Seminar MID Innovator – Data Governance und Data Lineage

Das Seminar verbindet fachliche Datenverantwortung mit technischer Herkunftsanalyse. Ein gemeinsames Modell zeigt, was Daten bedeuten, wo sie entstehen, wie sie transformiert werden, in welchen Systemen sie genutzt werden und welche Folgen Änderungen oder Qualitätsprobleme haben.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Governance-Rollen, Datenbegriffe, Richtlinien und Kontrollobjekte modellieren.
• Geschäftsbegriffe mit konzeptionellen, logischen und physischen Datenstrukturen verknüpfen.
• Datenherkunft und Transformationen bis auf Attributebene nachvollziehen.
• Schutzklassen, Verantwortungen, Qualitätsregeln und Freigaben integrieren.
• Impact-Analysen, Kontrollberichte und Pflegeprozesse für den Regelbetrieb etablieren.

Schrittweise Seminarinhalte

1. Governance-Zielbild und Rollenmodell

Schwerpunkt: Data Owner, Data Steward, Custodian, Fachverantwortung, IT-Verantwortung, Kontrollfunktionen und Eskalation.

1. Governance-Ziele, priorisierte Datendomänen und verbindliche Entscheidungsfragen festlegen.
2. Rollen mit Verantwortungen, Entscheidungsrechten und Vertretungen definieren.
3. Domänen, Datenprodukte und organisatorische Zuständigkeiten im Modell strukturieren.
4. Freigabe-, Eskalations- und Rezertifizierungszyklen dokumentieren.

Arbeitsergebnis: Abgestimmtes Data-Governance-Betriebsmodell.

2. Business Glossary und semantisches Datenmodell

Schwerpunkt: Geschäftsbegriffe, Definitionen, Synonyme, Regeln, Domänen, Wertebereiche und Beziehungen.

1. Kritische Geschäftsbegriffe sammeln und nach Domänen ordnen.
2. Eindeutige Definitionen, zulässige Synonyme und Abgrenzungen formulieren.
3. Begriffe mit fachlichen Entitäten, Attributen und Informationsobjekten verbinden.
4. Mehrdeutigkeiten und widersprüchliche Definitionen in einem Review bereinigen.

Arbeitsergebnis: Qualitätsgeprüftes fachliches Glossar.

3. Datenlandschaft und technische Zuordnung

Schwerpunkt: Quellsysteme, Anwendungen, Datenbanken, Tabellen, Dateien, APIs, Berichte und Datenprodukte.

1. Systeme und Speicherorte mit Owner, Zweck, Kritikalität und Lebenszyklus erfassen.
2. Fachliche Datenobjekte den realisierenden Tabellen, Spalten oder Schnittstellenfeldern zuordnen.
3. Verwendung in Prozessen, Anwendungen und Berichten modellieren.
4. Unbekannte, redundante oder verwaiste Datenbestände markieren und priorisieren.

Arbeitsergebnis: Verknüpfte fachlich-technische Datenlandkarte.

4. Data Lineage und Transformationsketten

Schwerpunkt: Herkunft, Ziel, Attributmapping, Transformation, Ladeprozess, Datenfluss, Business Vault und Berechnung.

1. Eine kritische Kennzahl oder ein sensibles Attribut als Analyseobjekt auswählen.
2. Quellen, Zwischenstufen, Transformationen und Ziele vollständig modellieren.
3. Attributzuordnungen und Berechnungsregeln bis zur Ursprungsebene ergänzen.
4. Lineage-Pfad automatisiert auswerten und mit technischen Nachweisen abgleichen.

Arbeitsergebnis: Ende-zu-Ende dokumentierte Datenherkunft.

5. Schutzklassen, Richtlinien und sensible Daten

Schwerpunkt: Klassifikation, personenbezogene Daten, TLP, Aufbewahrung, Zugriff, Verwendungszweck und dynamische Eigenschaften.

1. Klassifikationsschema und erforderliche Pflichtangaben definieren.
2. Sensible Begriffe und Attribute mit Schutzklasse, Rechtsgrund oder Verwendungszweck kennzeichnen.
3. Vererbungs- und Ausnahmeregeln über Systeme und Datenflüsse prüfen.
4. Fehlende oder widersprüchliche Kennzeichnungen über Verifikationen ermitteln.

Arbeitsergebnis: Konsistente Schutz- und Richtlinienkennzeichnung.

6. Datenqualität und Kontrollmodell

Schwerpunkt: Qualitätsdimensionen, Regeln, Schwellenwerte, Messpunkte, Verantwortungen, Abweichungen und Maßnahmen.

1. Relevante Qualitätsdimensionen je Datenobjekt und Nutzungsszenario auswählen.
2. Messbare Regeln mit Datenquelle, Schwellenwert und Frequenz formulieren.
3. Kontrollergebnis, Abweichung, Ursache und Maßnahme im Modell verknüpfen.
4. Eskalation und erneute Prüfung bis zur Schließung definieren.

Arbeitsergebnis: Operationalisierbarer Datenqualitätskontrollplan.

7. Impact-Analyse, Berichte und Pflegeprozess

Schwerpunkt: Änderungsauswirkungen, Abdeckungsprüfung, Dashboards, Auditnachweis, Review und kontinuierliche Pflege.

1. Änderung an Begriff, Attribut, System oder Transformation als Szenario erfassen.
2. Betroffene Prozesse, Berichte, Schnittstellen und Verantwortliche über Beziehungen ermitteln.
3. Governance-Dashboard und Kontrollbericht mit offenen Lücken erzeugen.
4. Pflege-, Review- und Freigabeprozess mit klaren Servicezeiten festlegen.

Arbeitsergebnis: Betriebsfähiger Governance- und Impact-Prozess.

Praxisübungen und Laborszenarien

• Aufbau einer Data-Owner- und Steward-Matrix für eine Datendomäne.
• Erstellung eines Business Glossary mit technischer Zuordnung.
• Modellierung einer Attribut-Lineage von Quelle bis Bericht.
• Klassifikation sensibler Daten und Prüfung von Vererbungsregeln.
• Impact-Analyse einer Quellfeldänderung mit Governance-Bericht.

Zielgruppe und Voraussetzungen

Zielgruppe: Data Governance, Data Architecture, Data Stewards, Datenschutz, Informationssicherheit, BI-Teams und Enterprise Architecture.

Voraussetzungen: Grundkenntnisse in Datenmodellen, Datenflüssen und organisatorischen Governance-Prozessen; Innovator-Grundkenntnisse.

Didaktik und Arbeitsweise

Fachliche Einordnungen wechseln mit Demonstrationen, strukturierten Konfigurations- oder Modellierungsschritten, Praxisübungen und kontrollierten Fehlerfällen. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Abläufe im eigenen Umfeld wiederholt werden können.