Data Governance Einkauf

Data Governance Einkauf legt verbindlich fest, wer welche Stammdaten anlegt, ändert, freigibt und stilllegt — mit klar zugeordneten Rollen, dokumentierten Policies und messbaren Qualitätszielen. Sie unterscheidet sich vom operativen Stammdatenmanagement: Governance regelt das "Wer entscheidet", MDM regelt das "Wie wird gepflegt".

Detaillierte Erklärung

Das DAMA-DMBOK 2nd Edition (2017, herausgegeben von DAMA International) definiert Data Governance als die zentrale, koordinierende Funktion für alle elf Wissensgebiete des Datenmanagements — von Stammdaten über Datenqualität bis zu Metadaten. Im Einkauf umfasst Data Governance vier Bausteine: Rollenmodell (Datenowner, Data Steward, Data Custodian, Data Consumer), Policies (Pflichtfelder, Naming-Konventionen, Freigabeprozesse), Standards (ISO 8000-110 für Datenaustausch, ISO/IEC 25012 für Qualitätsmodell, eCl@ss für Klassifizierung) und Kontrollmechanismen (Audit-Trails, KPI-Reporting, Eskalationspfade). Die Rollen werden typischerweise in einer RACI-Matrix dokumentiert — Responsible (operative Pflege), Accountable (finale Verantwortung), Consulted (fachliche Beratung), Informed (Empfänger). Beispiel Lieferantenstamm: Der [[datenowner]] (oft CPO oder Leiter Materialwirtschaft) ist Accountable, der [[data-steward]] aus dem Einkauf ist Responsible, die IT als Custodian ist Consulted, Buchhaltung und Qualitätssicherung sind Informed. Eine PwC-Studie zur Datenstrategie im DACH-Mittelstand (2024) zeigt, dass nur 31 % der befragten 480 Unternehmen eine formale Data-Governance-Struktur etabliert haben — gleichzeitig erreichen genau diese Unternehmen 22 % höhere Datenqualitätswerte. Im regulatorischen Kontext erzwingen LkSG (seit 2023), CSRD (Berichtspflicht ab 2024/2025) und EU-AI-Act (2026) zunehmend belegbare Datenherkunft (Lineage) und Verantwortlichkeit.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Hersteller von Antriebstechnik aus Westfalen mit 1.620 Mitarbeitern und 4 Werken etabliert 2025 eine Data-Governance-Struktur für den Einkauf. Ausgangslage: Vier Werke pflegen Lieferantenstammdaten parallel, drei unterschiedliche Naming-Konventionen, keine Pflichtfeldlogik, monatlich 80 Eskalationen wegen widersprüchlicher Daten. Die Geschäftsführung beruft den CPO als Datenowner für Lieferanten und Materialien, ernennt zwei Data Stewards (je einen pro Domäne), implementiert eine RACI-Matrix nach DAMA-DMBOK und schreibt 24 Pflichtfelder pro Lieferant fest. Policies regeln Freigabe (Vier-Augen-Prinzip ab 50.000 Euro Jahresvolumen), Stilllegung (nach 18 Monaten ohne Beleg) und Ausnahmen. Nach sechs Monaten ist die Eskalationsrate auf 12 pro Monat gesunken, die Klassifizierungsquote ([[klassifizierungsquote]]) auf eCl@ss-Level-4 gestiegen von 47 % auf 84 %, drei Werke sind erfolgreich auf einen einheitlichen Stamm konsolidiert. Im LkSG-Audit 2026 kann das Unternehmen erstmals lückenlos nachweisen, welcher Mitarbeiter wann welche Lieferantendaten geprüft hat.

Typische Fehler & Verhandlungskontext

Der häufigste Fehler ist die Verwechslung von Data Governance mit Tooling — Unternehmen kaufen Collibra, Alation oder ähnliche Plattformen, ohne vorher Rollen, Policies und Eskalationspfade festzulegen; das Tool steht ein Jahr ungenutzt. Zweiter Klassiker: Governance wird im Elfenbeinturm der IT formuliert, ohne den Einkauf einzubinden — die Folge sind Pflichtfelder, die fachlich keinen Sinn ergeben, und ein Steward-Modell ohne operative Akzeptanz. Drittens unterschätzen viele Mittelständler die Verbindung zu Compliance: Ohne Governance kein belastbarer LkSG-Nachweis, keine CSRD-Berichtsfähigkeit, keine ISO-9001-Konformität. Im Verhandlungskontext mit Konzernkunden ist gelebte Data Governance zunehmend Voraussetzung — Tier-1-Automobilzulieferer fordern seit 2025 in Lieferantenfragebögen explizit eine dokumentierte Datenverantwortung. Wer hier nicht liefert, fliegt aus der Vorauswahl. Auch intern hat Governance Verhandlungswirkung: Werksleiter, die ihre Stammdatenpflege anders organisieren wollen, können nicht länger argumentieren, "bei uns ist das halt so" — es gilt die zentral verabschiedete Policy.

Verwandte Begriffe

[[stammdatenmanagement-mdm]], [[datenqualitaet-einkauf]], [[dublettenerkennung]], [[datenmodell-einkauf]], [[datenkatalog-einkauf]], [[etl-prozess-einkauf]], [[data-steward]], [[klassifizierungsquote]], [[golden-record]], [[match-merge-regeln]], [[datenbereinigung-einkauf]], [[master-data-governance]], [[datenowner]], [[datenqualitaetsbericht]]