Master Data GovernanceStammdaten im Einkauf strukturiert steuern
Einkaufslexikon · Aktualisiert · 7 Min. Lesezeit
Auch bekannt als: MDG, Stammdaten-Governance, Stammdatenmanagement, Data Governance
Kurzantwort
- Master Data Governance ist der Rahmen aus Rollen, Regeln und Kontrollen, der Qualität und Konsistenz von Stammdaten sicherstellt.
- Im Einkauf betrifft sie vor allem Materialstammsätze, Lieferantenstammsätze und Konditionsdaten.
- Sie reduziert Fehlbestellungen, Dubletten und manuellen Abstimmungsaufwand und ist Voraussetzung für automatisierte Beschaffung.
Master Data Governance bezeichnet die unternehmensweite Organisation, Steuerung und Qualitätssicherung von Stammdaten, also der zentralen Basisdaten zu Materialien, Lieferanten, Kunden oder Ansprechpartnern. Im Einkauf betrifft dies vor allem Materialstammsätze, Lieferantenstammsätze und Bezugsdaten. Eine saubere Governance stellt sicher, dass Prozesse von der Anfrage über das E-Procurement bis zur Rechnungsprüfung auf konsistenten, aktuellen Daten aufbauen. Ohne klare Zuständigkeiten und Regeln entstehen Dubletten, fehlerhafte Preise und vermeidbare Prozesskosten.
Das Wichtigste in Kürze
- Master Data Governance umfasst Rollen, Prozesse, Regeln und Kontrollen für die Pflege zentraler Stammdaten.
- Im Einkauf stehen Materialstammsätze, Lieferantenstammsätze und Bezugsinformationen im Fokus.
- In der Praxis gelten Stammdatenqualitätswerte von über 95 bis 98 Prozent als ambitioniertes Ziel.
- Fehlerhafte Stammdaten verursachen typischerweise Folgekosten in Bestellablauf, Logistik und Finanzbuchhaltung.
- Data Ownership und klar definierte Pflegeprozesse sind die wichtigsten Erfolgsfaktoren.
- Stammdaten sind Voraussetzung für funktionierende EDI-Anbindung, Katalogsysteme und automatisierte Beschaffung.
Inhalt
- Definition: Master Data Governance
- Aufbau und Methoden: Governance im Unternehmen etablieren
- Anwendungsfelder: Stammdaten im Einkaufsalltag
- Wichtige KPIs: Datenqualität messbar machen
- Risiken und Kontrollen: Typische Fallstricke vermeiden
- Aktuelle Entwicklungen: Stammdaten im Wandel
- Typische Kennzahlen
- Praxisbeispiel
- Fazit
- Häufige Fragen
Definition: Master Data Governance
Master Data Governance ist der Gesamtrahmen aus Organisationsstruktur, Rollen, Prozessregeln und Kontrollmechanismen, der die Qualität und Konsistenz von Stammdaten über den gesamten Lebenszyklus sicherstellt. Sie beantwortet die Fragen, wer welche Daten anlegen, ändern und freigeben darf, nach welchen Standards dies geschieht und wie die Einhaltung überprüft wird. Abzugrenzen ist sie von der reinen Stammdatenpflege: Governance beschreibt die Steuerungsebene, nicht die operative Erfassung selbst.
Abgrenzung zur Stammdatenpflege
Stammdatenpflege ist die operative Tätigkeit, etwa das Anlegen eines Materialstammsatzes oder das Aktualisieren eines Lieferantenpreises. Master Data Governance legt dagegen fest, welche Standards gelten, welche Rollen beteiligt sind und welche Freigabeschritte durchlaufen werden müssen. Erst die Kombination aus beidem führt zu dauerhaft verlässlichen Datenbeständen.
Bedeutung für den Einkauf
Der Einkauf ist sowohl Produzent als auch Konsument von Stammdaten: Er liefert Lieferanten- und Bezugsdaten und verlässt sich zugleich auf korrekte Materialdaten bei Anfrage, Angebotsvergleich und Bestellung. Unklare Datengrundlagen erschweren das Anforderungsmanagement, verfälschen Vergaben und behindern das Lieferantenanlaufmanagement. Eine funktionierende Governance ist damit Grundlage strategischer Einkaufsarbeit.
Aufbau und Methoden: Governance im Unternehmen etablieren
Ein wirksames Master-Data-Governance-System entsteht nicht durch Software allein, sondern durch klare Verantwortlichkeiten, definierte Prozesse und messbare Regeln. Bewährt hat sich ein stufenweises Vorgehen: Bestandsaufnahme, Rollenklärung, Standardisierung und laufende Kontrolle. Wichtig ist die Verankerung auf Führungsebene, da Dateneigentum oft departmentsübergreifend durchgesetzt werden muss.
Rollenmodell und Data Ownership
Kernbestandteil ist ein Rollenmodell mit Data Owner, Data Steward und Datenerfasser. Der Data Owner, im Einkauf häufig die Kategorie- oder Lieferantenverantwortung, trägt die fachliche Verantwortung für Dateninhalte. Der Data Steward überwacht Standards, klärt Konflikte und koordiniert die Pflege über Abteilungen hinweg. In der Praxis hat sich gezeigt, dass ohne benannte Eigentümer Datenqualitätsinitiativen rasch verpuffen.
Datenstandards und Namenskonventionen
Einheitliche Bezeichnungs-, Klassifizierungs- und Nummerierungskonventionen sind Voraussetzung für Auffindbarkeit und Dublettenvermeidung. Dazu gehören Regeln für Materialkurztexte, die Verwendung standardisierter Merkmalsformate und die saubere Führung der Herstellerteilenummer (MPN) nebeneigen der internen Materialnummer. Auch Klassifizierungssysteme wie eCl@ss oder UNSPSC werden häufig als Standard herangezogen.
Prozessintegration
Stammdatenanlagen sollten nicht isoliert, sondern in bestehende Prozesse eingebettet sein: bei der Neuanlage eines Teils im Rahmen der Anforderungsmanagement-Prüfung, bei neuen Lieferanten im Zuge des Lieferantenanlaufmanagements und bei Preisdaten im Rahmen der Bestellabwicklung. So werden Daten dort erfasst, wo das fachliche Wissen vorliegt, und doppelt erfasste oder inkonsistente Angaben werden vermieden.
Anwendungsfelder: Stammdaten im Einkaufsalltag
Stammdaten durchziehen nahezu alle Einkaufsprozesse. Ihre Qualität entscheidet darüber, ob Anfragen automatisch versendet werden können, ob Kataloge korrekt Preise zeigen und ob Lieferabrufe die richtige Menge am richtigen Ort auslösen. Vier Felder sind im Produktionsumfeld besonders praxisrelevant.
Materialstammdaten und Beschaffung
Materialstammsätze enthalten Beschreibung, Maße, Einheit, Einkaufsgruppe, Planungsschlüssel und Bezugsquellen. Fehler hier führen zu Fehlbestellungen, falschen Mengeneinheiten oder Bestellungen bei nicht freigegebenen Lieferanten. Die Pflege der Eignungskriterien für alternative Bezugsquellen und die Führung der Approved Vendor List (AVL) setzen ebenfalls auf belastbaren Materialstammdaten auf.
Lieferantenstammdaten
Lieferantenstammsätze umfassen unternehmensweite Grunddaten, Einkaufsdaten wie Zahlungsbedingungen, typischerweise etwa 2/10 Net, sowie Kommunikations- und Zertifizierungsdaten. Aktuelle Zertifikate, Kontaktdaten und Qualifikationen sind auch Grundlage für die Auswertung im Rahmen des Fragenkatalogs Ausschreibung oder von Bieterfragen. Veraltete Lieferantendaten gefährden compliance- und auditrelevante Nachweise.
Preis-, Konditions- und Bezugsdaten
Konditionssätze steuern, welcher Preis zu welchem Gültigkeitszeitraum und welcher Lieferantenbeziehung greift. Ohne klare Governance entstehen Mehrfachkonditionen mit Widersprüchen, die im schlimmsten Fall zu überhöhten Zahlbeträgen führen. Regelmäßige Konditionsaudits und definierte Freigaben für Preisänderungen sind daher Standardbestandteil einer guten Governance.
Schnittstellen und Automatisierung
Für die elektronische Bestellübertragung per EDI, für Kataloglösungen im E-Procurement und für automatische Rechnungsvergleiche müssen Stammdaten in einheitlichen Formaten und Mengeneinheiten vorliegen. Inkonsistente Einheiten oder Bezeichnungen führen zu Abstimmungsaufwand und Bestellstorno-Fällen. Je höher der Automatisierungsgrad, desto kritischer die Datenqualität.
Wichtige KPIs: Datenqualität messbar machen
Master Data Governance lässt sich nur steuern, wenn Datenqualität regelmäßig gemessen wird. Typische Kennzahlen erfassen Vollständigkeit, Konsistenz, Aktualität und Eindeutigkeit der Bestände. In der Praxis haben sich Monats- oder Quartalsreportings etabliert, die die Werte je Datenobjekt und Verantwortungsbereich ausweisen.
Qualitäts- und Prozesskennzahlen
Zentrale Messgrößen sind der Anteil vollständiger Datensätze, die Dublettenrate, der Anteil Materialien mit gültiger Bezugsquelle und die Anzahl offener Änderungsanträge. Ergänzend lassen sich Prozessgrößen wie die Durchlaufzeit einer Materialneuanlage oder der Anteil automatisch generierter Bestellungen heranziehen, der direkt von der Datenqualität abhängt.
Wirkungskennzahlen im Einkauf
Über die reine Datenqualität hinaus zeigt sich Wirkung in Betriebskennzahlen: Eine höhere Fill Rate kann auf korrekte Lieferzeiten und Planungsdaten zurückgehen, sinkende Bearbeitungsraten im Rechnungswesen auf konsistente Konditionsdaten. Diese Zusammenhänge helfen, Investitionen in Datenqualität vor der Geschäftsführung zu rechtfertigen.
Risiken und Kontrollen: Typische Fallstricke vermeiden
Die häufigsten Fehlerquellen sind fehlende Zuständigkeiten, historisch gewachsene Freitextdaten und unkontrollierte Anlagen über mehrere Systemzugänge hinweg. Ohne Kontrollmechanismen verschlechtert sich Datenqualität nach jedem Bereinigungsprojekt zusehends wieder. Wirksame Governance kombiniert deshalb präventive Regeln mit nachlaufenden Audits.
Präventive Kontrollen
Wirksame Maßnahmen sind Pflichtfelder und Validierungsregeln bei der Erfassung, Dublettenprüfung vor der Neuanlage, workflowgesteuerte Freigaben und Zugriffsbeschränkungen auf kritische Felder wie Konditionen. Vier-Augen-Prinzipien bei sensiblen Änderungen sind in der Praxis üblich und unterstützten auch revisionssichere Abläufe.
Reaktive Kontrollen und Audits
Ergänzend sollten regelmäßige Datenqualitätsaudits, Stichprobenprüfungen und Auswertungen kritischer Änderungen erfolgen. Auffälligkeiten wie häufige Bestellstorno-Fälle, unnötige Festbestände oder fehlerhafte Importdokumente inklusive fehlerhafter HS Classification im Außenhandel deuten oft auf Stammdatenprobleme hin und sollten als Trigger für Datenbereinigung genutzt werden.
Organisatorische Risiken
Ein verbreitetes Risiko ist die Verlagerung der Pflege in dezentrale Silos, etwa wenn Fachabteilungen eigene Excel-Listen führen. Weitere Fallstricke sind unklare Data Ownership nach Reorganisationen, fehlende Schulungen bei Systemwechseln und die Vernachlässigung von Löschprozessen für nicht mehr benötigte Datensätze.
Aktuelle Entwicklungen: Stammdaten im Wandel
Mehrere Treiber erhöhen aktuell die Bedeutung strukturieter Stammdaten: die Zunahme automatisierter Beschaffungsprozesse, wachsende Nachhaltigkeits- und Compliance-Anforderungen sowie KI-gestützte Anwendungen, die nur mit sauberen Daten verlässliche Ergebnisse liefern. Zugleich verlagern sich Stammdaten zunehmend in vernetzte Systemlandschaften jenseits des klassischen ERP-Kerns.
Nachhaltigkeits- und Compliance-Daten
Stammdatenmodelle werden um Nachhaltigkeitsattribute erweitert, etwa CO2e-Werte je Material oder Transportstrecke, Zertifizierungen und Herkunftsnachweise. Diese Felder sind Voraussetzung für Produktbilanzen und Reportingpflichten. Da rechtliche Anforderungen an Nachhaltigkeits- und Produktinformationen weiterentwickelt werden, sollte die Einzelfallprüfung durch Fachabteilungen und gegebenenfalls Rechtsberatung erfolgen.
KI und automatisierte Pflege
Sprachmodelle und Klassifikationswerkzeuge unterstützen heute die automatische Anreicherung, Normalisierung und Dublettenerkennung von Materialtexten. Sie ersetzen keine Governance, sondern benötigen sie: Ohne klare Standards produzieren automatisierte Werkzeuge konsistent falsche Daten. Sinnvoll eingesetzt beschleunigen sie Anlage und Pflege deutlich und entlasten die Data Stewards.
Vernetzung über Unternehmensgrenzen
Zunehmend werden Stammdaten mit Lieferanten und Kunden geteilt, etwa über Lieferantenportale und Datenaustauschplattformen. Das stellt erhöhte Anforderungen an Formatstandards, Freigabeprozesse und Datenschutz. Zugleich ermöglichen geteilte Daten schnellere Onboarding-Prozesse und aktuellere Informationen zu Zertifikaten und Kapazitäten.
Typische Kennzahlen
| Kennzahl | Richtwert | Einordnung |
|---|---|---|
| Vollständigkeitsgrad Stammdaten | > 95 % | Anteil Datensätze ohne fehlende Pflichtfelder; in der Praxis ambitioniertes Ziel |
| Dublettenrate | < 2 % | Anteil doppelter Material- oder Lieferantensätze am Gesamtbestand |
| Materialien mit gültiger Bezugsquelle | > 98 % | Anteil aktiv beschaffbarer Materialien mit gepflegter Bezugsquelle |
| Durchlaufzeit Materialneuanlage | 2–5 Werktage | Typischer Richtwert inkl. Freigabeworkflow |
Typische Richtwerte aus der Praxis – je nach Branche, Teil und Vertrag abweichend.
Praxisbeispiel
Ein mittelständischer Maschinenbauer mit rund 400 Mitarbeitenden stellte bei einer ERP-Migration fest, dass rund ein Fünftel der Materialstammsätze Dubletten oder fehlerhafte Mengeneinheiten enthielt. Bestellungen liefen auf falsche Einheiten, EDI-Nachrichten wurden zurückgewiesen, und die Approved Vendor List (AVL) enthielt stillgelegte Lieferanten. Nach Bereinigung etablierte das Unternehmen eine dauerhafte Governance-Struktur.
- Einrichtung eines Data-Owner-Modells mit klarer Zuordnung je Warengruppe und Lieferantenstamm
- Einführung verbindlicher Namenskonventionen und Klassifizierungspflicht bei jeder Materialneuanlage
- Workflowgesteuerte Freigabe neuer Materialien und Lieferanten mit Dublettenprüfung und Pflichtfeldvalidierung
- Monatliches Datenqualitätsreporting mit Zielen wie Dublettenrate unter 2 Prozent und vollständigen Bezugsdaten über 98 Prozent
Fazit
Master Data Governance ist kein IT-Projekt, sondern eine dauerhafte organisatorische Aufgabe mit direkter Wirkung auf Einkaufskosten, Prozessautomatisierung und Compliance. Sie verlangt benannte Verantwortliche, verbindliche Standards und regelmäßige Kontrolle der Datenqualität. Unternehmen, die dies konsequent umsetzen, reduzieren Bearbeitungsaufwand, vermeiden teure Fehlbestellungen und schaffen die Datenbasis für Automatisierung und Nachhaltigkeitsreporting. Für technische Einkäufer lohnt sich der Einstieg häufig über die kritischsten Objekte: Materialstammsätze von A-Teilen und Stammdaten der Kernlieferanten.
Häufige Fragen
Was bedeutet Master Data Governance?
Master Data Governance bezeichnet die Gesamtheit von Rollen, Regeln, Prozessen und Kontrollen, mit denen ein Unternehmen die Qualität und Konsistenz seiner Stammdaten sicherstellt. Im Einkauf betrifft dies insbesondere Material-, Lieferanten- und Konditionsdaten. Ziel ist, dass alle Systeme und Prozesse auf denselben, verlässlichen Basisdaten arbeiten.
Warum ist Stammdatenqualität im Einkauf so wichtig?
Fehlerhafte Stammdaten führen zu falschen Bestellungen, unnötigem Bestellstorno, dublettenbedingten Mehrfachdispositionen und gestörten EDI-Prozessen. Sie verfälschen zudem Auswertungen und Vergabeentscheidungen. In der Praxis werden die Folgekosten fehlerhafter Daten häufig deutlich unterschätzt, da sie verteilt über viele Abteilungen anfallen.
Welche Rollen gehören zu Master Data Governance?
Typisch sind drei Rollen: Der Data Owner trägt die fachliche Verantwortung für einen Datenbereich, etwa eine Warengruppe. Der Data Steward koordiniert Standards und klärt Konflikte fachübergreifend. Die Datenerfasser oder Pflege-Stellen führen die operative Anlage und Änderung nach den festgelegten Regeln aus.
Wie startet man ein Master-Data-Governance-Projekt?
Bewährt ist ein schrittweises Vorgehen: Zunächst die Bestandsdaten auf Vollständigkeit und Dubletten analysieren, dann Rollen und Standards definieren und die kritischsten Datenobjekte bereinigen. Anschließend werden Pflegeprozesse und Kontrollen verankert. Ein Pilotbereich, etwa die Stammdaten von A-Lieferanten, liefert früh sichtbare Erfolge.
Welche KPIs messen Master Data Governance?
Gängige Kennzahlen sind Vollständigkeitsgrad, Dublettenrate, Anteil gültiger Bezugsquellen und Durchlaufzeit von Änderungsanträgen. Ergänzend eignen sich Prozessgrößen wie der Automatisierungsgrad der Bestellung oder die Rechnungsabweichungsrate. Wichtig ist, die Werte regelmäßig zu messen und klar zuzuordnenden Verantwortlichen gegenüberzustellen.
Welche Systeme unterstützen Master Data Governance?
Häufig kommen dedizierte Master-Data-Management-Systeme zum Einsatz, die als zentrale Drehscheibe zwischen ERP, E-Procurement und Fachsystemen dienen. Auch ohne Spezialsoftware lässt sich Governance mit ERP-Bordmitteln, Workflows und Auswertungen umsetzen. Entscheidend sind die Regelungen und Zuständigkeiten, nicht das Werkzeug.
