Governance-Programme scheitern selten an der Strategie. Sie scheitern daran, dass niemand die Richtlinien im Alltag tatsächlich durchsetzt. Genau diese Lücke füllt der Data Steward, und gerade weil die Rolle zwischen Fachbereich, IT und Management sitzt, wird sie in vielen Organigrammen entweder gar nicht benannt oder mit der Rolle des Data Owners verwechselt. Das ist kein semantisches Detail, sondern der Grund, warum Governance-Programme auf dem Papier gut aussehen und im Alltag trotzdem nicht greifen.
Was ist ein Data Steward?
Ein Data Steward ist die Person, die im Tagesgeschäft für die Qualität und Gebrauchstauglichkeit einer bestimmten Datendomäne sorgt, meist Produkte, Kunden oder Lieferanten. Im Rahmen von Data Governance definiert der Steward Metriken, setzt Regeln durch und hält Definitionen und Metadaten aktuell. Anders als der Data Owner, der rechenschaftspflichtig ist und Policies genehmigt, ist der Steward operativ tätig. Er oder sie arbeitet unmittelbar mit den Daten, nicht nur mit der Entscheidung darüber, und ist damit die Schnittstelle, an der Governance entweder gelebte Praxis wird oder eben Papier bleibt.
Die Weiterentwicklung 2026: Business Steward und AI Steward
Ein Trend, der in älteren Rollenbeschreibungen noch nicht vorkommt, aber 2026 an Substanz gewinnt: Die klassische Data-Steward-Rolle spaltet sich zunehmend in zwei Ausprägungen auf. Der Business Steward bleibt bei der klassischen Aufgabe, Qualität und Metadaten einer Fachdomäne zu pflegen. Daneben etabliert sich der AI Steward, teils auch Model Steward genannt, der Modellkarten pflegt, die Herkunft von Trainingsdaten dokumentiert, Bias-Risiken überwacht und die Konformität mit dem EU AI Act sicherstellt. Für Unternehmen, die KI-gestützte Attributvorschläge oder Klassifizierungen im PIM einsetzen, ist das keine akademische Unterscheidung: Wer für die Qualität der KI-Trainingsdaten verantwortlich ist, unterscheidet sich zunehmend von der Person, die die klassische Produktdatenqualität hütet.
Aufgaben im Alltag
- Datenqualität überwachen: Duplikate, fehlende Pflichtfelder und inkonsistente Werte identifizieren, bevor sie in nachgelagerte Systeme wandern.
- Metadaten und Definitionen pflegen: sicherstellen, dass Begriffe wie ‚aktives Produkt‘ oder ‚gültiger Kunde‘ unternehmensweit einheitlich verstanden werden.
- Regeln durchsetzen: Validierungsregeln, Pflichtattribute und Freigabe-Workflows im Alltag anwenden, nicht nur dokumentieren.
- Schnittstelle zwischen Fachbereich und IT: Anforderungen aus dem Fachbereich in technisch umsetzbare Regeln übersetzen und umgekehrt.
- Reporting an den Data Owner: Qualitätskennzahlen und wiederkehrende Probleme sichtbar machen, damit der Owner fundierte Entscheidungen treffen kann.
In der Produktdomäne kommt eine Aufgabe hinzu, die in generischen Rollenbeschreibungen selten auftaucht: die laufende Pflege der Attributmodelle im PIM. Ein Data Steward für Produktdaten entscheidet zwar nicht über neue Pflichtfelder, aber er erkennt als Erster, wenn ein bestehendes Attributmodell nicht mehr zur Produktrealität passt, etwa weil eine neue Produktlinie technische Merkmale hat, die das aktuelle Schema nicht abbildet.
Erforderliche Skills
Ein guter Data Steward braucht fachliche Tiefe in seiner Datendomäne, also ein echtes Verständnis dafür, was ein Produkt- oder Kundendatensatz im operativen Geschäft bedeutet. Dazu kommt analytisches Handwerk: Datenqualitätsmetriken lesen, Muster in fehlerhaften Daten erkennen, mit Tools wie Datenkatalogen oder einem PIM arbeiten. Ebenso wichtig ist Kommunikationsstärke, weil die Rolle ständig zwischen Fachbereich, IT und Management vermittelt. Governance-Kenntnisse runden das Profil ab. Ein Steward muss selbst keine Policies erfinden, aber er muss sie verstehen und im Alltag konsequent anwenden. Wer künftig auch AI-Steward-Aufgaben übernimmt, braucht zusätzlich ein Grundverständnis dafür, wie Trainingsdaten Modellverhalten beeinflussen, nicht auf dem Niveau eines Data Scientists, aber tief genug, um Bias-Risiken zu erkennen, bevor sie zum Problem werden.
Data Steward vs. Data Owner vs. CDO
| Rolle | Verantwortungsebene | Typische Aufgabe |
| Chief Data Officer | Strategisch, unternehmensweit | Datenstrategie und Governance-Programm verantworten |
| Data Owner | Rechenschaftspflichtig je Domäne | Policies genehmigen, über Nutzung und Zugriff entscheiden |
| Data Steward | Operativ je Domäne | Qualität sichern, Regeln durchsetzen, Metadaten pflegen |
Wer diese Abgrenzung nicht klar zieht, läuft Gefahr, operative Verantwortung ohne Entscheidungsbefugnis zu vergeben oder umgekehrt Entscheidungsträger mit Detailarbeit zu überlasten. In der Praxis ist der häufigste Fehler, den Data Owner mit Steward-Aufgaben zu betrauen, weil er ohnehin fachlich am tiefsten involviert ist. Das funktioniert kurzfristig, überlastet aber die Führungskraft und lässt die eigentliche Owner-Aufgabe, strategische Entscheidungen zu treffen, liegen.
Wie wird man Data Steward?
Es gibt keinen einzigen Ausbildungsweg, aber eine etablierte Referenz für formale Qualifikation ist die DAMA-CDMP-Zertifizierung (Certified Data Management Professional). Sie verlangt je nach Modul zwischen 900 und 1.400 Stunden praktische Erfahrung in Data Governance oder Data Stewardship, bevor die Prüfung angerechnet wird. In der Praxis wachsen die meisten Data Stewards jedoch aus einer bestehenden Fachrolle heraus, etwa aus dem Produktmanagement, dem Category Management oder der Qualitätssicherung, weil genau dort das nötige Domänenwissen bereits vorhanden ist.
Wie PIM und MDM die Arbeit von Data Stewards unterstützen
Ein MDM-System gibt Data Stewards die technische Grundlage, um Golden Records zu pflegen, Dubletten zu erkennen und Änderungen nachvollziehbar zu machen, statt Qualität manuell in Tabellen zu überwachen. Für die Produktdomäne im Speziellen übernimmt ein PIM-System diese Rolle: Pflichtfelder, Validierungsregeln und Freigabe-Workflows laufen automatisiert, während der Steward die Ausnahmen und Grenzfälle bearbeitet, die kein System allein lösen kann. Ein VIA/PIM360°-Setup mit klaren Attributmodellen und Freigabeprozessen reduziert damit genau die Art von Detailarbeit, die einen Steward sonst bindet, und schafft Raum für die strategischeren Aufgaben wie Modellpflege und Qualitätsanalyse.
Häufige Stolpersteine bei der Rollenbesetzung
Der erste Stolperstein ist, die Rolle nirgends offiziell zu benennen. Wenn Steward-Aufgaben informell ’nebenbei‘ von wem auch immer erledigt werden, verschwindet die Verantwortung in Zeiten von Termindruck als Erstes. Der zweite Stolperstein ist eine zu breite Domänenzuordnung: Ein Steward, der gleichzeitig für Produkte, Kunden und Lieferanten verantwortlich ist, verliert zwangsläufig an Tiefe in jeder einzelnen Domäne. Der dritte Stolperstein ist fehlende Rückendeckung durch den Data Owner. Ohne klare Eskalationswege bleibt der Steward bei Konflikten zwischen Fachbereichen ohne Entscheidungsmacht und damit wirkungslos.
Fazit
Der Data Steward ist die Rolle, die Governance-Richtlinien in gelebte Praxis übersetzt. Ohne sie bleiben Policies Papier. Wer die Abgrenzung zu Data Owner und CDO klar zieht, die Domäne nicht zu breit zuschneidet und die Rolle mit den richtigen Tools ausstattet, gewinnt spürbar an Datenqualität, ohne zusätzliche Bürokratie aufzubauen. Mit Blick auf 2026 kommt eine zusätzliche Überlegung hinzu: wer im Unternehmen die Verantwortung für KI-Trainingsdaten trägt, sobald PIM und MDM zunehmend KI-gestützt arbeiten.
Frequently Asked Questions
Ist ein Data Steward dasselbe wie ein Data Owner?
Nein. Der Data Owner ist rechenschaftspflichtig und entscheidet über Policies, der Data Steward setzt diese im Alltag operativ um.
Braucht jedes Unternehmen einen eigenen Data Steward?
Nicht zwingend als Vollzeitrolle. Kleinere Unternehmen kombinieren die Aufgabe oft mit einer bestehenden Fachrolle, etwa im Produktmanagement oder Marketing, solange die Verantwortung klar benannt ist.
Welche Tools nutzen Data Stewards typischerweise?
Datenkataloge, Qualitäts-Dashboards und für Produktdaten ein PIM- oder MDM-System, je nachdem, welche Domäne betreut wird.
Eine 2026 zunehmend eigenständige Rollenausprägung, die Modellkarten pflegt, Trainingsdatenherkunft dokumentiert und Bias-Risiken überwacht. Sie ergänzt den klassischen Business Steward, wenn KI-gestützte Datenprozesse im Einsatz sind.
Braucht man eine Zertifizierung, um Data Steward zu werden?
Nicht zwingend. Eine formale Qualifikation wie die DAMA-CDMP-Zertifizierung hilft, ist aber kein Muss. In der Praxis zählt Domänenwissen oft mehr als das Zertifikat selbst.
