In jedem größeren Museum hängt ein Gerät, das nie jemand fotografiert. Ein unscheinbarer Kasten, oft in Bodennähe, der Temperatur und Luftfeuchtigkeit aufzeichnet. Ziemlich langweilig, und trotzdem der Grund, warum ein 150 Jahre altes Ölbild heute noch aussieht wie ein Ölbild.
Kein Museum bringt seine Sammlung einmal in Ordnung und ist dann fertig. Es hält einen Zustand: gemessen, mit Zuständigkeiten, mit einer Zeile im Haushalt.
In Unternehmen läuft Datenqualität dagegen fast immer als Projekt. Ein halbes Jahr Bereinigung, ein Abschlussbericht, ein erleichtertes Team. Zwei Jahre später sieht es aus wie vorher.
Neulich brachte es jemand in einem Kommentar unter einem meiner Beiträge auf den Punkt: Wer Datenqualität als einmaliges Bereinigungsprojekt versteht, streicht das Bild neu und ignoriert den Grauen Star. Besser kann man es nicht sagen.
Ein Betriebszustand entsteht nicht durch mehr Putzen. Er entsteht aus vier Teilen, die zusammen funktionieren müssen. Drei davon liefert die Data Governance. Den vierten liefert die Data & AI Strategie, und ohne ihn zerfallen die anderen drei wieder.
Der Sollwert steht auf der Katalogkarte
Jedes Objekt einer Sammlung hat eine Katalogkarte: Was ist das, woher kommt es, aus welchem Material besteht es, in welchem Zustand soll es sein, wie oft wird das geprüft. Ohne diese Karte kann ein Restaurator gar nichts beurteilen. Er sieht ein dunkles Bild und weiß nicht, ob es dunkel gemalt wurde oder dunkel geworden ist.
Das ist die Rolle der Metadaten. Data Governance wird oft als Regelwerk missverstanden, als etwas, das vor allem verbietet. Ihr nützlichster Teil ist ein anderer: Sie hält fest, was ein Datenobjekt fachlich bedeutet und wie gut es sein muss.
Ohne Sollwert gibt es kein Qualitätsurteil, sondern nur Meinungen. „Sind unsere Daten gut?” ist deshalb nicht zu streng gefragt, sondern unbeantwortbar. „Ist dieses Feld in 98 Prozent der Fälle so gefüllt, wie der Forecast es braucht?” ist dagegen eine Messung, die morgen jemand wiederholen kann.
Der gleiche Datensatz kann dabei zwei Urteile bekommen, und beide stimmen. Eine Kundenadresse, die zu 95 Prozent korrekt ist, reicht für den Newsletter locker. Für die Auslieferung ist sie ein Kostenproblem. Qualität ist keine Eigenschaft der Daten – sie ist eine Zusage an einen bestimmten Use Case.
Ohne Namen an der Wand keine Verantwortung
Im Museum ist nicht „die Restaurierung” für ein Werk zuständig, sondern eine Person mit Namen. Genau das leistet Data Ownership.
Ein Data Engineer kann die Syntax in Ordnung bringen: Formate, Dubletten, Pflichtfelder, Vollständigkeit. Ob eine Zahl fachlich das Richtige bedeutet, weiß er nicht, und das ist kein Vorwurf, sondern Arbeitsteilung. Ob „Umsatz” brutto oder netto gemeint ist, ob ein stornierter Auftrag noch zählt, ob ein Kunde nach der Fusion einer oder zwei ist: Das entscheidet der Fachbereich oder niemand. Business führt, Technologie befähigt, auch hier.
Und jetzt das Sternchen: Data Ownership scheitert selten am Willen. Sie scheitert an der Zeit. Ein Owner, der die Rolle zusätzlich zu einem vollen Kalender trägt, ist ein Name auf einer Folie. Wer Ownership benennt, ohne Kapazität dafür freizuräumen, hat die Verantwortung nicht geklärt, sondern nur dokumentiert.
Im Ernstfall zählt nur eine Frage: Wer ist betroffen?
Museen führen Provenienz und Leihverkehr mit. Wenn mit einem Werk etwas passiert, ist innerhalb von Minuten klar, welche Ausstellung, welcher Katalog und welches Haus davon betroffen sind.
Data Lineage beantwortet dieselbe Frage: Welcher Report, welches Modell, welcher Prozess hängt an diesem Feld? Ohne Lineage ist jede Änderung ein Blindflug. Eine Schnittstelle wird umgestellt, drei Monate später stimmt ein Forecast nicht mehr, und niemand verbindet beides miteinander. Genau so entsteht die schleichende Verschlechterung, die sich nie wie ein Ausfall anfühlt.
Mit AI wird diese Frage dringender, aus zwei Gründen. Der erste: Ein Dashboard mit einer falschen Zahl wird von Menschen gelesen, die irgendwann stutzig werden. Ein Agent, der auf denselben Daten Bestellmengen setzt oder Angebote priorisiert, wird nicht stutzig. Er handelt – sofort und in großer Zahl.
Der zweite Grund wiegt schwerer und wird gern übersehen: Metadaten sind das, was einer AI überhaupt Kontext gibt. Ein Modell erkennt nicht, ob eine Spalte Brutto oder Netto führt, ob eine Zeitreihe kalenderbereinigt ist oder was ein Statuscode fachlich bedeutet. Es sei denn, jemand hat es aufgeschrieben. Was jahrelang als lästige Dokumentationspflicht galt, ist damit zum funktionalen Bestandteil geworden.
Nicht jedes Bild hängt im Klimaschrank
Museen haben Depots, und dort steht sehr viel Material unter deutlich weniger Aufwand. Das ist keine Nachlässigkeit, sondern Priorisierung.
Für Daten gilt dasselbe. Wer alle viertausend Tabellen katalogisieren, mit Ownern versehen und überwachen will, ist nach anderthalb Jahren fertig und hat in der Zwischenzeit keine einzige Entscheidung verbessert. Der Einstieg sind die Datensätze, die eine Entscheidung tragen, die Geld bewegt. Der Rest folgt, wenn er gebraucht wird.
Dasselbe Maß gilt für Werkzeuge. Automatisierte Prüfstrecken messen zuverlässig gegen einen Sollwert, aber sie setzen ihn nicht. Wer zuerst automatisiert und danach klärt, was „gut genug” heißt, skaliert am Ende sein eigenes Nichtwissen – nur mit schönerem Dashboard.
Was die Data & AI Strategie daraus macht
Metadaten, Ownership und Lineage sind Statik. Sie halten, was steht, und sie sorgen von allein für keinen einzigen Prüflauf. Die Verstetigung kommt aus der Data & AI Strategie, und sie liefert drei Dinge: das Zielbild, an dem sich entscheidet, welche Entscheidungen überhaupt scharf sein müssen; die Priorisierung, die festlegt, wo Qualität zuerst zählt; und den Platz im Betriebsmodell, an dem Prüfung, Schwellenwert und Nachsteuern regelmäßig stattfinden.
Der Unterschied zum Bereinigungsprojekt lässt sich an drei Eigenschaften festmachen. Ein Projekt hat ein Ende, ein Betriebszustand einen Takt. Ein Projekt misst seinen Fortschritt in bereinigten Datensätzen, ein Betriebszustand in Entscheidungen, die man ohne Diskussion treffen kann. Und ein Projekt braucht ein Budget, ein Betriebszustand eine Zeile im Betriebsmodell.
Das ist unspektakulär. Es ist auch der Grund, warum es so oft ausgelassen wird: Ein Bereinigungsprojekt hat einen Abschlussbericht, den man vorzeigen kann. Ein Takt hat nur einen Messwert, den jemand liest.
Zurück ins Museum
Monets Sehfehler kam nicht über Nacht. Er kam über Jahre, in kleinen Schritten, ohne dass jemand Alarm schlug, bis er im hohen Alter operiert wurde und sah, was er da gemalt hatte. Genau so verschlechtern sich Datenbestände: nie mit einem Knall, immer in kleinen Schritten.
Sein Bild hängt heute in einem Haus, in dem ein unscheinbarer Kasten an der Wand jede Stunde Temperatur und Luftfeuchtigkeit notiert. Nicht weil jemand ein Problem vermutet. Sondern damit es keins gibt.
Datenqualität ist kein Zustand, den man einmal herstellt. Sie ist einer, den jemand hält.