Data Governance: Saubere Daten für besseres Controlling

Wie etabliere ich effektive Data Governance für ein verlässliches Controlling im KMU?

Relevanz aus Controlling-Sicht

Verlässliche Controlling-Informationen setzen saubere Daten voraus – doch in der Praxis vieler KMU fehlt dafür die systematische Grundlage. Controlling lebt von der Qualität seiner Daten. Wer monatlich Budgetabweichungen kommentiert, Forecasts erstellt oder dem Verwaltungsrat ein belastbares Bild der Unternehmenslage vermitteln will, ist auf Zahlen angewiesen, die korrekt, vollständig, aktuell und konsistent sind. In der Praxis vieler kleiner und mittelgrosser Unternehmen (KMU) ist diese Voraussetzung jedoch weit seltener erfüllt, als es die hochglänzenden BI-Dashboards auf den ersten Blick suggerieren.

Die Ursachen sind bekannt: Daten werden in mehreren Systemen gepflegt – ERP, CRM, Lohnbuchhaltung, Projektmanagement-Tool, Excel –, ohne dass eine verbindliche Logik festlegt, welches System bei Widerspruch das «System of Record» ist. Manuelle Eingriffe häufen sich. Verantwortlichkeiten für Datenpflege sind ungeklärt. Das Ergebnis: Der Controller verbringt einen signifikanten Teil seiner Arbeitszeit nicht mit Analyse, sondern mit Datensäuberung – einer Tätigkeit, die wertschöpfend wirken soll, aber vor allem Symptome bekämpft statt Ursachen.

Was ist Data Governance?

Data Governance bezeichnet den Rahmen aus Regeln, Verantwortlichkeiten und Prozessen, der sicherstellt, dass Daten verlässlich, sicher und zweckmässig genutzt werden. Für das Controlling bedeutet das konkret die Notwendigkeit zur klaren Regelung folgender Aspekte:

Wer pflegt welche Daten wie und wann, und was gilt im Fall eines Widerspruchs.

Drei Kernfragen kennzeichnen den Handlungsbedarf:

1. Wer ist für die Richtigkeit einer Kennzahl verantwortlich?
2. Welches System liefert bei Datenkonflikten den verbindlichen Wert?
3. Nach welchem Schema werden Daten klassifiziert, sodass Zeitreihen konsistent bleiben?

Rollen: Data Owner und Data Steward

Das wichtigste Konzept der Data Governance ist die Trennung zwischen Data Owner und Data Steward. Der Data Owner – in einem KMU typischerweise der CFO oder ein Bereichsleiter – trägt die fachliche Verantwortung für eine Datendomäne und entscheidet, was als korrekt gilt. Der Data Steward – oft ein Controller oder ein Buchhalter – übernimmt die operative Pflege und Überwachung.

Das Data Dictionary als zentrales Instrument

Ein Data Dictionary ist eine strukturierte Übersicht aller relevanten Kennzahlen mit Definition, Herkunft, Verantwortung und Berechnungslogik. Es bildet daher das praxisnächste Governance-Instrument, das ein KMU aufbauen kann. Es muss allerdings keine spezifische Softwarelösung sein; schon eine gepflegte Excel-Tabelle genügt zum Start.

System of Record: Wer hat recht?

In KMU existieren typischerweise parallele bzw. redundante Datenhaltungen. So steht beispielsweise der Umsatz im ERP, in der CRM-Auswertung und in der manuell geführten Excel-Tabelle des Vertriebs – und alle drei Zahlen sind nicht selten verschieden. Das System of Record (= Ursprungsquelle für Daten) legt verbindlich fest, welche Quelle bei Widerspruch gilt. Diese Entscheidung ist nicht technisch, sondern organisatorisch und führungsseitig zu treffen sowie im Data Dictionary zu dokumentieren.

Als Empfehlung gilt in diesem Zusammenhang, für jede Datendomäne (Finanzen, Kunden, Personal, Projekte) genau ein System of Record festzulegen. Alle anderen Systeme dürfen zwar lesen, aber nicht als Referenz gelten. Damit werden zahlreiche Datenkonflikte präventiv vermieden.

Datenqualität: Messen, was zählt

Datenqualität ist kein binärer Zustand, weshalb Daten nicht einfach «gut» oder «schlecht» sind, sondern sie können in unterschiedlichem Qualitätsdimensionen vorliegen. Das Controlling muss darauf achten, diese Dimensionen zu messen und zu steuern – so wie es beispielsweise auch Kosten oder Liquidität steuert.

Datenqualität beschreibt, wie gut Daten für ihren vorgesehenen Zweck geeignet sind im Hinblick auf Korrektheit, Vollständigkeit, Aktualität, Konsistenz, Eindeutigkeit und Konsistenz. Sie entscheidet darüber, ob Daten vertrauenswürdig genug sind, um operative Prozesse, Analysen oder strategische Entscheide zu unterstützen.

Die sechs Qualitätsdimensionen

Datenqualität messbar machen: KPIs

Was nicht gemessen wird, wird nicht verbessert. Folgende KPIs haben sich in der Praxis als wirkungsvolles Steuerungsinstrument für die Datenqualität im Controlling bewährt:

1. Fehlerrate bei manuellen Buchungen (Korrekturbuchungen / Gesamtbuchungen)
2. Vollständigkeitsquote: Anteil Kostenstellen mit Buchung am 3. Werktag
3. Dublettenrate im Debitorenstamm (monatlich aus ERP-Abfrage)
4. Konformitätsrate: Anteil korrekt ausgefüllter Pflichtfelder bei Neuerfassungen
5. Time-to-Close: Tage bis zur Fertigstellung des Monatsabschlusses

Fehlerquellenanalyse: Wo entstehen Datenqualitätsprobleme?

Datenqualitätsprobleme sind selten nur technischen Ursprungs. Eine Analyse in Schweizer KMU zeigt wiederkehrend drei Hauptursachen:

1. unklare Zuständigkeit: Wenn niemand explizit für die Korrektheit einer Datenkategorie verantwortlich ist, kümmert sich niemand um Fehler.
2. fehlende Validierung am Erfassungspunkt: ERP-Systeme lassen Buchungen ohne Kostenstelle zu; fehlende Pflichtfelder erlauben inkonsistente Stammdaten.
3. Medienbruch durch manuelle Übertragung: Daten, die aus einem System exportiert und manuell in ein anderes übertragen werden, sind besonders fehleranfällig. Jeder Medienbruch ist ein Qualitätsrisiko.

Datenaufbereitung mit Power Query

Power Query gilt als das leistungsfähigste Werkzeug, das einem Controller für die Datenaufbereitung ohne Programmierkenntnisse zur Verfügung steht. Seit der Excel-Version 2016 ist es nativ integriert; ebenso in Power BI ist es die zentrale Transformationskomponente. Das Prinzip von Power Query erscheint überzeugend: Einmal definierte Datenaufbereitungsschritte werden als reproduzierbarer, dokumentierter Workflow gespeichert – und können mit einem Klick neu ausgeführt werden.

Was Power Query leistet – und was nicht

Power Query ist keine Datenbank und kein ERP-Ersatz. Es ist ein ETL-Werkzeug (Extract, Transform, Load), das Daten aus verschiedenen Quellen zusammenführt, bereinigt und für die Analyse aufbereitet. Zu seinen wichtigsten Fähigkeiten gehören:

1. Datenimport aus ERP-Exporten, CSV, Excel, Web-APIs, SQL-Datenbanken und SharePoint
2. automatische Bereinigung: Duplikate entfernen, Formate vereinheitlichen, Fehler ersetzen
3. Datentransformation: Spalten teilen, zusammenführen, pivotieren, gruppieren
4. Joins: Tabellen nach Schlüsselfeldern zusammenführen (wie SVERWEIS, aber robust)
5. Parameterisierung: Workflows mit veränderlichen Eingaben (z.B. Monatsauswahl) automatisieren

Typischer Anwendungsfall: Monatsreporting aus ERP-Export

Ein typischer Controlling-Workflow vor Power Query: Der Controller exportiert jeden Monat drei CSV-Dateien aus dem ERP (Buchungsjournal, Kostenstellenplan, Budgetwerte), öffnet alle drei in Excel, bereinigt Formatierungen manuell, verknüpft per SVERWEIS und baut das Report-Template neu auf. Zeitaufwand: 2–3 Stunden. Fehleranfälligkeit: hoch.

Mit Power Query sieht derselbe Prozess so aus:

M-Sprache: Wenn die grafische Benutzeroberfläche nicht reicht

Power Query speichert jeden Transformationsschritt im Hintergrund als Code in der sogenannten M-Sprache. Für Standardfälle genügt die grafische Oberfläche. Für komplexere Szenarien – dynamische Datumsgrenzen, bedingte Transformationen, parametrisierte Abfragen – lohnt es sich, die M-Sprache zu verstehen. Ein KI-Assistent kann hier zusätzlich unterstützen, indem er M-Code auf Basis einer Beschreibung generiert:

KI und Automatisierung als nächste Stufe

Power Query reduziert manuelle Arbeit. KI-gestützte Automatisierung geht einen Schritt weiter: Sie übernimmt nicht nur die Transformation, sondern auch die Interpretation und Kommunikation von Daten. Für den CFO eröffnen sich damit neue Möglichkeiten – aber auch neue Governance-Anforderungen.

KI im Datenmanagement und zugehörige konkrete Einsatzfelder

Finance Agents: Wenn KI den Prozess steuert

Ein Finance Agent kombiniert Datenaufbereitung, Analyse und Ausgabe in einem automatisierten Workflow. Ein einfaches Beispiel: Ein monatlicher Trigger exportiert die Buchungsdaten aus dem ERP, leitet sie via Power Query oder Python an ein Sprachmodell weiter, das einen Kommentarentwurf generiert – und schickt diesen zur Prüfung an den Controller. Der menschliche Entscheid bleibt im Prozess verankert («Human-in-the-Loop»).

Für die Umsetzung stehen Low-Code-Werkzeuge wie n8n oder Make zur Verfügung, die ERP-Export, API-Anbindung an ein Sprachmodell und E-Mail-Versand ohne Programmierkenntnisse verbinden. Der Investitionsaufwand für einen ersten Prototyp liegt bei wenigen Tagen.

Datenschutz und Governance bei KI-Einsatz

Der Einsatz von KI im Datenmanagement erfordert eine Erweiterung des Governance-Rahmens. Besonders relevant für Schweizer Unternehmen: Das revidierte Schweizer Datenschutzgesetz (DSG, seit September 2023) und – bei EU-Kundendaten – die DSGVO regeln, welche Daten an externe KI-Dienste übermittelt werden dürfen. Personendaten (Lohndaten, Kundendaten mit Personenbezug) dürfen nur über Dienste mit vertraglichem Auftragsverarbeitungsvertrag (DPA) übermittelt werden.

1. Anonymisierung vor KI-Verarbeitung, wo möglich
2. DPA mit KI-Anbieter (z.B. Microsoft, Anthropic) für produktive Nutzung
3. interne KI-Policy: Definition, welche Datenklassen in externe KI-Systeme eingespeist werden dürfen
4. Human-in-the-Loop als Pflicht, nicht als Option – KI-Outputs sind Entwürfe, keine Entscheide

Fazit: Datenmanagement als strategische CFO-Aufgabe

Die Qualität des Controllings ist nicht primär eine Frage der Analysetools. Sie ist eine Frage der Datengrundlage. Wer auf schlecht geführten Stammdaten, ungeklärten Verantwortlichkeiten und manuellen Medienbruch aufbaut, wird auch mit dem besten Dashboard keine verlässlichen Einsichten gewinnen.

Data Governance, Datenqualität und strukturierte Datenaufbereitung sind deshalb keine Vorprojekte zur Digitalisierung – sie sind die Digitalisierung des Controllings. Die gute Nachricht: Der Einstieg erfordert keine grossen IT-Investitionen, sondern vor allem Klarheit über Rollen, Regeln und Verantwortung.

Die Abfolge ist eindeutig:

1. Governance zuerst: Datenverantwortung klären, Data Dictionary aufbauen, System of Record designieren
2. Qualität messen: wenige, relevante Qualitäts-KPIs einführen und im Reporting sichtbar machen
3. Aufbereitung automatisieren: wiederkehrende ETL-Prozesse mit Power Query reproduzierbar und dokumentiert machen.
4. KI nutzen – mit Augenmass: Finance Agents und Sprachmodelle als Produktivitätshebel einsetzen – mit klaren Governance-Leitplanken und Human-in-the-Loop

Der CFO, der diesen Weg konsequent geht, verbringt weniger Zeit mit Datensäuberung und mehr Zeit mit dem, was seinen Beitrag zur Unternehmenssteuerung ausmacht: Analyse, Einordnung und Entscheid.

Quellenverzeichnis

Bauer, A./Götze, U. (2023): Controlling und digitale Transformation. 2. Aufl., Springer Gabler, Wiesbaden.

Dama International (2017): DAMA-DMBOK: Data Management Body of Knowledge. 2nd ed., Technics Publications, New Jersey.

Eckerson, W. W. (2011): Performance Dashboards: Measuring, Monitoring, and Managing Your Business. 2nd ed., Wiley, Hoboken.

Gleich, R. (2023): Data Driven Controlling, Stuttgart: Schäffer-Poeschel.

International Controller Verein (ICV) (2023): Leitbild moderner Controller. München: ICV.

Microsoft (2024): Power Query-Dokumentation. docs.microsoft.com/power-query (abgerufen: März 2025).

Otto, B./Österle, H. (2016): Corporate Data Quality – Voraussetzung erfolgreicher Geschäftsmodelle. 2. Aufl., Springer Gabler, Wiesbaden.

Schweizerischer Bundesrat (2020): Bundesgesetz über den Datenschutz (DSG), rev. Fassung in Kraft seit 1. September 2023.

FAQ: Data Governance

Warum ist Data Governance für KMU im Controlling besonders wichtig?

In KMU fehlen oft systematische Grundlagen für Datenpflege, was zu manuellen Eingriffen und inkonsistenten Zahlen führt. Data Governance schafft Klarheit über Verantwortlichkeiten und Prozesse, sodass Controller weniger Zeit mit Datensäuberung und mehr mit wertschöpfender Analyse verbringen können.

Was ist der Unterschied zwischen Data Owner und Data Steward?

Der Data Owner (oft CFO oder Bereichsleiter) trägt die fachliche Verantwortung und entscheidet bei Konflikten, was als korrekt gilt. Der Data Steward (oft Controller oder Buchhalter) übernimmt die operative Pflege, Qualitätskontrolle und Eskalation von Problemen.

Wie kann ein KMU ohne teure Software mit Data Governance starten?

Der Einstieg erfordert keine grossen IT-Investitionen. Ein gepflegtes Data Dictionary in Excel, klare Rollendefinitionen und die Festlegung eines Systems of Record reichen aus, um die Grundlagen zu schaffen. Power Query kann dann zur Automatisierung der Datenaufbereitung genutzt werden.

Welche Rolle spielt KI bei der Data Governance?

KI unterstützt bei der Anomalieerkennung, automatischen Kontierung und Report-Kommentierung. Für den Einsatz muss der Governance-Rahmen jedoch erweitert werden, insbesondere bezüglich Datenschutz (DSG), Anonymisierung und der Pflicht zum Human-in-the-Loop.

Wie misst man Datenqualität konkret im Controlling?

Datenqualität wird durch spezifische KPIs gemessen, wie die Fehlerrate bei manuellen Buchungen, die Vollständigkeitsquote am Monatsende, die Dublettenrate im Debitorenstamm oder die Time-to-Close für den Monatsabschluss.