Warum gute Datenqualität die Grundlage für Self-Service, Analytics und KI ist

Links: https://data-changemaker.de/
https://www.linkedin.com/groups/18379010/ Data Governance klingt
für viele Unternehmen nach Bürokratie, Regeln und zusätzlicher
Arbeit. Genau deshalb wird das Thema häufig aufgeschoben – bis die
ersten echten Probleme auftreten: falsche Kennzahlen,
widersprüchliche Reports oder KI-Modelle, die auf fehlerhaften
Daten basieren. In dieser Folge von AI or DIE sprechen Andreas
Wiener und Janine mit Jürgen von OPITZ CONSULTING über ein Thema,
das in der Datenwelt oft unterschätzt wird, aber über Erfolg oder
Misserfolg vieler Analytics-Initiativen entscheidet: Data
Governance. Dabei wird schnell klar: Governance bedeutet nicht
Kontrolle um der Kontrolle willen. Es geht darum,
Verantwortlichkeiten zu klären, Datenflüsse transparent zu machen
und dafür zu sorgen, dass Fachbereiche sich auf ihre Daten
verlassen können. Denn ohne Vertrauen in die Daten kann weder
Self-Service-Analytics noch Data Culture wirklich funktionieren.
Gemeinsam diskutieren wir unter anderem: • Warum Data Governance
heute anders wahrgenommen wird als noch vor einigen Jahren • Welche
Rolle Data Culture dabei spielt • Warum Data Stewards keine
„Datenpolizei“ sein sollten • Wie Unternehmen Governance
pragmatisch aufbauen können • Warum Visualisierung von
Datenprozessen ein Schlüssel zum Erfolg ist • Wann externe
Perspektiven helfen, Governance-Programme sinnvoll aufzusetzen •
Und welche Rolle KI künftig bei der Verbesserung von Datenqualität
spielen kann Die zentrale Botschaft dieser Episode: Wer seine Daten
ernst nimmt, braucht klare Regeln – nicht als Selbstzweck, sondern
als Grundlage für bessere Entscheidungen. Oder einfacher gesagt:
Ohne Data Governance bleibt Data-Driven nur ein Buzzword.  ⸻
Timestamps 00:00 – Intro: Warum Data Governance oft unterschätzt
wird 00:56 – Vorstellung des Gastes Jürgen 01:00 – Hat sich Data
Governance in den letzten Jahren verändert? 02:26 – Zusammenhang
zwischen Data Culture und Data Governance 03:06 – Warum
Datenqualität bei der Dateneingabe beginnt 04:13 – Datenqualität
und KI: Wenn schlechte Daten automatisiert werden 04:33 – Wie
startet man ein Data-Governance-Projekt? 05:08 – Bewusstsein
schaffen und Stakeholder einbinden 06:28 – Gibt es einen
Standard-Leitfaden für Data Governance? 07:13 – Prozesse und
Datenflüsse sichtbar machen 08:40 – Rollenmodelle und der Begriff
Data Steward 09:48 – Data Steward: Diener der Datenqualität statt
Datenpolizei 11:13 – Akzeptanz von Governance-Rollen im Unternehmen
12:58 – Self-Service Analytics vs. Governance 14:15 – Gemeinsame
Ziele als Erfolgsfaktor 14:56 – Herausforderungen bei
Self-Service-Datenmodellen 16:10 – Kommunikation und Zusammenarbeit
im Datenprozess 17:01 – Externe Beratung bei
Data-Governance-Projekten 18:29 – Warum eine externe Perspektive
hilfreich sein kann 20:13 – Ganzheitliche Sicht auf Datenprozesse
20:57 – Visualisierung von Datenflüssen und Pain Points 22:04 –
Zusammenhang zwischen Data Governance und KI 23:05 – Können
KI-Agenten Datenqualität verbessern? 24:13 – Wie
Governance-Prozesse visualisiert werden 25:51 – Data Governance in
einem Satz erklärt 27:24 – Data Governance positiv framen 28:47 –
Learnings aus der Folge 29:41 – Schlussgedanke: Bei Data Governance
nicht weglaufen 29:56 – Outro