Kommentar von Alexander Czernay, Diconium Data Mesh – 4 Prinzipien für mehr Effizienz im Datenmanagement

Anbieter zum Thema

diconium GmbH

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Die Kluft wird immer größer: Während sich einige Unternehmen den Wert von Daten bereits zunutze machen, haben andere weiterhin mit dem technologischen und organisatorischen Wandel zu kämpfen. Die Folge: Mehr als die Hälfte von ihnen schöpft ihr Datenpotenzial laut einer aktuellen CXO-Umfrage von Statista und Diconium noch immer nicht zufriedenstellend aus.

Neben dem Fachkräftemangel (45 Prozent) sind es demnach vor allem technische Hürden (39 Prozent) und eine mangelnde Datenverfügbarkeit (36 Prozent), die ihre Datenprojekte ausbremsen. Gefragt ist eine neue Grundlage für das Datenmanagement, bei der die Datenverantwortung dezentral organisiert ist, um die Effizienz über alle Bereiche und Abteilungen hinweg zu verbessern. Und genau an dieser Stelle gewinnt der sogenannte Data-Mesh-Ansatz eine immer wichtigere Rolle.

Mit einem dezentralen Ansatz mehr aus Daten herausholen

Data Mesh ist die strategische Antwort auf zentrale Datenteams, die ab einem gewissen Punkt an ihre Grenzen stoßen und nicht selten für sinkende Innovationsraten, steigende Time-to-Markets und allgemeine Frustrationen hinsichtlich Datenqualität und -verfügbarkeit verantwortlich sind. Daten werden hier in den Mittelpunkt der Entscheidungsfindung gestellt und funktionsübergreifende Teams befähigt, Daten als Produkte zu nutzen und zu verwalten.

Die Begründerin Zhamak Dhegani fasst Data Mesh selbst sehr treffend zusammen: „Data Mesh ist nicht nur eine Architektur, es ist nicht nur eine Technologie, es ist nicht nur eine organisatorische Veränderung, es ist all das. Es ist ein Paradigmenwechsel in der Art und Weise, wie wir Big Data auf verschiedenen Ebenen verwalten.“ Für Unternehmen ist Data Mesh somit die ideale Lösung, um ihre Datenpotenziale ganzheitlich und im großen Umfang zu heben.

Wie gut das Konzept in der täglichen Praxis performen kann, zeigen zahlreiche Beispiele aus der Praxis: Viele erfolgreiche Unternehmen wie HelloFresh, Zalando, Adidas und Delivery Hero setzen längst auf Data Mesh als effizientes Fundament ihres Datenmanagements. Im Fokus ihres Erfolgs stehen dabei in erster Linie die vier Data-Mesh-Grundprinzipien „Domain Ownership“, „Data as a Product“, „Self-Serve Data Platform“ und „Federated Computational Governance“.

Prinzip 1: Domain Ownership für Dezentralisierung und Übertragung der Datenverantwortung

Das Prinzip Domain Ownership basiert vor allem auf den zwei Säulen Dezentralisierung und Eigentum. Der Domain-Begriff bezieht sich hier auf Domain-Driven Design, das die Verbindung zwischen Geschäftsrealität und Softwareentwicklung herstellt. Es fördert die Zusammenarbeit von Entwicklern und Geschäftsexperten, um Abhängigkeiten zu reduzieren und Autonomie zu ermöglichen. Ein gutes Beispiel liefert an dieser Stelle der Händler Blume 2000, der in vier Etappen der Customer Journey („Gewinnen“, „Entscheiden“, „Bezahlen“ und „Wiederkommen“) ein bereichsorientiertes Design implementiert hat. Data Mesh erweitert dieses Konzept, indem es Datenspezialisten in die Domain-Teams integriert.

Im Gegensatz zu zentralen Datenteams kennen sich diese Teams oft am besten mit ihren Daten aus. Sie wissen, wie die Daten erhoben und genutzt werden, können aussagekräftige Metriken und KPIs definieren sowie bei allen Veränderungen, die den Datenfluss beeinflussen oder verhindern könnten, aktiv entgegensteuern. Das führt zu mehr Agilität und Geschwindigkeit bei Entscheidungen und Implementierungen, da die Domain-Teams autonom an ihren Datenprodukten arbeiten können. Data Mesh fördert somit die dezentrale Struktur und vereint Geschäfts-, Technologie- und Datenwissen.

Prinzip 2: Data as a Product für die Übertragung des Produktdenkens auf Daten

Data as a Product ist eine Grundhaltung, bei der Daten wie eigenständige Produkte behandelt werden – mit eigenem Wertversprechen, oftmals eigener Einnahmequelle und eigenem Lifecycle Management. Dies fördert ein kundenorientiertes Denken über Daten und führt zu effizienterem Datenmanagement sowie einer verbesserten Zusammenarbeit zwischen Datenteams und Geschäftsbereichen. Data as a Product ist damit ein Schlüsselprinzip im Rahmen von Data Mesh und hat zwei Hauptaspekte: Daten werden wie echte Produkte behandelt und Nutzer von Daten werden als Kunden betrachtet. Dieser Ansatz adressiert typische Probleme bei Datenprojekten, wie zeitaufwendige Datenaufbereitung und mangelnde Datenqualität. Es fördert die Sicht auf Daten als zentrales Unternehmensgut und erfordert, dass Daten bestimmte Eigenschaften erfüllen, wie z. B. die Auffindbarkeit, Sicherheit, Qualität, Verfügbarkeit und Integrität.

Prinzip 3: Self-Service-Datenplattform für mehr Effizienz durch Standardisierung

Generell zielt Data Mesh darauf ab, dezentralen Domain-Teams die Autonomie in der Datenverarbeitung zu ermöglichen. Eine Self-Service-Datenplattform ist dafür unbedingt erforderlich und umfasst in der Regel Datenquellen, Integration, Verarbeitung, Speicherung, Analyse und Sicherheit. Diese zentrale Plattform muss Domain-agnostisch und auf Technologiegeneralisten in den Domains ausgerichtet sein. Ziel ist es, ihnen den selbstständigen Zugriff und die Analyse von Daten zu ermöglichen und diese Daten für andere zur Nutzung zur Verfügung zu stellen. Insgesamt verfolgt die Self-Service-Datenplattform einen klar nutzerzentrierten Ansatz, um dezentralen Teams mit Grundkenntnissen die Eigenständigkeit zu gewährleisten.

Prinzip 4: Federated Computational Governance für ein Plus an Vertrauen und Sicherheit

Federated Computational Governance ist das fehlende Element im Datennetz, um Dezentralisierung und Self-Service zu unterstützen. Dieses Grundprinzip zielt darauf ab, die Interoperabilität von Datenprodukten sicherzustellen und die Zusammenarbeit durch Standardisierung und Richtlinien zu fördern. In einem Federated Data Mesh behalten Domains die Kontrolle über ihre Daten, können sie jedoch über standardisierte Schnittstellen anderen Domains zugänglich machen.

Die Schlüssel-Features sind Federation, bei der jede Domain die Kontrolle über ihre eigenen Daten behält und diese über standardisierte Schnittstellen und Verträge anderen Domains zugänglich machen kann, und Interoperabilität mit einer entsprechenden Standardisierung von Datenformaten, Schemata und Schnittstellen sowie einem gemeinsamen Verständnis von Datenqualität, Sicherheit und Datenschutz. Sie ermöglichen es den Teams, effektiver mit Daten zu arbeiten, Silos zu reduzieren und Abhängigkeiten zu minimieren. Die praktische Umsetzung erfordert ein Governance-Modell, standardisierte Protokolle und technische Lösungen zur Einhaltung der Richtlinien sowie effektive Kommunikation und Abstimmung zwischen den Beteiligten.

Data Mesh in der Praxis: Worauf es beim Einstieg ankommt

Ob ein Data-Mesh-Ansatz für Unternehmen geeignet ist oder nicht, hängt am Ende von verschiedenen Faktoren ab – darunter u. a. die Unternehmensgröße, der Grad der Komplexität und geschäftlichen Verflechtung, Anzahl der Teams, Datenquellen, Datennutzungsfälle und Fragmentierung von Daten. Sicher ist: Es gibt keine All-in-one-Lösung. Data Mesh vereint in sich jedoch viele Vorteile wie z. B. die Beseitigung von Engpässen in zentralisierten Ansätzen und deutlich mehr Flexibilität. Die Implementierung erfordert eine Anpassung an die spezifischen Bedürfnisse der Organisation und ist ein schrittweiser, langfristiger Prozess, der Monate bis Jahre dauern kann. Gestartet wird typischerweise mit einem Data Maturity Framework, um die Ausgangslage des Unternehmens zu bewerten. Dieses Framework umfasst die Datenstrategie sowie die organisatorische und kulturelle, architektonische und technische Bewertung. Diese Einschätzungen dienen als Grundlage, um effektiv in ein Data Mesh-Projekt einzusteigen und sicherzustellen, dass die Strategie auf die spezifischen Bedürfnisse und Ziele des Unternehmens abgestimmt ist.

(ID:50154918)