Data Governance

Einfach erklärt

Data Governance ist das organisatorische Rahmenwerk, das sicherstellt, dass Daten in einem Unternehmen korrekt, sicher, konsistent und regelkonform verwaltet werden. Es definiert, wer für welche Daten verantwortlich ist, wie Qualität sichergestellt wird und wie Compliance-Anforderungen wie die DSGVO erfüllt werden. Für KI-Projekte ist Data Governance eine Voraussetzung: Ohne klare Regeln für Datenzugang und -qualität scheitern ML-Projekte schon vor dem ersten Modell-Training. Gute Data Governance definiert Dateneigentümerschaft, Zugriffsrechte, Qualitätsstandards und Aufbewahrungsfristen. Mit dem EU AI Act wird Data Governance für KI-Systeme zur rechtlichen Pflicht: Trainingsdaten müssen dokumentiert und auf Bias überprüft werden.

Data Governance ist das Management-Framework für Daten. Es beantwortet Fragen wie: Wer darf welche Daten nutzen? Wie stellen wir Qualität sicher? Woher kommen die Daten? Sind wir compliant?

Warum ist das für KI kritisch?

Ohne Data Governance:
- Trainingsdaten unbekannter Qualität
- Bias in Daten unentdeckt
- DSGVO-Verstoß durch personenbezogene Daten
- Keine Reproduzierbarkeit

Mit Data Governance:
- Dokumentierte, geprüfte Datenqualität
- Bias-Checks vor Training
- Compliance nachweisbar
- Vollständige Data Lineage

Technischer Deep Dive

Kernkomponenten

Komponente	Beschreibung
Data Catalog	Inventar aller Daten mit Metadaten
Data Quality	Metriken und Checks für Datenqualität
Data Lineage	Herkunft und Transformationen nachverfolgen
Access Control	Wer darf was mit welchen Daten
Data Stewardship	Verantwortlichkeiten definieren

Data Quality Dimensionen

Vollständigkeit: Fehlen Werte?
Genauigkeit: Sind die Werte korrekt?
Konsistenz: Widersprechen sich Daten?
Aktualität: Sind die Daten aktuell?
Eindeutigkeit: Gibt es Duplikate?
Validität: Entsprechen Werte dem erwarteten Format?

Für ML-Projekte

Training Data Governance Checklist:
□ Datenherkunft dokumentiert
□ Lizenz/Nutzungsrechte geklärt
□ Personenbezogene Daten identifiziert
□ Bias-Assessment durchgeführt
□ Qualitätsmetriken definiert und geprüft
□ Versionierung eingerichtet
□ Zugriffskontrolle implementiert

Data Lineage Beispiel

Raw Data (S3) 
    → ETL Pipeline (Airflow)
        → Cleaned Data (Warehouse)
            → Feature Engineering
                → Training Dataset v2.3
                    → Model v1.0