Data StewardHüter der Datenqualität im Einkauf
Einkaufslexikon · Aktualisiert · 7 Min. Lesezeit
Auch bekannt als: Data Stewardship, Datenverantwortlicher, Data Governance Rolle, Master Data Steward, Data Stewardship Framework
Kurzantwort
- Ein Data Steward verantwortet fachlich die Qualität und Pflege definierter Datenbestände wie Lieferanten- oder Materialstammdaten.
- Er definiert Datenstandards, kontrolliert die Qualität, klärt Konflikte und unterstützt Prozesse wie E-Sourcing und Source-to-Pay.
- Erfolg wird über Datenqualitäts-KPIs wie Vollständigkeit, Korrektheit und Aktualität gemessen.
Der Data Steward ist eine Rolle im Datenmanagement, die für die Qualität, Konsistenz und Pflege definierter Datenbestände verantwortlich ist. Im Einkauf und in der Supply Chain betreut er typischerweise Stammdaten wie Lieferanten-, Material- und Teilestammdaten sowie Beschaffungs- und Compliance-Daten. Er überbrückt damit die Lücke zwischen IT, Fachabteilungen und Geschäftsführung. Ohne fundierte Datenqualität scheitern viele Digitalisierungs- und Automatisierungsvorhaben im Beschaffungsumfeld.
Das Wichtigste in Kürze
- Der Data Steward verantwortet fachlich die Datenqualität eines definierten Datenbereichs, etwa Lieferanten- oder Materialstammdaten.
- Er ist nicht mit dem Data Owner gleichzusetzen: Der Owner trägt die Gesamtverantwortung, der Steward kümmert sich operativ um Pflege und Qualität.
- Kernaufgaben sind Datenpflege, Anreicherung, Qualitätskontrolle, Klärung von Datenkonflikten und Weiterentwicklung von Datenstandards.
- Hohe Datenqualität ist Voraussetzung für funktionierende Prozesse wie E-Sourcing, Source-to-Pay (S2P) oder Lieferantenbewertung.
- Typische Metriken sind Datenqualitätskennzahlen wie Vollständigkeit, Korrektheit und Aktualität der Stammdaten.
- Die Rolle kann als Fachfunktion, Teilzeitrolle oder dedizierte Position in einem Data Governance Framework organisiert sein.
Inhalt
Definition: Data Steward
Ein Data Steward ist die fachlich verantwortliche Person für die Qualität, Definition und Pflege eines abgegrenzten Datenbestands im Unternehmen. Er setzt Datenrichtlinien um, klärt Unstimmigkeiten und sorgt dafür, dass Daten verlässlich und nutzbar bleiben.
Abgrenzung zu Data Owner und Data Custodian
Im klassischen Drei-Rollen-Modell trägt der Data Owner die oberste Verantwortung für einen Datenbereich, häufig auf Führungsebene. Der Data Steward operiert darunter und kümmert sich um Definitionen, Regeln und tägliche Qualitätssicherung. Der Data Custodian, oft in der IT angesiedelt, verwaltet technische Aspekte wie Speicherung, Zugriffsberechtigungen und Backups. In mittelständischen Unternehmen werden diese Rollen in der Praxis häufig personell gebündelt, was zulasten der Kontrollfunktion gehen kann.
Bedeutung für den technischen Einkauf
Im Einkauf entscheidet die Qualität der Stammdaten über die Effizienz nahezu aller Prozesse: Von der Bedarfsermittlung über die Ausschreibung bis zur Bestellung und Auftragsabwicklung. Duplikierte Materialnummern, fehlende Lieferantenkennzeichnungen oder veraltete Preisdaten führen zu Fehlbestellungen, Mehraufwand und schlechten Entscheidungen. Der Data Steward stellt sicher, dass E-Sourcing-Plattformen, Katalogsysteme und ERP-Systeme auf einer sauberen Datenbasis arbeiten.
Aufgaben und Verantwortungsbereiche eines Data Stewards
Der Aufgabenkatalog eines Data Stewards reicht von der operativen Datenpflege bis zur Weiterentwicklung von Datenstandards. Er arbeitet typischerweise projektorientiert und prozessübergreifend mit Einkauf, Logistik, Qualitätsmanagement, IT und Controlling zusammen.
Datenpflege und Qualitätskontrolle
Der Kern des Tagesgeschäfts umfasst die Anlage, Änderung und Qualifizierung von Datensätzen sowie die regelmäßige Prüfung auf Fehler und Inkonsistenzen. Der Steward definiert Pflichtfelder, Validierungsregeln und Verschlagwortungen, etwa Normbezeichnungen oder Warengruppencodes. Bei der Neuanlage von Lieferanten- oder Materialstammdaten wirkt er oft als Vier-Augen-Instanz. Er überwacht außerdem, dass Änderungen wie Preisanpassungen, Abgabeverbote oder Addressänderungen zeitnah und korrekt im System landen.
Datenstandards und Governance
Der Data Steward entwickelt und dokumentiert Datenstandards, Namenskonventionen und Metadaten-Definitionen. Er schult Fachabteilungen im Umgang mit den Regeln und verhindert, dass lokale Workarounds die Datenqualität untergraben. Bei konkurrierenden Anforderungen, etwa wenn Einkauf und Vertrieb unterschiedliche Debitoren- oder Lieferantenansichten brauchen, moderiert er die Klärung. In etablierten Organisationen berichtet er regelmäßig an ein Data Governance Board oder den Data Owner.
Unterstützung von Beschaffungsprozessen
Viele Beschaffungsprozesse stehen und fallen mit der Datenbasis: Ausschreibungen im E-Sourcing erfordern konsistente Artikel- und Spezifikationsdaten, die ABC-Analyse braucht saubere Wert- und Mengendaten, und das Lieferantennetzwerk-Management setzt gepflegte Lieferantenstammdaten voraus. Der Data Steward bereitet Daten für Analysen auf, etwa für Verhandlungstechniken oder die Prüfung von Skaleneffekten im Bündelungs Einkauf. Auch Compliance-Daten, etwa für das Lieferkettensorgfaltspflichtengesetz, liegen zunehmend in seinem Verantwortungsbereich.
Wichtige KPIs für die Arbeit eines Data Stewards
Die Wirkung eines Data Stewards lässt sich gut über Datenqualitätskennzahlen messen. Diese KPIs sollten regelmäßig und automatisiert erhoben werden, damit aus Punktmessungen Verbesserungsmaßnahmen werden.
Datenqualitätskennzahlen
Die vier klassischen Dimensionen sind Vollständigkeit, Korrektheit, Konsistenz und Aktualität. Vollständigkeit misst etwa den Anteil von Lieferantenstammdaten mit vollständigen Pflichtfeldern, Korrektheit die Fehlerquote in Stichproben. Konsistenz prüft, ob dieselbe Information in verschiedenen Systemen identisch ist, etwa Materialbezeichnungen im ERP und im E-Sourcing-Tool. Aktualität erfasst, wie alt kritische Felder wie Zertifikate oder Preisdaten sind.
Prozess- und Steuerungskennzahlen
Neben reinen Qualitätskennzahlen haben sich in der Praxis Prozessmetriken etabliert. Dazu zählen die Bearbeitungszeit für Änderungsanträge, die Anzahl automatisierter Validierungen pro Periode oder der Anteil von Neuanlagen mit anschließender Korrektur. Auch der Anteil von Bestellungen mit fehlerhaften Stammdaten ist eine praxisnahe Kenngröße, weil er den Schaden direkt quantifiziert. Diese KPIs eignen sich gut, um die Rolle im Management sichtbar zu machen.
Risiken und Kontrollen rund um die Rolle
Ohne klare Organisation und Kontrollen bleibt der Data Steward oft eine Alibi-Funktion. Zugleich birgt die Zentralisierung von Datenverantwortung Abhängigkeiten und Risiken.
Typische Fallstricke
Häufige Probleme sind: Die Rolle wird der IT zugeordnet und verliert den Fachbezug, der Steward hat keine Weisungsbefugnis gegenüber Fachabteilungen, oder es fehlen Ressourcen für die laufende Pflege. Ein weiteres Risiko ist die Dominanz einzelner Abteilungen bei der Datendefinition, etwa wenn Einkauf ohne Abstimmung Warengruppen umbaut und dadurch Logistik- oder Finanzprozesse brechen. Auch personelle Alleingänge ohne Dokumentation gefährden die Nachvollziehbarkeit.
Kontrollen und Organisationsmaßnahmen
Bewährt haben sich in der Praxis vier Kontrollen: eine schriftliche Rollen- und Verantwortlichkeitsmatrix, ein dokumentierter Änderungsprozess mit Vier-Augen-Prinzip, automatisierte Qualitätsreports mit festen Schwellwerten sowie regelmäßige Stichproben durch eine vom Steward unabhängige Instanz. Für kritische Daten wie Zertifikate, Compliance-Attribute oder Abgabeverbote sollte eine abgestufte Freigabe mit definierter Eskalation existieren. Bei personellen Ausfällen muss ein Vertretungsregime greifen.
Aktuelle Entwicklungen: KI, Compliance und Datenplattformen
Die Rolle des Data Stewards verändert sich durch Automatisierung und regulatorische Anforderungen. Moderne Werkzeuge unterstützen die Datenqualität, können aber die fachliche Verantwortung nicht ersetzen.
KI-gestützte Datenqualifizierung
Künstliche Intelligenz und Machine Learning werden zunehmend für Deduplizierung, Klassifizierung von Materialdaten und Anreicherung aus externen Quellen genutzt. In der Praxis übernehmen Algorithmen typischerweise Vorschlagsfunktionen, während der Data Steward die fachliche Freigabe behält. Das verlagert seinen Fokus von der manuellen Pflege hin zu Regeldefinition, Stichprobenkontrolle und Ausnahmebehandlung. Wichtig ist, dass die Entscheidungslogik der Werkzeuge nachvollziehbar dokumentiert bleibt.
Regulatorische Anforderungen als Treiber
Gesetze wie das Lieferkettensorgfaltspflichtengesetz oder Nachhaltigkeitsberichterstattung erhöhen den Druck auf verlässliche Lieferanten- und Produktdaten. Daten zu Emissionswerten, etwa für das Life Cycle Assessment (LCA), oder zu Arbeits- und Menschenrechtsrisiken in der Lieferkette müssen systematisch erfasst und aktuell gehalten werden. Der Data Steward wird damit auch zu einem Baustein der Compliance-Organisation. Unternehmen sollten prüfen, welche Nachweispflichten im Einzelfall gelten und wie die Datenhaltung darauf ausgelegt sein muss.
Integration in Source-to-Pay und Plattformökonomie
Mit der Verbreitung integrierter Source-to-Pay (S2P)-Plattformen und B2B-Marktplätzen rückt die Frage nach Datenstandards über Unternehmensgrenzen hinweg in den Fokus. Der Data Steward muss sicherstellen, dass interne Stammdaten mit externen Katalogen, Klassifizierungssystemen und Lieferantennetzwerken kompatibel sind. Widersprüche zwischen internen und externen Datenmodellen kosten in der Praxis Zeit und erzeugen Fehler in Bestellung und Auftragsabwicklung. Eine frühzeitige Abstimmung mit Plattformstandards reduziert diesen Aufwand deutlich.
Typische Kennzahlen
| Kennzahl | Richtwert | Einordnung |
|---|---|---|
| Vollständigkeit Stammdaten | > 98 % | Anteil Datensätze mit ausgefüllten Pflichtfeldern, üblicher Richtwert |
| Korrektheit Stammdaten | > 97 % | Anteil fehlerfreier Datensätze in Stichproben |
| Aktualität kritischer Felder | < 12 Monate | Maximales Alter von Zertifikaten oder Preisdaten |
| Bestellungen mit Datenfehlern | < 1 % | Anteil Bestellpositionen mit fehlerhaften Stammdaten |
| Bearbeitungszeit Änderungsantrag | < 5 Arbeitstage | Übliche Zielgröße in der Praxis, abhängig von Freigabestufen |
Typische Richtwerte aus der Praxis – je nach Branche, Teil und Vertrag abweichend.
Praxisbeispiel
Ein mittelständischer Maschinenbauer mit rund 400 Mitarbeitern stellte bei der Einführung eines E-Sourcing-Tools fest, dass rund ein Drittel der Materialstammdaten Duplikate oder unvollständige Pflichtfelder enthielt. Ausschreibungen mussten wiederholt manuell nachgearbeitet werden, und die ABC-Analyse lieferte verzerrte Ergebnisse. Das Unternehmen benannte daraufhin einen Data Steward im Einkauf, flankiert durch einen definierten Änderungsprozess.
- Deduplizierung und Klassifizierung der Materialstammdaten mit definierter Pflichtfeldlogik
- Vier-Augen-Prinzip für Neuanlagen von Lieferanten- und Materialstammdaten
- Monatlicher automatisierter Datenqualitätsreport mit Schwellwerten für Vollständigkeit und Aktualität
- Schulungen für Einkauf und Logistik zu Namenskonventionen und Änderungsprozess
Fazit
Der Data Steward ist im technischen Einkauf keinNice-to-have, sondern eine Schlüsselrolle für verlässliche Beschaffungsprozesse. Er sichert die Datenqualität, auf der E-Sourcing, Bestellwesen, Lieferantenbewertung und Compliance-Anforderungen aufbauen. Entscheidend für den Erfolg sind klare Verantwortlichkeiten, ausreichend Ressourcen und messbare Qualitätskennzahlen. Unternehmen, die die Rolle ernsthaft besetzen, ernten in der Praxis schnellere Prozesse und belastbarere Entscheidungen. Wer Digitalisierungsvorhaben im Einkauf plant, sollte die Datenverantwortung daher von Anfang an mitdenken.
Häufige Fragen
Was macht ein Data Steward?
Ein Data Steward verantwortet fachlich die Qualität, Konsistenz und Pflege eines definierten Datenbestands, etwa von Lieferanten- oder Materialstammdaten. Er definiert Datenstandards, prüft Datensätze, klärt Konflikte zwischen Abteilungen und schult Anwender. Im Einkauf stellt er sicher, dass Systeme wie ERP oder E-Sourcing auf einer verlässlichen Datenbasis arbeiten.
Was ist der Unterschied zwischen Data Steward und Data Owner?
Der Data Owner trägt die übergeordnete, oft bereichsleitende Verantwortung für einen Datenbereich und entscheidet über Richtlinien und Freigaben. Der Data Steward setzt diese Vorgaben operativ um, pflegt die Daten, überwacht die Qualität und ist erste Anlaufstelle für fachliche Fragen. In kleineren Unternehmen werden beide Rollen häufig von einer Person ausgeübt.
Welche KPIs misst ein Data Steward?
Typische Kennzahlen sind Vollständigkeit, Korrektheit, Konsistenz und Aktualität der Stammdaten. Dazu kommen Prozessmetriken wie die Bearbeitungszeit von Änderungsanträgen oder der Anteil von Bestellungen mit fehlerhaften Stammdaten. Diese KPIs sollten automatisiert und regelmäßig erhoben werden.
Welche Voraussetzungen braucht ein Data Steward im Einkauf?
Wichtig sind Fachkenntnisse in Beschaffungsprozessen und Stammdatenlogik, Verständnis für Systemlandschaften wie ERP und E-Sourcing sowie Kommunikationsstärke für den Abteilungsübergreifenden Austausch. Er sollte zudem die Befugnis haben, Datenregeln durchzusetzen, und ausreichend Zeitressourcen erhalten. Ohne Weisungsbefugnis oder Trigger durch das Management bleibt die Rolle häufig wirkungslos.
Was kostet ein Data Steward für ein Unternehmen?
Das hängt von der Organisation ab: In der Praxis wird die Rolle oft als Teilzeitfunktion von Einkaufs- oder Master-Data-Mitarbeitern mitverantwortet, zunehmend aber auch als eigene Position aufgebaut. Die Kosten variieren je nach Unternehmensgröße und Datenkomplexität erheblich. Eine grobe Orientierung: Der Aufwand für die Pflege großer Stammdatenbestände wird häufig auf mehrere Personentage pro Monat geschätzt.
Wie wird man Data Steward?
Es gibt keinen einheitlichen Ausbildungsweg. Häufig kommen Data Stewards aus dem Einkauf, aus der IT oder aus dem Datenmanagement und qualifizieren sich über Weiterbildungen im Datenmanagement oder in Datenqualitätsmethoden. Wichtiger als formale Zertifikate sind in der Praxis Prozessverständnis, Systemkenntnisse und die Fähigkeit, fachliche Anforderungen in Datenstandards zu übersetzen.
