Data Stewardship: Definition, Rollen, KPIs und Best Practices

Definition

Data Stewardship ist die operative Verantwortung für Daten über ihren gesamten Data Lifecycle, mit dem Ziel, Daten auffindbar, verständlich, korrekt und regelkonform nutzbar zu halten. Es ist kein reines Tool- oder IT-Thema, sondern ein Rollen- und Prozessmodell für die tägliche Datenarbeit.

Data Stewardship ist nicht gleich Data Governance (Leitplanken und Entscheidungen) und nicht gleich allgemeines Data Management (Technik, Betrieb, Integration). Es verbindet beides durch klare Zuständigkeiten, Workflows und messbare Pflege der Datenqualität.

Einleitung

Wenn Reports nur mit Excel-Nacharbeit funktionieren und im Meeting zuerst über Zahlen gestritten wird, fehlt meistens nicht das BI-Tool, sondern Ownership. Data Stewardship schafft genau diese Klarheit: wer definiert Daten, wer pflegt Metadaten, wer entscheidet bei Konflikten und wer behebt Qualitätsprobleme.

Abgrenzung: Stewardship vs. Governance vs. Data Management

Die drei Begriffe werden oft vermischt, haben aber unterschiedliche Jobs:

• Data Governance: setzt Regeln, Standards, Compliance-Anforderungen und Entscheidungsgremien (z. B. wer darf was freigeben).
• Data Stewardship: macht Governance im Alltag wirksam, organisiert die Umsetzung und hält sie am Laufen.
• Data Management: baut und betreibt die Datenprozesse technisch (Pipelines, Modelle, Plattform-Betrieb).

Praktischer Nutzen der Abgrenzung: Diskussionen werden kürzer, weil klar ist, ob gerade eine Entscheidung (Governance), eine Umsetzung (Stewardship) oder ein technischer Fix (Management) nötig ist.

Rollen: Data Owner, Data Steward, Data Custodian

Damit Stewardship funktioniert, braucht es mindestens drei Rollen – auch wenn sie in kleinen Organisationen von weniger Personen abgedeckt werden:

• Data Owner: fachliche Gesamtverantwortung, trifft Entscheidungen zu Definitionen, Prioritäten und Freigaben.
• Data Steward: verantwortet die tägliche Pflege und Koordination: Standards anwenden, Issues managen, Dokumentation aktuell halten.
• Data Custodian (oft IT): stellt Betrieb, Zugriffe, technische Policies und Umsetzung der Plattform sicher.

Typische Typen von Data Stewards sind Domain Stewards (z. B. Finance, Vertrieb) und ein übergreifender Lead Steward, der Standards und Datenmodell-Konsistenz im Blick behält.

Typische Aufgaben von Data Stewards

Die Aufgaben sind immer nutzerorientiert: weniger Rückfragen, schnellere Analysen, mehr Vertrauen in Zahlen.

• Begriffs- und KPI-Definitionen pflegen (Business Glossary), inklusive Versionierung und Freigabeprozess.
• Metadaten und Data Lineage dokumentieren, damit jeder sieht: Wo kommt die Zahl her, wie wird sie berechnet?
• Data Quality managen: Regeln definieren, Monitoring auswerten, Ursachen mit Fachbereich und IT lösen.

Wichtig: Ein Data Steward ist kein Daten-Putzer “für alles”. Er sorgt dafür, dass Probleme an der richtigen Stelle gelöst werden und nicht als ewige Excel-Korrektur im Reporting bleiben.

Zentrale Anwendungsfälle (mit Mini-Beispiel)

• Einheitliche Cashflow- und Management-KPIs: gleiche Definition in Power BI, Excel und Planning – kein KPI-Pingpong.
• Stammdaten stabilisieren: Kunden, Produkte, Kontenpläne werden konsistent, damit Analysen nicht bei Dubletten scheitern.
• Schnellere Self-Service-Analytics: Nutzer finden geprüfte “Gold”-Daten und können direkt losbauen, ohne die Herkunft zu erraten.

Mini-Beispiel: Zwei Bereiche nutzen „Umsatz“ unterschiedlich (Rechnungsdatum vs. Lieferdatum). Der Data Steward moderiert die Entscheidung des Data Owners, dokumentiert die Definition im Glossary, sorgt für eine eindeutige Maßzahl im semantischen Modell und setzt einen Check auf Ausreißer. Ergebnis: weniger Abstimmung, weniger Sonderlogik, mehr Konsistenz.

Zusammenhang mit Data Quality Management und Master Data Management

Data Stewardship ist der operative Motor für Data Quality Management: Es übersetzt Qualitätsziele in prüfbare Regeln (Accuracy, Completeness, Timeliness, Konsistenz) und sorgt dafür, dass Findings nicht nur geloggt, sondern behoben werden.

Mit Master Data Management (MDM) ist Stewardship eng verbunden, weil MDM ohne klare Verantwortlichkeiten oft zur Ticket-Schleife wird. Stewards definieren Pflegeprozesse, Dublettenregeln und Verantwortungen je Datenobjekt, damit Stammdaten dauerhaft stabil bleiben.

Technologien und Tools: Unterstützung ohne Tool-Overkill

Tools helfen, aber sie ersetzen keine Rollen. Typische Bausteine sind Data Catalog, Metadata Management, Data Lineage und Data Profiling.

• Microsoft Purview als Data Catalog: Daten finden, Begriffe erklären, Lineage nachvollziehen, Verantwortliche sichtbar machen.
• Microsoft Fabric als Plattform: Datenpipelines, Lakehouse/Warehouse und kontrollierte Bereitstellung von “Gold”-Daten.
• Power BI als Konsumebene: konsistente Kennzahlen über ein semantisches Modell statt Excel-Kopien.

Der Nutzen für Anwender: geprüfte Daten sind leicht auffindbar und verständlich beschrieben, sodass auch weniger IT-affine Nutzer schneller starten und weniger Zeit in Abstimmung verlieren.

Prozess- und Governance-Modell: Workflows, Verantwortlichkeiten, Eskalation

Ein praktikables Stewardship-Modell braucht wiederholbare Workflows. Drei Kernelemente:

• Issue-Workflow: melden, klassifizieren, priorisieren, beheben, verifizieren, dokumentieren.
• Change-Workflow: Änderungen an Definitionen/Regeln werden geprüft, freigegeben und kommuniziert.
• Access-Workflow: Datenzugriffe sind nachvollziehbar und an Rollen/Policies gekoppelt (Compliance).

Ohne klaren Eskalationsweg (Data Owner entscheidet) staut sich alles beim Steward oder landet als Workaround in Excel.

Kennzahlen und Benchmarks: so wird Stewardship messbar

Data Stewardship ist nur dann dauerhaft finanzierbar, wenn Wirkung sichtbar wird. Typische Kennzahlen:

• Data-Quality-Fehlerquote je Datenobjekt (z. B. % unvollständige Stammdaten) und Trend pro Monat.
• Durchlaufzeit von Daten-Issues (Melden bis gelöst) und Anteil wiederkehrender Ursachen.
• Katalog-Abdeckung: % kritische Datenprodukte mit Owner, Beschreibung, Lineage und Qualitätsregeln.

Diese KPIs sind nicht für „Reporting über Reporting“, sondern um Nacharbeit zu senken und Prioritäten sauber zu steuern.

Implementierungs-Checkliste (Best Practices)

• Start mit 1–2 Datenprodukten, die echten Schmerz verursachen (z. B. Liquidität, Umsatz, Kundenstamm) statt Big Bang.
• Rollen schriftlich festlegen: Data Owner, (Domain-)Stewards, IT-Custodian, plus Entscheidungs- und Eskalationsweg.
• “Definition-to-Report”-Kette schließen: Glossary → semantisches Modell → Qualitätschecks → Monitoring → Kommunikation.

Wann externe Unterstützung sinnvoll wird

Externe Unterstützung lohnt sich, wenn ihr zwar Tools habt, aber kein belastbares Betriebsmodell: Rollen sind unklar, Datenqualität ist „gefühlt“, und jeder Report baut seine eigene Logik.

Typische Auslöser sind knappe interne Ressourcen, Organisationsgrenzen zwischen Fachbereich und IT sowie der Wunsch nach schneller, messbarer Wirkung. Dann hilft ein strukturiertes Setup aus Rollenmodell, Workflow-Design, KPI-System und technischer Verankerung in Fabric/Purview, damit Stewardship nicht als Zusatzaufgabe nebenbei verpufft.