DAllgemein

Data Steward

Rolle, die Datenqualität, Definitionen und Verantwortlichkeiten pflegt.

Ein Data Steward ist eine Rolle im Unternehmen, die sicherstellt, dass wichtige Daten korrekt, eindeutig definiert, aktuell und verantwortbar genutzt werden. Praktisch heißt das: Der Data Steward pflegt Datenbegriffe (z. B. „Umsatz“, „Kunde“, „Lead“), überwacht Datenqualität und klärt, wer welche Daten erstellen, ändern und verwenden darf – damit Reports und Entscheidungen auf verlässlichen Zahlen basieren.

Was macht ein Data Steward konkret?

Viele KMU scheitern nicht an fehlenden Tools, sondern an uneinheitlichen Definitionen und „Excel-Wahrheiten“. Der Data Steward wirkt dem entgegen, indem er Standards etabliert und im Alltag durchsetzt. Typische Aufgaben sind:

  • Definitionen & Glossar: Aufbau und Pflege eines Business-Glossars (z. B. Unterschied zwischen „Bestellung“, „Auftrag“ und „Rechnung“).
  • Datenqualität: Regeln und Checks für Vollständigkeit, Korrektheit, Dubletten, Plausibilität (z. B. „Lieferdatum darf nicht vor Bestelldatum liegen“).
  • Verantwortlichkeiten: Klärung von Ownership: Wer ist „Data Owner“ (fachlich verantwortlich) und wer darf Daten ändern?
  • Dokumentation & Datenkatalog: Beschreibung von Datenquellen, Feldern und Kennzahlen – inkl. „Single Source of Truth“ für Reporting.
  • Change-Kommunikation: Wenn sich Definitionen ändern (z. B. neue Umsatzlogik), sorgt der Data Steward für saubere Umstellung in Reports.

Wie funktioniert Data Stewardship im Alltag? (Prozess)

  • 1) Kritische Kennzahlen auswählen: Start mit 10–20 Kennzahlen, die die Geschäftsführung wirklich steuern (Umsatz, Marge, Churn, Pipeline).
  • 2) Einheitliche Definition festlegen: Formeln, Filter, Zeitbezug und Datenquelle dokumentieren („Umsatz = Netto, nach Storno, nach Leistungsdatum“).
  • 3) Qualitätsregeln definieren: Akzeptanzkriterien und Schwellenwerte (z. B. „<2% fehlende Branche im CRM“).
  • 4) Monitoring & Korrektur: Regelmäßige Checks, Tickets an Fachbereiche/IT, Ursachenanalyse (Prozessfehler vs. Systemfehler).
  • 5) Freigabe & Schulung: Kurzleitfäden für Teams, damit alle dieselben Zahlen lesen und nutzen.

Warum ist ein Data Steward wichtig – gerade für KMU?

Ein Data Steward reduziert Reibungsverluste und Fehlentscheidungen. Wenn Vertrieb, Finance und Operations unterschiedliche Zahlen verwenden, entstehen Diskussionen statt Entscheidungen. Mit klaren Definitionen und Qualitätsstandards wird Reporting schneller, vergleichbarer und auditierbarer – ohne dass Sie sofort ein Data-Science-Team aufbauen müssen.

Beispiele aus der Praxis

  • CRM & Vertrieb: „Aktiver Kunde“ wird einheitlich definiert (z. B. Kauf in den letzten 12 Monaten). Dadurch stimmen Pipeline- und Bestandskunden-Reports überein.
  • E-Commerce: Der Data Steward klärt, ob „Umsatz“ Retouren abzieht und ob Versandkosten enthalten sind. Ergebnis: Marketing-ROAS und Finance-Umsatz passen zusammen.
  • KI-Use-Cases: Wenn Sie eine Wissensdatenbank oder RAG-Chatbot planen, ist saubere Datenqualität entscheidend, sonst produziert das Large Language Model (LLM) schneller falsche Antworten. Data Stewardship ist damit eine Grundlage für verlässliche Generative KI (Generative AI) im Unternehmen.

Was kostet ein Data Steward?

In KMU ist das häufig keine Vollzeitstelle: Oft reicht ein „Teilzeit-Data-Steward“ (z. B. 0,1–0,5 FTE) pro Bereich, der eng mit IT/BI zusammenarbeitet. Die Kosten hängen vor allem von Datenlandschaft, Anzahl der Systeme und Reifegrad ab – der Nutzen zeigt sich meist schnell durch weniger Reporting-Aufwand, weniger Korrekturen und bessere Steuerungsfähigkeit.

Abgrenzung: Data Steward vs. Data Engineer vs. Data Scientist

  • Data Steward: Fachliche Definitionen, Qualität, Verantwortlichkeiten, Governance im Alltag.
  • Data Engineer: Baut Pipelines, Modelle, Datenplattformen (Technik).
  • Data Scientist: Entwickelt statistische/ML-Modelle und Experimente.

Merksatz: Der Data Steward sorgt dafür, dass Ihre Zahlen „stimmen“ und verstanden werden – damit Management-Entscheidungen auf einer stabilen Datenbasis stehen.