Um das volle Potenzial von Daten zu nutzen und eine Grundlage für die Datendemokratisierung zu schaffen, überdenken Vorreiter für datengestützten Entscheidungskultur und Geschäftsmodelle derzeit ihre Strategien und Data-Governance-Ansätze. Eines der am häufigsten diskutierten Konzepte ist das Data-Mesh-Paradigma, wie es von Zhamak Dehghani im Jahr 2019 vorgestellt wurde.

In einer Keynote vom September 2020 (hier auf Youtube) beschreibt Zhamak Dehghani den Data-Mesh-Ansatz als einen “Paradigmenwechsel in der Architektur des analytischen Datenmanagements”. Es wurde aus der Beobachtung heraus entwickelt, dass viele führende Unternehmen im Bereich des Big-Data-Managements nicht die Vorteile sehen, die sie sich erhofft hatten – trotz ihrer unbestrittenen Kompetenz (und des bereitgestellten Budgets).

Das Data-Mesh-Paradigma versucht (vereinfacht gesagt), Trends im Datenmanagement mit Erkenntnissen und Ideen aus bereichsorientierten Architekturen für verteilte Umgebungen zusammenzubringen.

Zhamak Dehghani beschreibt die Bausteine wie folgt:

“Data mesh as a platform; distributed data products oriented around domains and owned by independent cross-functional teams who have embedded data engineers and data product owners, using common data infrastructure as a platform to host, prep and serve their data assets.”

Zitiert aus dem Artikel von Zhamak Dehghani, der für weitere Details lesenswert ist. Übersetzung etwa: Data Mesh als Plattform; verteilte Datenprodukte, die sich an Domänen orientieren und deren Owner unabhängige cross-funktionale Teams sind, in denen es eingebettete Data Engieer und Product Owner für Data gibt und die eine gemeinsame Dateninfrastruktur als Plattform für Hosting, Aufbereitung und Bereitstellung der Datenbestände nutzen.

Data Mesh verbindet Digitalisierungsinitiativen

In unseren aktuellen Projekten machten wir unsere Kunden mit dem neuen Paradigma vertraut, angefangen bei der Strategie, über die Konzeption und schließlich bis zur Implementierung. Data Mesh kann als Verbindungselement zu mehr Datendemokratisierung und Skalierung genutzt werden. Im Fokus standen unter anderem klassische Unternehmen, deren Geschäftsmodell noch nicht digitalisiert gedacht war.

Diese Unternehmen müssen sich sehr spezifischen Herausforderungen stellen:

  • monolithische Systeme, die teilweise über Jahrzehnte gewachsen sind,
  • heterogene operative und Analytics-Umgebungen mit vielen möglichen Routen des Datentransfers,
  • siloartige Organisationsstrukturen,
  • zentrale Kompetenzzentren,
  • lange Umsetzungszeit, um aus Daten Erkenntnisse abzuleiten,
  • und weitere.

Die Unternehmen klagen über ähnliche Probleme: Datenmanagement und Data Analytics sind zu komplex, die damit verbundenen Abläufe zu langwierig, und insgesamt war das Thema noch nicht wertschöpfend. Dies führte zu weiteren Silo-Lösungen, welche von erfolgsorientierten Abteilungen getrieben wurden, die schnellstmöglich auf ihre Daten zugreifen wollten. Infolgedessen fordern die Geschäftsbereiche eine weitergehende Datendemokratisierung, oder sie implementieren schlimmstenfalls auch hier eigene Lösungen, was den Trend zur Silobildung noch verstärkt. Diese Bewegung steht im Gegensatz zu den (nicht nur aus unserer Sicht sinnvollen) Single-Point-of-Truth-Bemühungen der Data Warehouse-Initiativen in den letzten Jahrzehnten.

Ein weiterer Trend war die Forderung nach einer stärkeren Demokratisierung der Daten. Dies wird häufig mit Self-Service-BI und explorativen Analyselösungen beantwortet. In diesem Bereich besteht in Unternehmen nach wie vor Unsicherheit, was der richtige (weil effektive) Balancepunkt zwischen Steuerung (Zentralisierung) und Freiheitsgraden (dezentralen Bemühungen) ist.

Die Sichtweise „Datenprodukt“ einnehmen

In dieser Situation lohnt sich ein Blick in die Grundsätze des Data-Mesh-Ansatzes: Daten werden als Produkt verstanden und von den Domänen autonom erstellt und verwaltet. Eine föderierte Verwaltung sollte die zentralen Richtlinien flexibler gestalten und die Infrastruktur für die Domänen im Self-Service-Modus zugänglich machen. Das Konzept verspricht einige Vorteile:

  • höhere Produktivität, da die Verantwortung auf die Domänen übertragen wird;
  • durch die damit verbundene Unabhängigkeit können mehr Datenprodukte erstellt und zwischen den Domänen ausgetauscht werden;
  • bestehende Engpässe in zentralen Funktionen fallen nicht mehr ins Gewicht.

Im übertragenen Sinne kann das Unternehmen wieder aufatmen und skalieren.

Unternehmensspezifisch zum Data Mesh-Ansatz

Unternehmen mit organisatorischen Silos raten wir zu einer unternehmensspezifischen Anpassung der generischen Data Mesh-Prinzipien. Dabei arbeiten wir mit und nicht gegen die spezifische Unternehmenssituation und mit Blick auf eine gewünschte Vision.

In der Regel ist der konsequente Umstieg zum Data-Mesh-Ansatz Teil einer größeren Transformation, der schließlich zu einer datengestützten Entscheidungskultur in der Organisation führt. Es braucht eine ganzheitliche Herangehensweise für die Einführung des Data-Mesh-Ansatzes, die bewährte Methoden des Geschäftsprozess- und Datenmanagements anwendet und die ursprünglich definierten Bausteine einbezieht.

Auf sehr konkrete und praktische Weise verzahnt unser Ansatz die individuell entworfenen Prinzipien. Die Maßnahmen führen über die erforderlicher Fähigkeiten, anzupassende Prozesse, zu ergänzende Architekturkomponenten bis hin zu technischen Bebauungsplänen, die die verschiedenen Fachbereiche für ihre analytischen Datenprodukte konfigurieren und nutzen

CAMELOT bietet eine ganzheitliche Unterstützung durch die Anwendung bewährter Methoden des Geschäftsprozess- und Datenmanagements, des Produkt Thinking, der Unternehmensarchitektur und des kulturellen Bewusstseins für organisatorische und technologische Veränderungen.

 

 

DataDrivenLeaders

Die Community für Data Driven Leaders

Die Community für Data Driven Leaders vernetzt Branchenexperten und hält Sie mit exklusiven Einblicken auf dem Laufenden.

Werden Sie Teil der Data Driven Leaders

Empfohlene Artikel

Data & Analytics

Analytics als Enabler für agilen und datenzentrierten Einkauf

Analytics unterstützt Procurement-Verantwortliche mit klaren Erkenntnissen zu rechtzeitiger Nachfrageerkennung, besseren Beschaffungsmodellen und Risikovermeidung. Allerdings konnten bisher nur wenige Abteilungen das …

weiterlesen
Data & Analytics

Lückenlose DSGVO-Compliance

Die neue Datenschutz-Grundverordnung der EU (DSGVO) hat weltweit Compliance-Auswirkungen auf alle Unternehmen, die personenbezogene Daten von Personen mit Wohnsitz in der …

weiterlesen
Future Value Chain

Automobilindustrie: Kreislaufwirtschaft am Beispiel Batteriemanagement

Kreislaufwirtschaft konkret: Potenzielle Geschäftsmodelle für Akteure im Automobilsektor am Beispiel von Antriebsbatterien für Autos.

weiterlesen

Denken Sie Ihre Value Chain neu mit uns

Kontaktieren Sie uns