Leitfaden zum Stammdatenmanagement / Master Data Management (MDM)

Wie aus Datenchaos eine verlässliche Datenbasis wird

Ein Kunde bestellt im Onlineshop ein Produkt – doch im Lager taucht ein anderer Artikelname auf, der Vertrieb rechnet mit einem dritten Preis, und im CRM steht eine veraltete Adresse. Genau hier beginnt das Problem, das viele Unternehmen täglich Geld, Nerven und Vertrauen kostet: unsaubere, verstreute Stammdaten.

Genau hier setzt Master Data Management (MDM) an. MDM ist weit mehr als eine IT-Disziplin – es ist eine unternehmensweite Strategie, um Stammdaten zu harmonisieren, zu qualitätssichern und als verlässliche Grundlage für alle Geschäftsprozesse verfügbar zu machen. Ob Kundendaten, Lieferantendaten, Produktinformationen oder Finanzstammdaten: Wer MDM konsequent umsetzt, schafft die Basis für datengetriebene Entscheidungen, effiziente Abläufe und eine nachhaltige digitale Transformation.

Dieser Leitfaden gibt Ihnen einen fundierten Überblick: Was MDM wirklich bedeutet, warum Datenqualität dabei unverzichtbar ist, welche konkreten Vorteile es bringt und wie Sie ein MDM-Projekt Schritt für Schritt erfolgreich aufsetzen. Zusätzlich beleuchten wir typische Stolperstellen, den Zusammenhang mit Data Governance – und klären, wie sich MDM und PIM-Systeme wechselseitig ergänzen.

Was ist MDM? 

Master Data Management bezeichnet die Gesamtheit aller Prozesse, Technologien, Richtlinien und Governance-Strukturen, die sicherstellen, dass ein Unternehmen über eine einheitliche, konsistente und verlässliche Version seiner Stammdaten verfügt – oft als „Single Source of Truth“ (SSOT) bezeichnet.

Stammdaten sind die grundlegenden, relativ stabilen Geschäftsobjekte, auf die transaktionale Systeme immer wieder zurückgreifen. Typische Stammdaten-Domänen sind:

• Produktdaten 
• Kundendaten 
• Lieferantenstammdaten 
• Standort- oder Mitarbeiterdaten 
• Finanzielle Stammdaten

MDM-Architekturmodelle im Überblick

• Consolidation Hub: Alle Quellsysteme liefern Daten an einen zentralen Hub, der eine „Master-Version“ konsolidiert, ohne die Quellsysteme zu verändern.
• Registry: Kein physisches Zusammenführen der Daten – stattdessen werden Querverweise zwischen Systemen gepflegt. Geeignet für datenschutzkritische Umgebungen.
• Coexistence: Der MDM-Hub pflegt die Masterdaten und gibt sie aktiv zurück an alle Quellsysteme. Bidirektonaler Datenfluss.
• Centralized (Golden Record): Sämtliche Daten werden ausschliesslich im MDM-Hub gepflegt. Höchste Konsistenz, aber hohe Migrationskomplexität.

Warum ist die Datenqualität für MDM so wichtig? 

Hier kommt der Haken: Selbst das beste MDM-System nützt wenig, wenn die Daten, die einfliessen, schlecht sind. Doppelte Kundeneinträge, widersprüchliche Produktangaben oder veraltete Lieferantenkontakte schleichen sich überraschend schnell ein – und sie wirken sich sofort aus: auf Analysen, die plötzlich falsche Schlüsse liefern, auf die Kommunikation mit Kunden, die inkonsistent wirkt, und auf Mitarbeitende, die Stunden mit manueller Nachbearbeitung verbringen, statt produktiv zu arbeiten.

Ein erfolgreiches Stammdatenmanagement beginnt daher immer mit einem Data Quality Assessment – einer ehrlichen Bestandsaufnahme, wie es um die eigenen Daten wirklich steht.

Die sechs Dimensionen der Datenqualität:

• Vollständigkeit: Sind alle relevanten Felder befüllt? Fehlen Pflichtattribute wie EAN-Codes oder Steuerkennzeichen, scheitern Folgeprozesse.
• Korrektheit: Stimmen die Daten mit der Realität überein? Falsche Bankverbindungen, veraltete Adressen oder fehlerhafte Preise verursachen direkte Schäden.
• Konsistenz: Sind identische Objekte in verschiedenen Systemen gleich beschrieben? Wenn Artikel „Schraube M6“ im ERP und „Schraube_M6“ im PIM heisst, entstehen Integrationsprobleme.
• Aktualität: Werden Änderungen zeitnah eingepflegt? Veraltete Lieferantendaten oder abgelaufene Zertifizierungen sind ein klassisches Compliance-Risiko.
• Eindeutigkeit: Gibt es für jedes Stammdatenobjekt genau einen Master-Datensatz? Dubletten sind das häufigste und kostspieligste Qualitätsproblem.
• Konformität: Entsprechen die Daten definierten Standards und Formaten (z. B. ISO-Zeichenkodierung, Einheitensysteme, Klassifizierungsstandards wie GS1 oder ETIM)?

Diese Vorteile bringt MDM in der Praxis

Der Aufwand lohnt sich: Unternehmen mit funktionierendem MDM sprechen über alle Kanäle hinweg mit einer Stimme, automatisieren wiederkehrende Pflegeaufgaben und reduzieren Fehlerquellen, die sonst erst beim Kunden auffallen. Datenanalysen werden verlässlicher, weil sie nicht mehr auf einem Flickenteppich verschiedener Datenstände basieren. Und wer wachsen möchte – sei es über neue Vertriebskanäle, Marktplätze oder automatisierten Digital Commerce – braucht genau diese stabile Basis, um nicht bei jedem neuen Kanal wieder von vorne anzufangen.

Desweiteren ist es das Fundament für KI und Analytics. Maschinelles Lernen und KI-Modelle sind auf hochwertige, konsistente Trainingsdaten angewiesen. MDM ist damit auch eine Investition in die KI-Fähigkeiten von morgen.

Am Ende profitieren auch die Kunden direkt: konsistente Informationen, egal ob sie im Onlineshop, im Katalog oder im persönlichen Gespräch mit dem Vertrieb landen.

In 5 Schritten zum erfolgreichen MDM

MDM-Projekte gehören zu den anspruchsvollsten Unternehmensvorhaben. Die technischen Hürden sind oft kleiner als die organisatorischen – aber mit der richtigen Reihenfolge wird es deutlich leichter:

Schritt 1: Bestandsaufnahme und Scope-Definition - Bevor Technologie ins Spiel kommt, brauchen Sie Klarheit über Ihren Ist-Zustand: Welche Stammdaten-Domänen existieren? Wo liegen die Qualitätsprobleme? Welche Systeme sind betroffen? Starten Sie mit einem Data-Quality-Assessment und priorisieren Sie diejenigen Domänen, die den höchsten Geschäftswert haben.

Schritt 2: Data Governance aufsetzen - MDM ohne Governance ist Technologie ohne Steuerung. Definieren Sie, wer für welche Daten verantwortlich ist, wer sie ändern darf und wie Konflikte gelöst werden. Typische Rollen: Data Owner (fachlich verantwortlich), Data Steward (operativ pflegend), MDM-Governance-Board (strategisch entscheidend).

Schritt 3: Datenmodell und Standards definieren - Das Datenmodell legt fest, welche Attribute für jede Stammdaten-Domäne gepflegt werden, welche davon Pflichtfelder sind und welche Wertebereiche (Enumerationen) gelten. Hier sollten Sie auch Klassifizierungsstandards (GS1, ETIM, BMEcat etc.) und externe Referenzdaten (Ländercodes, Währungen, Einheiten) verankern.

Schritt 4: Das passende Tool wählen – Bewerten Sie MDM-Plattformen (z. B. Stibo STEP, Informatica MDM, SAP MDG, Akeneo) anhand Ihrer spezifischen Anforderungen: Domänen-Abdeckung, Integrationsfähigkeiten, Workflow-Engine, Skalierbarkeit und Gesamtbetriebskosten. Cloud-native Lösungen bieten häufig schnellere Time-to-Value.

Schritt 5: Kontinuierliche Verbesserung: Nach dem Go-live beginnt die eigentliche Arbeit: MDM muss im Tagesgeschäft verankert werden. Etablieren Sie Datenqualitäts-KPIs (Duplikatsrate, Vollständigkeitsquote, Änderungsfrequenz), monitoren Sie regelmässig und führen Sie quartalsweise Data-Quality-Reviews durch. MDM ist ein dauerhafter Verbesserungsprozess, kein Einmalprojekt.

Unser Tipp: Bei der Tool-Auswahl zählt nicht nur die Funktionsliste. Prüfen Sie, wie gut sich ein System in Ihre bestehende Landschaft integrieren lässt und ob es zu Ihrem Datenmodell passt – das gilt besonders für E-Commerce und Database Publishing, wo Daten oft in mehreren Formaten gleichzeitig gebraucht werden.

Wo MDM-Projekte typischerweise scheitern

Eine Beobachtung aus der Praxis, die viele überrascht: Es ist fast nie die Technik, an der MDM-Projekte scheitern. Es sind die Menschen und die Organisation dahinter. Typische Stolpersteine sehen wir immer wieder:

• Daten liegen in Silos verteilt über verschiedene Systeme, ohne dass jemand den Überblick hat
• Verantwortlichkeiten sind unklar oder schlicht nicht definiert
• Abteilungen wehren sich gegen eine zentrale Datenhoheit, weil sie damit Kontrolle abgeben müssten
• Komplexe, historisch gewachsene Systemlandschaften erschweren die Integration
• Der Aufwand für die Datenbereinigung wird regelmässig unterschätzt – und sprengt dann Zeitplan und Budget

MDM und Data Governance: zwei Seiten der gleichen Medaille

Die beiden Begriffe werden oft synonym verwendet, dabei ergänzen sie sich eher wie Regelwerk und Umsetzung. Data Governance legt den strategischen Rahmen fest: Wer trägt die Verantwortung für welche Daten, welche Prozesse gelten für die Datenpflege, welche Qualitätsstandards müssen erfüllt sein, wer hat Leserechte, wie lange werden Daten aufbewahrt etc.

MDM ist die operative Seite davon – es setzt genau diese Regeln technisch und organisatorisch um. Ohne Governance fehlt MDM die Richtung; ohne MDM bleibt Governance graue Theorie ohne praktische Wirkung.

Praxisempfehlung: Richten Sie ein Data Governance Board ein, das funktionsübergreifend besetzt ist (IT, Fachbereich, Compliance, ggf. Datenschutzbeauftragter) und regelmässig tagt. Dieses Board sollte nicht operative Detailfragen klären, sondern strategische Richtlinien setzen und bei Domänenkonflikten entscheiden.

MDM vs. PIM: Konkurrenz oder Teamplayer?

Eine Frage, die uns regelmässig erreicht: Brauche ich MDM, oder reicht nicht einfach ein PIM-System? Die ehrliche Antwort: Beide haben unterschiedliche Aufgaben, die sich gut ergänzen.

In einer gut konzipierten Datenarchitektur erfüllen MDM und PIM ergänzende Rollen: Das MDM-System liefert die „Golden Records“ der Basisproduktdaten (Artikel-ID, GTIN, Klassifikation, technische Kernattribute). Das PIM-System reichert diese Stammdaten mit marketingorientierten Informationen an: Beschreibungen, Bilder, Videos, Übersetzungen, kanalspezifische Varianten.

Die Synergie entsteht, wenn beide Systeme über saubere Schnittstellen (APIs, Event-Streaming) miteinander kommunizieren und klare Domänengrenzen respektieren. Für Unternehmen mit komplexem Produktportfolio und Multi-Channel-Vertrieb ist diese Kombination oft der leistungsfähigste Ansatz.

Wann reicht PIM allein?

Für Unternehmen, die primär Produktdaten für den Handel und E-Commerce managen, kann ein leistungsfähiges PIM-System zunächst ausreichend sein. Sobald jedoch Kunden- oder Lieferantenstammdaten ins Spiel kommen, cross-funktionale Datenintegration gefordert ist oder Compliance-Themen zunehmen, lohnt sich der ergänzende MDM-Aufbau.