Seminar One Data – Intensivseminar Data Governance, Metadaten und Vertrauen

Dieses Intensivseminar bündelt die Governance-orientierten Vertiefungen des Portfolios. Metadaten, Data Map, Lineage, Data Contracts, Lifecycle, Data Product Ownership, Sicherheit, Datenschutz und AI-ready Data werden zu einem gemeinsamen Kontroll- und Betriebsmodell verbunden.

Der Schwerpunkt liegt auf belastbaren Standards, messbaren Regeln, klaren Rollen und praktischen Nachweisen. Ein durchgängiges Fallbeispiel reicht von der Quellenanbindung über Klassifikation und Vertrag bis zur Freigabe, Überwachung und kontrollierten Änderung.

Inhaltsverzeichnis

1. Zielgruppe
2. Voraussetzungen
3. Seminarziele
4. Seminarinhalte
5. Kapitel 1: Rollen, Verantwortlichkeiten und Zusammenarbeit
6. Kapitel 2: Mandat und Aufgaben des Data Product Owners
7. Kapitel 3: Metadatenmodell und fachlicher Kontext
8. Kapitel 4: Quellsysteme anbinden und Metadaten extrahieren
9. Kapitel 5: Automatisierte Anreicherung und Klassifikation
10. Kapitel 6: Metadatenbetrieb und Qualitätskontrolle
11. Kapitel 7: Data Map strukturieren, durchsuchen und auswerten
12. Kapitel 8: Lineage und Spider-Modus nachvollziehen
13. Kapitel 9: Layer, Impact-Analyse und Governance-Sichten
14. Kapitel 10: Data Contract als verbindliche Vereinbarung
15. Kapitel 11: Schema-, Qualitäts-, Aktualitäts- und SLA-Regeln
16. Kapitel 12: Versionierung, Überwachung und Vertragsverletzungen
17. Kapitel 13: Lebenszyklus von Draft bis Retired
18. Kapitel 14: Quality Gates und Freigabeentscheidungen
19. Kapitel 15: Betrieb, Änderung und Stilllegung von Datenprodukten
20. Kapitel 16: Schutzbedarf und Sicherheitsmodell
21. Kapitel 17: Datenschutz und Datensouveränität umsetzen
22. Kapitel 18: Kriterien für AI-ready Data bestimmen
23. Kapitel 19: Kontextreiche Datenprodukte für KI-Anwendungen spezifizieren
24. Kapitel 20: Qualität, Eignung und Risiko validieren
25. Kapitel 21: AI-ready Datenprodukte überwachen und ändern
26. Praxisübungen
27. Methodik

Zielgruppe

• Data Governance Leads
• Data Stewards und Data Product Owner
• Data Architects
• Informationssicherheit und Qualitätsmanagement

Voraussetzungen

• Grundkenntnisse zu Datenprodukten und Datenplattformen
• Erfahrung mit Datenqualität oder Governance ist hilfreich

Seminarziele

• ein integriertes Governance-Zielbild für Datenprodukte entwickeln
• Metadaten automatisiert erfassen, anreichern und betreiben
• Lineage, Layer und Impact-Analyse für Kontrollen nutzen
• Data Contracts und Lifecycle-Gates messbar gestalten
• Ownership, Sicherheit, Datenschutz und Datensouveränität verankern
• AI-ready Data anhand nachvollziehbarer Eignungsnachweise freigeben

Seminarinhalte

Die Inhalte werden in aufeinander aufbauenden Kapiteln bearbeitet. Jeder Arbeitsschritt wird anhand eines durchgängigen Szenarios nachvollzogen und anschließend praktisch überprüft.

1. Rollen, Verantwortlichkeiten und Zusammenarbeit

Inhaltsverzeichnis dieses Kapitels: Data Product Owner; Data Producer und Data Consumer; Data Platform Team; Governance- und Sicherheitsrollen.

1. Schritt 1: Die für den Datenprodukt-Lebenszyklus erforderlichen Rollen werden aus dem Organisationsmodell abgeleitet.
2. Schritt 2: Für jede Rolle werden Entscheidungsrechte, Pflichten, Übergaben und Eskalationswege festgelegt.
3. Schritt 3: Ein RACI-orientiertes Rollenbild wird auf ein konkretes Datenprodukt übertragen.
4. Schritt 4: Die Zusammenarbeit zwischen Fachbereich, Data Engineering, Governance, Betrieb und Informationssicherheit wird als wiederholbarer Ablauf beschrieben.

2. Mandat und Aufgaben des Data Product Owners

Inhaltsverzeichnis dieses Kapitels: Wertverantwortung; Qualitätsverantwortung; Verbraucherorientierung; Entscheidungsrechte.

1. Schritt 1: Der erwartete Geschäftswert und die Zielgruppen des Datenprodukts werden eindeutig festgelegt.
2. Schritt 2: Verantwortung für Beschreibung, Qualität, Aktualität, Vertrag und Lebenszyklus wird übernommen und abgegrenzt.
3. Schritt 3: Verbraucheranforderungen werden gesammelt, bewertet und gegen Produktzweck sowie Governance abgewogen.
4. Schritt 4: Entscheidungsrechte zu Freigabe, Änderung, Ausnahme und Stilllegung werden verbindlich dokumentiert.

3. Metadatenmodell und fachlicher Kontext

Inhaltsverzeichnis dieses Kapitels: technische Metadaten; fachliche Begriffe; Ownership und Domänen; Beziehungen zwischen Assets.

1. Schritt 1: Die vorhandenen technischen und fachlichen Metadatenarten werden inventarisiert.
2. Schritt 2: Quellsysteme, Schemata, Tabellen, Felder, Berichte und Datenprodukte werden in ein konsistentes Strukturmodell eingeordnet.
3. Schritt 3: Geschäftsbegriffe, Verantwortliche, Domänen und Verwendungszwecke werden den technischen Assets zugeordnet.
4. Schritt 4: Mindestanforderungen an Vollständigkeit, Pflege und Freigabe der Metadaten werden definiert.

4. Quellsysteme anbinden und Metadaten extrahieren

Inhaltsverzeichnis dieses Kapitels: Konnektorauswahl; Extraction Plans; Extraktionsumfang; Validierung der Ergebnisse.

1. Schritt 1: Die zu integrierenden Quellsysteme werden nach Technik, Kritikalität, Volumen und Verantwortlichkeit priorisiert.
2. Schritt 2: Verbindungsvoraussetzungen, Konten, Netzwerkpfade und erforderliche Leserechte werden vorbereitet.
3. Schritt 3: Ein Extraction Plan wird mit Scope, Zeitplan und Zielmodell konzipiert und ausgeführt.
4. Schritt 4: Die extrahierten Assets werden auf Vollständigkeit, Typisierung, Beziehungen und Aktualität geprüft.

5. Automatisierte Anreicherung und Klassifikation

Inhaltsverzeichnis dieses Kapitels: Geschäftsbeschreibungen; vordefinierte Klassifikatoren; sensible Daten; Qualität der Anreicherung.

1. Schritt 1: Für ausgewählte Metadaten werden Zielbeschreibungen und verbindliche Benennungsregeln festgelegt.
2. Schritt 2: Automatische Klassifikatoren werden für Spalteninformationen und sensible Daten vorbereitet.
3. Schritt 3: Die maschinell erzeugten Vorschläge werden durch zuständige Fachrollen geprüft und freigegeben.
4. Schritt 4: Fehlklassifikationen, unvollständige Beschreibungen und veraltete Zuordnungen werden über einen geregelten Pflegeprozess korrigiert.

6. Metadatenbetrieb und Qualitätskontrolle

Inhaltsverzeichnis dieses Kapitels: Extraktionszyklen; Änderungserkennung; Pflegeverantwortung; Betriebskennzahlen.

1. Schritt 1: Regelmäßige Extraktions- und Aktualisierungszyklen werden nach Kritikalität der Quellen geplant.
2. Schritt 2: Schemaänderungen und neue Assets werden erkannt, bewertet und den zuständigen Verantwortlichen zugeordnet.
3. Schritt 3: Prüfregeln für verwaiste Assets, fehlende Ownership und unvollständige Beschreibungen werden definiert.
4. Schritt 4: Ein Betriebsbericht mit Aktualität, Abdeckung, Fehlern und offenen Pflegeaufgaben wird aufgebaut.

7. Data Map strukturieren, durchsuchen und auswerten

Inhaltsverzeichnis dieses Kapitels: technische und fachliche Hierarchien; Suche und Filter; Cluster und Perspektiven; Asset-Detailansicht.

1. Schritt 1: Die Datenlandschaft wird in technische und geschäftsorientierte Hierarchien gegliedert.
2. Schritt 2: Such- und Filterkriterien für Quellen, Domänen, Owner, Status und Produkttypen werden erstellt.
3. Schritt 3: Relevante Assets werden in geeigneten Kartenansichten und Clustern zusammengeführt.
4. Schritt 4: Die Detailinformationen eines Assets werden auf Kontext, Nutzung, Qualität und Beziehungen geprüft.

8. Lineage und Spider-Modus nachvollziehen

Inhaltsverzeichnis dieses Kapitels: Upstream-Analyse; Downstream-Analyse; Transformationsketten; Nachweisführung.

1. Schritt 1: Ausgehend von einem Bericht, KPI oder Datenprodukt wird die Herkunft der Daten schrittweise zurückverfolgt.
2. Schritt 2: Vom Quellasset aus werden alle nachgelagerten Transformationen und Verbraucher ermittelt.
3. Schritt 3: Kritische Übergänge, unbekannte Transformationen und Brüche in der Lineage werden markiert.
4. Schritt 4: Die gefundene Datenkette wird als belastbarer Nachweis für fachliche Prüfung und technische Änderung dokumentiert.

9. Layer, Impact-Analyse und Governance-Sichten

Inhaltsverzeichnis dieses Kapitels: Qualitätslayer; Sensitivität und Datenschutz; Nutzung und Aktualität; Änderungsfolgen.

1. Schritt 1: Für eine Fragestellung wird der passende Layer für Qualität, Sensitivität, Nutzung oder Aktualität ausgewählt.
2. Schritt 2: Auffällige Assets werden anhand ihrer Metadaten und Beziehungen untersucht.
3. Schritt 3: Vor einer geplanten Änderung werden betroffene Datenprodukte, Berichte und Verbraucher ermittelt.
4. Schritt 4: Aus der Impact-Analyse werden Prüf-, Kommunikations- und Freigabemaßnahmen abgeleitet.

10. Data Contract als verbindliche Vereinbarung

Inhaltsverzeichnis dieses Kapitels: Produzent und Verbraucher; Zweck und Geltungsbereich; Ownership und Zugriff; versionierte Spezifikation.

1. Schritt 1: Produzent, Verbraucher, Owner und Governance-Verantwortliche werden für das Datenprodukt benannt.
2. Schritt 2: Geschäftszweck, zulässige Nutzung, Einschränkungen und Geltungsbereich werden eindeutig beschrieben.
3. Schritt 3: Schema, Ownership, Zugriffsbedingungen und Verantwortungsgrenzen werden in einer einheitlichen Vertragsstruktur festgehalten.
4. Schritt 4: Der Entwurf wird fachlich und technisch geprüft und als nachvollziehbare Version freigegeben.

11. Schema-, Qualitäts-, Aktualitäts- und SLA-Regeln

Inhaltsverzeichnis dieses Kapitels: Schemaanforderungen; Qualitätsschwellen; Freshness; Serviceerwartungen.

1. Schritt 1: Pflichtfelder, Datentypen, Schlüssel, erlaubte Werte und strukturelle Abhängigkeiten werden definiert.
2. Schritt 2: Messbare Qualitätsregeln für Vollständigkeit, Eindeutigkeit, Konsistenz und fachliche Plausibilität werden formuliert.
3. Schritt 3: Aktualisierungsfrequenz, maximale Verzögerung und tolerierbare Ausfallzeiten werden festgelegt.
4. Schritt 4: Die Regeln werden mit Beispielwerten getestet und auf technische Messbarkeit sowie fachliche Relevanz geprüft.

12. Versionierung, Überwachung und Vertragsverletzungen

Inhaltsverzeichnis dieses Kapitels: Änderungsantrag; Auswirkungsprüfung; kontinuierliches Monitoring; Benachrichtigung und Behebung.

1. Schritt 1: Eine Änderung am Schema oder an einer Qualitätsregel wird als versionierter Änderungsantrag erfasst.
2. Schritt 2: Betroffene Produzenten, Verbraucher, Datenprodukte und Berichte werden vor der Freigabe ermittelt.
3. Schritt 3: Schema, Aktualität und Qualität werden kontinuierlich gegen die vereinbarten Schwellen geprüft.
4. Schritt 4: Bei einer Verletzung werden Verantwortliche informiert, Ursachen analysiert, Maßnahmen dokumentiert und der Vertrag kontrolliert fortgeschrieben.

13. Lebenszyklus von Draft bis Retired

Inhaltsverzeichnis dieses Kapitels: Draft; Development und Review; Published; Retired.

1. Schritt 1: Ein fachlicher Bedarf wird als Datenproduktentwurf mit Owner, Zweck und erwarteten Verbrauchern angelegt.
2. Schritt 2: Der Entwurf wird in die Entwicklung überführt und um technische Assets, Regeln und Nachweise ergänzt.
3. Schritt 3: Vor der Veröffentlichung werden Review-Status, Freigaben und Mindestanforderungen geprüft.
4. Schritt 4: Nicht mehr benötigte Produkte werden kontrolliert außer Betrieb genommen und mit nachvollziehbarer Historie auf Retired gesetzt.

14. Quality Gates und Freigabeentscheidungen

Inhaltsverzeichnis dieses Kapitels: Pflichtmetadaten; Schema-Validierung; Qualitätsstatus; Freigabeverantwortung.

1. Schritt 1: Für jede Lebenszyklusphase werden erforderliche Informationen und Nachweise festgelegt.
2. Schritt 2: Schemaanforderungen werden vor der Veröffentlichung technisch validiert.
3. Schritt 3: Qualitäts-, Aktualitäts- und Ownership-Status werden in die Freigabeentscheidung einbezogen.
4. Schritt 4: Abweichungen werden entweder behoben, mit begründeter Ausnahme genehmigt oder zur Überarbeitung zurückgegeben.

15. Betrieb, Änderung und Stilllegung von Datenprodukten

Inhaltsverzeichnis dieses Kapitels: laufende Überwachung; Schema Drift; Verbraucherkommunikation; Retirement.

1. Schritt 1: Veröffentlichte Produkte werden anhand definierter Qualitäts-, Aktualitäts- und Nutzungssignale überwacht.
2. Schritt 2: Schema Drift und fachliche Änderungen werden als kontrollierte neue Version behandelt.
3. Schritt 3: Verbraucher werden über relevante Änderungen, Störungen und Ablösefristen informiert.
4. Schritt 4: Bei der Stilllegung werden Abhängigkeiten geprüft, Nachfolger benannt und nicht mehr gültige Produkte aus der aktiven Nutzung entfernt.

16. Schutzbedarf und Sicherheitsmodell

Inhaltsverzeichnis dieses Kapitels: Datenklassen; Bedrohungen; Systemgrenzen; Kontrollen.

1. Schritt 1: Datenprodukte, Metadaten, Identitäten, Integrationen und Automatisierungsartefakte werden nach Schutzbedarf klassifiziert.
2. Schritt 2: Bedrohungen wie unberechtigter Zugriff, Datenabfluss, Manipulation, Fehlkonfiguration und Lieferkettenrisiken werden bewertet.
3. Schritt 3: Vertrauensgrenzen zwischen Plattform, Quellsystemen, Zielsystemen, KI-Diensten und Benutzergruppen werden dokumentiert.
4. Schritt 4: Präventive, detektive und korrigierende Kontrollen werden den priorisierten Risiken zugeordnet.

17. Datenschutz und Datensouveränität umsetzen

Inhaltsverzeichnis dieses Kapitels: personenbezogene Daten; Zweckbindung und Minimierung; Datenresidenz; Nachweis und Löschung.

1. Schritt 1: Personenbezogene und besonders schützenswerte Informationen werden über Metadaten und Klassifikation identifiziert.
2. Schritt 2: Zweck, Rechtsgrundlage, Datenminimierung, Aufbewahrung und zulässige Verbraucher werden dokumentiert.
3. Schritt 3: Betriebsort, Datenresidenz, externe Dienste und grenzüberschreitende Verarbeitung werden bewertet.
4. Schritt 4: Auskunft, Nachweis, Korrektur, Sperrung und Löschung werden in Governance- und Betriebsabläufe integriert.

18. Kriterien für AI-ready Data bestimmen

Inhaltsverzeichnis dieses Kapitels: Vertrauenswürdigkeit; Semantik und Kontext; Governance; technische Bereitstellbarkeit.

1. Schritt 1: Der konkrete KI-Anwendungsfall und die daraus entstehenden Datenanforderungen werden beschrieben.
2. Schritt 2: Kriterien für Herkunft, Qualität, Aktualität, Repräsentativität, Schutzbedarf und zulässige Nutzung werden festgelegt.
3. Schritt 3: Benötigter fachlicher Kontext, Begriffe, Beziehungen und Einschränkungen werden definiert.
4. Schritt 4: Die technische Bereitstellung für Training, Retrieval, Agenten oder Analysen wird mit klaren Schnittstellen geplant.

19. Kontextreiche Datenprodukte für KI-Anwendungen spezifizieren

Inhaltsverzeichnis dieses Kapitels: Geschäftssemantik; Lineage; Data Contract; Verwendungsgrenzen.

1. Schritt 1: Relevante Geschäftsbegriffe, KPI-Definitionen und Bedeutungsunterschiede werden explizit dokumentiert.
2. Schritt 2: Herkunft und Transformationen der Daten werden über Lineage nachvollziehbar gemacht.
3. Schritt 3: Schema, Qualität, Freshness, Ownership und Serviceerwartungen werden vertraglich festgelegt.
4. Schritt 4: Zulässige Nutzung, bekannte Verzerrungen, Ausschlüsse und Interpretationsgrenzen werden am Produkt hinterlegt.

20. Qualität, Eignung und Risiko validieren

Inhaltsverzeichnis dieses Kapitels: Datenprofiling; fachliche Prüfungen; Bias- und Schutzbedarfsprüfung; Freigabe.

1. Schritt 1: Datenverteilungen, Ausreißer, fehlende Werte, Dubletten und zeitliche Abdeckung werden untersucht.
2. Schritt 2: Fachliche Plausibilitätsregeln werden mit repräsentativen Beispielen und Grenzfällen getestet.
3. Schritt 3: Schutzbedarf, mögliche Verzerrungen, unzulässige Merkmale und regulatorische Einschränkungen werden bewertet.
4. Schritt 4: Die Eignung wird mit dokumentierten Nachweisen, akzeptierten Restrisiken und klarer Freigabeentscheidung bestätigt.

21. AI-ready Datenprodukte überwachen und ändern

Inhaltsverzeichnis dieses Kapitels: Freshness und Qualität; Schema Drift; Modell- und Agentenabhängigkeiten; Versionierung.

1. Schritt 1: Laufende Qualitäts- und Aktualitätskontrollen werden für die kritischen Datenmerkmale eingerichtet.
2. Schritt 2: Schema Drift, neue Kategorien und veränderte Verteilungen werden als potenziell KI-relevante Änderungen erkannt.
3. Schritt 3: Abhängige Modelle, Retrieval-Strecken, Agenten und Berichte werden vor Änderungen ermittelt.
4. Schritt 4: Neue Versionen werden kontrolliert getestet, kommuniziert und mit Rückfallmöglichkeit veröffentlicht.

Praxisübungen

• Governance-Rollenmodell und Mindeststandards für eine Beispieldomäne erstellen
• Metadaten- und Klassifikationsprozess von der Quelle bis zur fachlichen Freigabe aufbauen
• Lineage- und Impact-Analyse für eine kritische Kennzahl durchführen
• Data Contract und Lifecycle-Gates für ein Datenprodukt definieren
• Datenschutz- und AI-Readiness-Prüfung mit dokumentierter Entscheidung abschließen

Methodik

Trainergeführte Erläuterungen, strukturierte Demonstrationen, fachliche und technische Fallstudien sowie praktische Übungen werden miteinander kombiniert. Prüflisten, Rollenmodelle, Spezifikationen und Betriebsabläufe entstehen direkt aus den Übungsfällen und werden im Seminar gemeinsam kontrolliert.