehlentwicklungen oder Nachbesserungen frühzeitig vermieden.

8. Fazit: mehr Effizienz und Qualität durch integrierte Kollaboration

Das Zusammenspiel von Data Governance, BI und AI führt zu schlankeren Prozessen, besserer Datenqualität und einer schnelleren Umsetzung von innovativen Lösungen. Die vorgestellte Vorgehensweise zeigt, wie Dateninfrastrukturen in Konzernen und ihren Tochtergesellschaften harmonisiert werden können, sodass alle Beteiligten von klar definierten Abläufen und Verantwortlichkeiten profitieren. Das Resultat ist nicht nur eine höhere Zufriedenheit der Stakeholder, sondern auch eine beschleunigte Wertschöpfung durch Daten – dank eines übergreifenden, gut strukturierten Kollaborationsmodells.

Insgesamt demonstriert dieser Vortrag, wie Unternehmen durch eine zentrale Data-Governance-Struktur die Basis schaffen, damit BI- und AI-Initiativen gezielt und erfolgreich umgesetzt werden können.