Data Governance in der Praxis

Single Source of Truth: Was ein DWH-Projekt über eure Daten verrät, bevor es fertig ist

Es ist ein Dienstagnachmittag, und mein Kollege sitzt mit dem Fachbereich im Kick-off für einen neuen DWH-Use-Case. Der Auftraggeber klingt zuversichtlich: „Das sollte schnell gehen. Wir haben die Zahlen schon seit Jahren in unserer Auswertung.“ Vier Wochen später sitzt derselbe Kollege vor einer Tabelle voller Widersprüche und fragt sich: Welche Version dieser Daten ist eigentlich richtig?

Das ist kein Einzelfall. Es ist ein Muster – und es zeigt, wie selten es im Unternehmen eine echte Single Source of Truth gibt.

Die Illusion

Die Excel-Datei als Wahrheit: eine bequeme Illusion

In vielen Unternehmen ist die gelebte „Single Source of Truth“ keine Datenbank und kein Data Warehouse, sondern eine Excel-Datei. Manchmal auch fünf davon – mit ähnlichen Namen und leicht unterschiedlichen Ergebnissen.

Der Fachbereich hat über Jahre per SVERWEIS und Pivot seine Kennzahlen berechnet, das Ergebnis monatlich als Entscheidungsgrundlage verwendet und nie infrage gestellt. Warum auch? Es hat immer irgendwie funktioniert. Bis zum DWH-Projekt.

Die Implementierung

Was die Implementierung sichtbar macht

Sobald ein Entwickler die echte Datenquelle sucht – nicht die aggregierten Zahlen aus der Excel, sondern das eigentliche System of Record –, kommen Dinge ans Licht:

  • Die Grundlage war gar nicht die Quelle. Was als Rohdaten galt, war eine manuell gepflegte Zwischenschicht.
  • Die Berechnung war vereinfacht, weil Excel Grenzen hat – nicht, weil es fachlich korrekt war.
  • Es gibt fünf Versionen der Wahrheit, eine pro Abteilung.
  • Der Datenschiefstand, der im DWH plötzlich sichtbar wird, war in der Excel schlicht versteckt.

Das DWH-Projekt deckt das auf. Das ist wertvoll, aber teuer, wenn die Erkenntnis erst kommt, wenn Ressourcen gebunden und Deadlines gesetzt sind.

Single Source of Truth: verstreute Excel-Versionen der Wahrheit versus dokumentierte Quelle im Datenkatalog
Fünf Excel-Versionen der Wahrheit oder eine dokumentierte Quelle im Datenkatalog.
Datenkatalog

Wie ein Datenkatalog zur Single Source of Truth beiträgt

Ein Datenkatalog kann diese Klarheit vorziehen – auf den Zeitpunkt, bevor die Entwicklung beginnt.

Was ist die echte Quelle?

Im Katalog ist dokumentiert, wo die Originaltabelle liegt, woher sie kommt und wie sie befüllt wird. Der Fachbereich kann seinen Use Case von Anfang an auf der richtigen Grundlage formulieren.

Was bedeutet „Kunde“ eigentlich?

Der Katalog macht sichtbar: Meinst du den Kunden aus dem ERP, also den Konzern als Vertragspartner aus Sicht der Finanzen? Oder den Kunden aus dem CRM mit Ansprechpartnern, Niederlassungen und Beziehungshistorie? Diese Frage vier Wochen früher zu stellen, spart vier Wochen Nacharbeit.

Was gilt noch – und was nicht mehr?

Die Excel „Umsatz-Report-2022-final-v3.xlsx“ liegt noch irgendwo. Aber im Katalog steht: abgelöst, Nachfolger hier. Wer danach sucht, landet trotzdem richtig. Warum ein Katalog dafür nicht perfekt sein muss, zeigt unser Beitrag zu starren Data-Catalog-Strategien.

Governance

Single Source of Truth ist keine Technologie, sondern eine Entscheidung

Das Unbehaglichste an solchen Projekten ist oft nicht die technische Komplexität, sondern die Erkenntnis: Es gibt keine eindeutige Antwort auf die Frage, was die korrekte Zahl ist.

Genau hier greift der Data-Governance-Gedanke. Ein Data Council legt verbindlich fest, wie eine Kennzahl berechnet wird – nicht der Entwickler, nicht die lauteste Abteilung, nicht die älteste Excel. Der Katalog macht diese Entscheidung dauerhaft sichtbar: Wer wissen will, wie „Deckungsbeitrag“ berechnet wird, schaut nach und findet eine Antwort. Keine vier Versionen, keine Widersprüche.

Das ist der pragmatische Kern von Data Governance: nicht alles perfekt machen, aber die wichtigen Fragen einmal richtig beantworten und die Antwort für alle zugänglich machen.

FAQ

Häufige Fragen zur Single Source of Truth

Eine verbindlich festgelegte Grundlage für Daten und Kennzahlen, auf die sich alle Bereiche beziehen. Sie entsteht nicht durch ein Tool allein, sondern durch die bewusste Entscheidung, welche Quelle und welche Berechnung gelten.
Weil sie oft auf manuell gepflegten Zwischenschichten beruhen, Berechnungen vereinfachen und je Abteilung abweichen. Solche Widersprüche bleiben in Excel verborgen und werden erst im DWH-Projekt sichtbar.
Er dokumentiert vor Projektstart die echte Quelle, klärt Begriffe wie „Kunde“ und zeigt, welche Reports abgelöst sind. So wird die richtige Grundlage festgelegt, bevor Ressourcen gebunden sind.
Ein Data Council legt das verbindlich fest – nicht der Entwickler oder die lauteste Abteilung. Der Datenkatalog macht diese Entscheidung dauerhaft für alle sichtbar.
Fazit

Die eigentliche Frage

Wie viele Use Cases in deiner Organisation scheitern nicht an der Technik, sondern daran, dass „Was ist die richtige Grundlage?“ erst im Projekt gestellt wird? Ein Datenkatalog beantwortet das nicht automatisch. Aber er schafft den Rahmen, in dem es rechtzeitig passiert – bevor es teuer wird.

Du willst klären, wie eure Kennzahlen zu einer verlässlichen Single Source of Truth werden? Sprich uns an – wir unterstützen dich von der Bestandsaufnahme bis zum pragmatischen Katalog-Einstieg.

Über den Autor: Sven Landmann, Senior Consultant Data

Hinweis: Dieser Beitrag wurde mit Unterstützung von KI erstellt oder überarbeitet. Inhalte, Struktur und fachliche Bewertung stammen aus der Projektpraxis von cimt; redaktionelle Prüfung und Freigabe erfolgen durch die Autorinnen und Autoren.

Kontakt

Michael Schwarz, cimt
Michael SchwarzHead of Business Enablement & Customer Relations

Heimspiel KI in Frankfurt – live erleben

Am 25. November zeigen wir im Stadion von Eintracht Frankfurt, wie aus KI-Piloten produktive Prozesse werden – mit echten Projekten, Praxisberichten und Networking. Gemeinsam mit Camunda. Teilnahme kostenfrei, Plätze begrenzt.

Zum Heimspiel KI Frankfurt

Data Governance in der Praxis

Nach oben scrollen