Data Governance und Analytics für Finance

2018 stellte das Finance-Team von Unilever fest, dass die globalen Einheiten „Gross Margin“ auf mindestens elf materiell unterschiedliche Weisen erfassten. Manche Einheiten rechneten Promotionsausgaben heraus, andere versteckten sie im Marketing. Manche ordneten Frachtkosten den COGS zu, andere der Distribution. Jede Definition war lokal begründbar. Zusammen machten sie die konsolidierte Zahl zur Fiktion, zu einem gewichteten Durchschnitt aus elf inkonsistenten Wahrheiten. Das Unternehmen hatte Millionen in Analytics-Plattformen und einen Data LakeData LakeEin Data Lake ist ein zentraler Speicher, der große Datenmengen im Rohformat ablegt, von strukturierten Tabellen bis zu unstrukturierten Dateien, bis sie gebraucht werden.Vollständige Definition ansehen → gesteckt. Nichts davon zählte, weil die Maschine brav einen Durchschnitt aus Rauschen berechnete.

Das ist die unangenehme Lektion, die jeder CFO irgendwann lernt: Ihre KI-Ambitionen werden nicht daran scheitern, dass Ihre Modelle schwach sind. Sie werden daran scheitern, dass Ihre Data Governance schwach ist. Ein Forecasting-Modell, das auf inkonsistenten Umsatzdefinitionen trainiert wurde, liefert keinen leicht daneben liegenden Forecast, sondern einen selbstbewusst falschen, in großem MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab, mit dem Anstrich quantitativer Autorität. Der Müll ist jetzt automatisiert, schneller und schwerer zu hinterfragen, weil „der Algorithmus das gesagt hat“.

Bevor Sie die nächste Analytics-Investition freigeben, müssen Sie verstehen, was tatsächlich darüber entscheidet, ob sie Wert schafft. Dieser Faktor ist nicht das Modell. Es ist das Fundament darunter.

Das Governance-First-Prinzip: warum Modelle alles verstärken, was Sie ihnen geben

Machine Learning hat eine Eigenschaft, die klassisches Reporting nicht hat: **es *industrialisiert* Ihre Datenqualität, im Guten wie im Schlechten**. Eine menschliche Analystin, die ein Board-Deck vorbereitet, merkt, dass der Umsatz eines Kunden unmöglich aussieht, und geht der Sache leise nach. Ein Modell nimmt die Anomalie auf, gewichtet sie und trägt sie in eine Prognose weiter, die Bestandsplanung, Kreditentscheidungen und Covenant-Forecasts berührt. Der Mensch setzt Urteilsvermögen als Qualitätsfilter ein. Das Modell entfernt diesen Filter im Namen der Geschwindigkeit.

Damit kehrt sich die übliche Reihenfolge eines Analytics-Programms um. Der Instinkt, verstärkt durch jede Anbieterdemo, ist es, mit der spannenden Schicht zu beginnen: dem Dashboard, dem Predictive Model, dem Generative-AI-Copilot, der Fragen in natürlicher Sprache zu Ihrer P&L beantwortet. Aber die Werthierarchie läuft andersherum. Denken Sie an einen Stack:

• Layer 1, Definitionen: Was *bedeutet* jede Metrik präzise, und zwar überall?
• Layer 2, Ownership: Wer ist für die Genauigkeit jeder Datendomäne verantwortlich?
• Layer 3, Qualität: Sind die Daten vollständig, aktuell, konsistent und über Lineage nachvollziehbar?
• Layer 4, Analytics & AI: Modelle, Forecasts, Anomalieerkennung, Narrative-Generierung.

Jeder Euro Wert, den die oberste Schicht erzeugt, wird durch die Integrität der drei darunter *multipliziert*. Wenn Ihre Definitionsschicht zu 60 % konsistent und Ihre Qualitätsschicht zu 70 % verlässlich ist, holt kein Modell, wie ausgefeilt auch immer, die verlorenen 58 % zurück. Sie multiplizieren BrBrDer Anteil der Besucher, die nach nur einer angesehenen Seite wieder abspringen, häufig ein Signal für mangelnde Relevanz, verfehlte Suchintention oder schwache User Experience.Vollständige Definition ansehen →üche.

Der Fehler des CFO ist, Governance als IT-Hygieneprojekt zu behandeln, das man delegiert. Ist es nicht. Datendefinitionen sind finanzpolitische Entscheidungen. Wenn Sie festlegen, ob Contra-Revenue gegen den Umsatz gerechnet oder separat berichtet wird, treffen Sie eine Beurteilung, die jede nachgelagerte Metrik, jeden Incentive und jeden Forecast prägt. Das ist eine CFO-Entscheidung, keine Entscheidung des Data Engineers.

Das Fundament bauen: Ownership, Definitionen und Qualität

Ownership: den verantwortlichen Menschen benennen

Das mit Abstand häufigste Governance-Versagen ist diffuse Verantwortung. Alle arbeiten mit Customer-Master-Data, niemand besitzt sie. Wenn also die „Anzahl aktiver Kunden“ zwischen CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen → und Billing-System nicht übereinstimmt, bestehen drei Abteilungen jeweils darauf, dass die andere falsch liegt, und das Analytics-Team wählt still eine Zahl und macht weiter.

Die Lösung ist ein Data-Ownership-Modell mit zwei klar getrennten Rollen:

• Data Owner sind Senior Executives, die für die *Fitness for Purpose* einer Domäne verantwortlich sind. Owner der „Revenue Data“ kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte der VPVPEine klare Aussage darüber, welchen Nutzen Ihr Produkt liefert, welche Probleme es löst und warum Kunden sich für Sie und nicht für Alternativen entscheiden sollten.Vollständige Definition ansehen → Revenue Operations sein, der an Finance berichtet. Sie managen nicht die Technik, sie besitzen die Antwort auf „Stimmt das, und können wir den Forecast darauf setzen?“
• Data Stewards sind die operativen Hände, Analysten, die Qualität überwachen, Ausnahmen klären und den Standard im Tagesgeschäft durchsetzen.

Die Aufgabe des CFO ist, darauf zu bestehen, dass **jede kritische Finanzdatendomäne, Revenue, Kosten, Kunde, Lieferant, Produkt, Entity-Hierarchie, einen *namentlich benannten* Owner hat, kein Komitee**. Ownership löst sich im Moment des Teilens auf. Als Procter & Gamble seine analytikgetriebenen „Business Sphere“-Entscheidungsräume aufbaute, war die zugrunde liegende Disziplin nicht die Videowand-Inszenierung, über die in der Presse berichtet wurde, sondern die rigorose Zuordnung von Einzelverantwortung für jedes Master-Data-Element, das diese Screens fütterte.

Praktischer Schritt für Montagmorgen: Bauen Sie eine einseitige RACI für Ihre zehn wichtigsten Finanzdatendomänen. Wenn in irgendeiner Zelle „alle“ oder „das Data-Team“ steht, haben Sie eine Bruchlinie gefunden.

Definitionen: der Semantic LayerSemantic LayerEine gemeinsame Ebene für Geschäftsdefinitionen zwischen Rohdaten und Berichten, damit alle Umsatz, Churn oder Marge gleich berechnen.Vollständige Definition ansehen → als Finanzpolitik

Das Gross-Margin-Problem bei Unilever ist ein *semantisches* Versagen, dasselbe Wort trägt unternehmensweit unterschiedliche Bedeutungen. Das Gegenmittel ist ein Business Glossary (manchmal Semantic Layer oder Metrics Catalog genannt): ein einziges autoritatives, versioniertes Repository, das jede Metrik in unmissverständlichen, berechenbaren Begriffen definiert.

Eine saubere Definition lautet nicht „Gross MarginGross MarginDie Gross Margin ist der Anteil des Umsatzes, der nach Abzug der direkten Kosten für die Herstellung von Waren oder Dienstleistungen übrig bleibt, ausgedrückt als Prozentsatz des Umsatzes.Vollständige Definition ansehen → = Umsatz minus Cost of Goods Sold“. Das ist eine Lehrbuchumformulierung. Eine governte Definition legt fest:

• Die exakten Quellfelder und Systeme
• Einschluss- und Ausschlussregeln (Zählt Frachteingang? Werden Retouren verrechnet? Ab wann wird Umsatz „realisiert“?)
• Die Entity- und Zeitgranularität
• Den Owner und das Datum der letzten Freigabe

Die Disziplin dahinter: Eine Metrik existiert nicht, bis sie definiert und einem Owner zugeordnet ist. Wenn jemand ein Dashboard mit einer undefinierten Metrik baut, ist dieses Dashboard nicht autorisiert. Das klingt bürokratisch, bis Sie in einem Board-Meeting gesessen haben, in dem zwei Executives zwanzig Minuten diskutierten, weil „Churn“ für den einen Logo-Churn und für den anderen Revenue-Churn bedeutete.

Moderne Tools machen das durchsetzbar. Ein zentralisierter Metrics Layer bedeutet: Wenn der CEO den AI-Copilot fragt „Wie hoch war der Q3-Nettoumsatz in EMEA“, **berechnet das System ihn aus der *einen* governten Definition, nicht aus irgendeinem Join, den ein Analyst um 23 Uhr zusammengesteckt hat**. Das ist der Unterschied zwischen KI, die Streit reduziert, und KI, die ihn schneller erzeugt.

Qualität: die vier Dimensionen und die Kosten des Irrtums

Sobald Ownership und Definitionen existieren, wird Qualität messbar statt anekdotisch. Halten Sie Ihre kritischen Daten an vier Dimensionen:

1. Vollständigkeit, Sind Pflichtfelder gefüllt? (Ein Kundendatensatz ohne Branchencode verzerrt Segment-Analytics unbemerkt.)
2. Konsistenz, Stimmt derselbe Sachverhalt über Systeme hinweg? (Auftragszahl im ERP vs. im Data Warehouse.)
3. Aktualität, Sind die Daten aktuell genug für die Entscheidung, die sie füttern? (Ein täglich aktualisiertes Dashboard für Intraday-Treasury-Entscheidungen ist nicht fit for purpose.)
4. Lineage, Können Sie jede Zahl Transformation für Transformation zur Quelle zurückverfolgen?

Lineage verdient besondere CFO-Aufmerksamkeit wegen Ihrer Unterschrift. Wenn Sie Finanzabschlüsse zertifizieren, bestätigen Sie persönlich Zahlen, die zunehmend von automatisierten Pipelines erzeugt werden, die Sie nicht sehen können. Wenn Sie eine berichtete Größe nicht vom Board-Deck durch jede Transformation bis zur Quelltransaktion zurückverfolgen können, unterschreiben Sie auf Vertrauen. Auditierbare Lineage ist keine technische Feinheit, sie ist eine Kontrollanforderung, und genau dorthin bewegen sich Regulatoren und Prüfer beim KI-berührten Reporting schnell.

Die praktische Disziplin ist, Quality Scorecards je Datendomäne aufzubauen und Fehlern einen *Preis* zu geben. Sagen Sie der Organisation nicht „Datenqualität ist wichtig“, alle nicken und nichts ändert sich. Sondern: „Im letzten Quartal haben doppelte Lieferantendatensätze 2,3 Mio. $ Doppelzahlungen verursacht und den Abschluss um vier Tage verzögert.“ Qualität wird zum P&L-Thema, und plötzlich bekommt sie Aufmerksamkeit auf Executive-Level.

Vom Fundament zum Wert: die Sequenzierung des Analytics-Programms

Steht das Fundament, stellt sich für den CFO die Sequenzierungsfrage: Wo setzen Sie Analytics und KI tatsächlich zuerst ein? Die Versuchung ist, dem eindrucksvollsten Use Case nachzujagen. Die Disziplin ist, **dem Use Case nachzugehen, wo Ihre Daten am *bereitesten* sind und die *Entscheidungsfrequenz* am höchsten ist**.

Nutzen Sie eine einfache Priorisierung über zwei Achsen:

• Data Readiness (Ist die zugrunde liegende Domäne gut governt, vollständig und definiert?)
• Decision Value (Wie häufig und wie materiell treibt diese Analyse Entscheidungen, die Geld bewegen?)

Der Quadrant mit hoher Readiness und hohem Wert ist Ihr Startpunkt. Für die meisten Finanzfunktionen sind das Cash Forecasting, Working-Capital-Optimierung oder Anomalieerkennung in Transaktionen, Domänen, in denen Daten strukturiert und großvolumig sind und an täglichen Entscheidungen hängen. Die verführerische Falle ist der Quadrant mit niedriger Readiness und hohem Wert: etwa strategische Umsatzprognose, die enormen Wert verspricht, aber auf den am schlechtesten governten Daten sitzt. Starten Sie dort, und Sie verbrennen achtzehn Monate und ein großes Budget für ein Modell, dem niemand traut.

Hier muss der CFO auch den Investment Case für KI neu rahmen. Das Board hört „wir investieren in KI“ und erwartet ein Modell. Die ehrliche Formulierung ist: „Wir investieren in das Datenfundament, das drei Modellgenerationen möglich macht.“ Die Governance-Schicht ist ein dauerhafter Vermögenswert, das konkrete Modell ein abschreibungsbedürftiger. Die viel zitierten KI-Fähigkeiten von JPMorgan beruhen weniger auf einem einzelnen Algorithmus als auf Jahren disziplinierter Dateninfrastruktur, der unglamourösen Schicht, in die Wettbewerber zu wenig investieren und sich dann wundern, warum ihre Piloten nie skalieren.

Der menschliche Kontrollpunkt

Selbst mit perfekten Daten braucht Analytics in Finance ein bewusstes Human-in-the-Loop-Design. Entscheiden Sie vorab, welche Entscheidungen das Modell *empfiehlt* und welche es *ausführt*. Ein Modell kann auffällige Buchungen automatisch zur Prüfung markieren (empfehlen). Es sollte sie nicht automatisch buchen (ausführen), ohne Materialitätsschwelle und menschliches Gate. Je höher Sie auf der Risikoleiter steigen, vom operativen Forecasting zu allem, was externes Reporting oder Kapitalallokation berührt, desto enger wird der menschliche Kontrollpunkt.

Die Governance-Frage hier lautet: Wer ist verantwortlich, wenn das Modell falsch liegt? Die Antwort kann nie „das Modell“ sein. Sie muss ein namentlich benannter Owner sein, der die Grenzen des Modells verstanden und den Einsatzumfang freigegeben hat. Damit schließt sich der Kreis zurück zu Layer 2. Ownership endet nicht bei den Daten, sie erstreckt sich auf die darauf gebaute Analytics.

Was das für Sie am Montag bedeutet

Data Governance ist nicht die langweilige Voraussetzung, die Sie delegieren, bevor die echte KI-Arbeit beginnt. Sie *ist* die echte Arbeit. Die Modelle werden schnell zur Commodity, Ihr Wettbewerber kann dieselbe Forecasting-Engine kaufen wie Sie. Was er nicht leicht kopieren kann, ist eine Finanzorganisation, in der jede kritische Metrik eine Definition, einen Owner und nachvollziehbare Lineage hat. Das ist der dauerhafte, sich aufbauende Vorteil, und er liegt klar im Mandat des CFO, weil jede dieser Definitionen eine finanzpolitische Entscheidung im technischen Kostüm ist.

Der CFO, der das versteht, fragt Anbieter nicht mehr „Was kann Ihr Modell?“, sondern fragt die eigene Organisation: „Sind unsere Daten überhaupt eines Modells würdig?“

Key Takeaways

1. Behandeln Sie Datendefinitionen als Finanzpolitik, nicht als IT-Konfiguration. Übernehmen Sie persönlich die Klärung Ihrer wichtigsten Metrik-Unklarheiten (Revenue, Margin, Churn, Kundenzahl). Ein Modell, das auf inkonsistenten Definitionen trainiert wurde, produziert selbstbewusste, skalierbare, automatisierte Fehler.

1. Benennen Sie für jede kritische Datendomäne einen einzigen verantwortlichen Owner. Bauen Sie diese Woche eine einseitige RACI, jede Domäne, die „allen“ oder „dem Data-Team“ gehört, ist eine Bruchlinie. Erweitern Sie Ownership auf die Analytics, die auf den Daten aufsetzt, kein Modell ist verantwortlich, nur Menschen sind es.

1. Machen Sie Datenqualität zum P&L-Thema. Messen Sie Vollständigkeit, Konsistenz, Aktualität und Lineage je Domäne und hängen Sie Fehlern einen Eurobetrag an. „Datenqualität ist wichtig“ ändert nichts, „2,3 Mio. $ Doppelzahlungen“ ändert Verhalten.

1. Sequenzieren Sie Analytics nach Data Readiness, nicht nach Eindruckskraft. Starten Sie im Quadranten mit hoher Readiness und hohem Wert (Cash Forecasting, Anomalieerkennung). Widerstehen Sie der Falle hoher Wert, niedrige Readiness, die Budget frisst und Misstrauen produziert.

1. Rahmen Sie den KI-Investment-Case dem Board als Fundament, nicht als Feature. Die Governance-Schicht ist ein dauerhafter, sich aufbauender Vermögenswert, der drei Modellgenerationen möglich macht, jedes einzelne Modell ist ein abschreibungsbedürftiges, und das Fundament ist der Teil, den Wettbewerber nicht kopieren können.