Datenmanagement

Datenmanagement (englisch Data Management) bezeichnet alle Prozesse, Methoden und Werkzeuge, mit denen ein Unternehmen Daten erfasst, speichert, ordnet, schützt, nutzt und am Ende auch wieder löscht. Es ist die organisatorische und technische Grundlage für alles, was in der digitalen Wertschöpfung folgt: Reporting, Analyse, KI, Compliance. Ohne sauberes Datenmanagement nützt die teuerste BI-Plattform nichts, weil die Datenqualität nicht stimmt.

Im Zentrum stehen die sieben Disziplinen des Data Management Body of Knowledge (DAMA-DMBOK), das die Data Management Association seit 2009 als internationalen Referenzrahmen pflegt. Dazu gehören Data Governance, Datenarchitektur, Datenmodellierung, Datenspeicherung, Datensicherheit, Datenintegration und Stammdatenmanagement.

Die sechs Kernbereiche im Datenmanagement Sechs Kacheln zu Data Governance, Datenarchitektur, Datenqualität, Datensicherheit, Stammdaten und Datenintegration als zentrale Disziplinen des Datenmanagements. Sechs Kernbereiche im Datenmanagement GOVERNANCE Regeln und Rollen Data Owner, Steward Richtlinien, Prozesse ARCHITEKTUR Strukturen Data Warehouse, Lake Datenflüsse, Schemas QUALITÄT Datenqualität Vollständig, korrekt aktuell, konsistent SICHERHEIT Schutz Verschlüsselung Zugriff, Backup STAMMDATEN Master Data Kunden, Artikel Lieferanten, Konten INTEGRATION Datenflüsse ETL, APIs Schnittstellen Klassifikation in Anlehnung an DAMA-DMBOK 2 (2017)
Die sechs Bereiche greifen ineinander, ein schwacher Bereich zieht das gesamte Datenmanagement runter.

Die sechs Kernbereiche im Detail:

Data Governance: Wer ist für welche Daten verantwortlich, welche Regeln gelten, wie werden Konflikte entschieden? Typische Rollen sind Data Owner (fachlich verantwortlich), Data Steward (operativ kümmernd) und Data Custodian (technisch betreuend).

Datenarchitektur: Übersicht über alle Datenquellen, Datenstrukturen, Datenflüsse und Speicherorte. Dokumentiert in Datenmodellen und Architekturdiagrammen, oft mit Tools wie Erwin, ArchiMate oder modernen Cloud-Plattformen.

Datenqualität: Sechs Dimensionen prüfen Daten auf Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Eindeutigkeit und Plausibilität. Tools wie Talend, Informatica oder Open-Source-Lösungen wie Great Expectations automatisieren das Monitoring.

Datensicherheit: Verschlüsselung im Ruhe- und Übertragungszustand, Berechtigungskonzepte, Backup und Wiederherstellung. Eng verbunden mit Cybersicherheit, Datenschutz und Compliance.

Stammdatenmanagement (Master Data Management): Sicherstellung, dass Kunden, Artikel, Lieferanten und Konten in allen Systemen einheitlich vorliegen. Klassiker für Probleme: Ein Kunde wird in Vertrieb und Buchhaltung unterschiedlich geschrieben, Reports verzweigen sich, Auswertungen widersprechen sich.

Datenintegration: Daten zwischen Systemen verbinden, transformieren und synchron halten. Klassisch ETL/ELT, modern auch Streaming (Kafka), Change Data Capture und API-basierte Integration.

Rechtlicher Rahmen:

Datenmanagement ist nicht nur fachlich, sondern auch juristisch reguliert. Die wichtigsten Bezüge sind die DSGVO (insbesondere Art. 5, 25, 30 und 32) für personenbezogene Daten, das Geschäftsgeheimnisgesetz (GeschGehG) für vertrauliche Unternehmensdaten und HGB §257 für die Aufbewahrung kaufmännischer Unterlagen über 6 oder 10 Jahre. Wer Datenmanagement systematisch aufzieht, denkt diese Vorgaben von Anfang an mit.

Datenmanagement im Mittelstand:

Im Mittelstand wird Datenmanagement oft erst dann zum Thema, wenn das erste BI-Projekt gegen die Wand fährt oder eine DSGVO-Beschwerde eingeht. Bis dahin laufen Daten in Silos, jedes System hat seine eigene Wahrheit, niemand fühlt sich zuständig. Sinnvolle Einstiegspunkte:

  • Inventarisierung aller Datenquellen, beginnend bei den fünf bis zehn wichtigsten Systemen
  • Festlegung von Data Ownern für Kernobjekte wie Kunden, Artikel und Aufträge
  • Definition einer Mindest-Datenqualität, etwa keine Pflichtfelder leer und keine Dubletten bei Stammdaten
  • Aufbau eines einfachen Verzeichnisses von Verarbeitungstätigkeiten nach Art. 30 DSGVO
  • Klärung von Aufbewahrungsfristen und Löschkonzept

Wer technisch nicht alles selbst stemmen will, holt sich einen erfahrenen IT-Dienstleister wie oneserv für Hosting, Datenbank-Administration, Backup-Konzepte und Schnittstellen-Betreuung an Bord. So bleibt im Haus die fachliche Steuerung im Vordergrund.

Relevanz im Arbeitsalltag:

Gepflegtes Datenmanagement merkt man als Mitarbeiter zuerst daran, dass Auswertungen einfach stimmen. Reklamationen werden seltener, Berichte sind schneller fertig, neue Tools lassen sich anbinden, ohne dass alte zerfallen. Schlechtes Datenmanagement zeigt sich umgekehrt in stundenlanger Excel-Putzarbeit, widersprüchlichen Zahlen und endlosen Diskussionen, wessen Zahl jetzt die richtige sei. Beides ist eine Frage der Disziplin, nicht primär der Tools.

Synonyme:

  • Data Management
  • Datenverwaltung
  • Datenwirtschaft (in Teilen)

Abgrenzung zu:

  • Datenanalyse: Auswertung der Daten, setzt Datenmanagement voraus.
  • Datenschutz: Juristischer Schutz personenbezogener Daten, Teilbereich von Sicherheit und Governance.
  • Data Engineering: Bau und Betrieb der Datenpipelines, technische Spezialisierung innerhalb des Datenmanagements.
  • Information Management: Breiter Begriff, schließt unstrukturierte Inhalte wie Dokumente und Wissen mit ein.

Siehe auch:

Literaturhinweise:

  • DAMA International: „DAMA-DMBOK Data Management Body of Knowledge“, 2. Auflage, 2017.
  • Otto, Boris; Österle, Hubert: „Corporate Data Quality“. Springer, 2016.
  • Datenschutz-Grundverordnung (DSGVO), insbesondere Art. 5, 25, 30, 32.
  • Geschäftsgeheimnisgesetz (GeschGehG), in Kraft seit 2019.
« Alle Begriffe im Unternehmenslexikon anzeigen