Clouds. Lakes. Warehouses. Was haben sie alle gemeinsam? Zentralisierte Datenplattformen. Jede dieser Lösungen stellt ganz individuell einen bedeutenden Fortschritt in der Art und Weise dar, wie Unternehmen ihre Daten erfassen, analysieren und nutzen. Alle dienen allerdings einem gemeinsamen Zweck: Zusammenführung großer Datenmengen und Umwandlung dieser Daten in wertvolle Erkenntnisse bei vollständiger Ausnutzung aller sich dabei bietenden Möglichkeiten.
Diese Architekturen bilden die Grundlage für moderne Business Intelligence und Analytik. Es gibt also keine Frage, die Sie innerhalb eines einzigen Datenpools nicht zu Ihren Daten stellen können. Ihre Teams können so mehr über Ihre Kunden, Märkte und Abläufe erfahren.
Also das war zumindest die Idee dahinter.
Zentralisierte Datenplattformen werden immer wieder den Anforderungen moderner Unternehmen nicht gerecht. Angesichts boomender Datenvolumen und einer steigenden Nachfrage nach Business Intelligence und Analytik kommt es in einigen zentralisierten Plattformen zu Staus im Datenfluss. Die Plattform als "Single Source of Truth" ist gefährdet.
Die neuen Herausforderungen für zentralisierte Datenplattformen
Die zentralisierten Datenplattformen selbst haben sich nicht verändert und liefern in den meisten Fällen weiterhin einen bedeutenden Geschäftswert. Geht es allerdings um die Bewältigung der heutigen Anwendungsfälle im Bereich Advanced Analytics, sind sie oft heillos überfordert.
Die explosionsartige Nachfrage nach Unternehmensdaten, Erkenntnissen und Analysen setzt sie unter großen Druck. Dieser Druck äußert sich auf dreierlei Weise:
- Lange Zykluszeiten: Aufgeblasene zentralisierte Plattformen verlängern die für den Import neuer Daten benötigte Zeit deutlich. Diese langen Zykluszeiten erschweren den verantwortlichen Teams eine schnelle Reaktion auf sich ändernde Geschäftsanforderungen und verringern den Wert neu bereitgestellter Daten erheblich.
- Hohe Betriebskosten: Viele zentralisierte Datenplattformen basieren auf teuren, proprietären Technologien, die für Data Science und Forschung nur bedingt geeignet sind. Parallel zu den wachsenden Datenvolumen steigen zudem Kosten und Workloads für die Pflege von Data Warehouses und Data Lakes.
- Lock-in-Effekt durch Altsysteme: Viele Unternehmen haben so komplexe zentralisierte Datenarchitekturen geschaffen, dass eine angestrebte Abkehr von diesem Konzept unmöglich erscheint. Anpassungsfähigkeit und die Umsetzung neuer Best Practices bleiben hinter dem Ziel größtmöglicher Wertschöpfung zurück.
Solche Herausforderungen enthalten Unternehmen das größte Versprechen zentralisierter Datenplattformen vor: schnelle Bereitstellung von umfassenden, wertvollen Erkenntnissen aus einer Single Source of Truth. Es ist Zeit, das Paradigma des „Einen Rings, sie alle zu knechten“ zu überdenken.
Das Zeitalter des Data Mesh ist gekommen.
Einführung in Data Mesh
Die Theorie zentralisierter Datenplattformen ergibt Sinn. In der Realität erfordern unterschiedliche Geschäftsbereiche allerdings zusätzliche Datenperspektiven, Kurationstechniken und wertschöpfende Anwendungsfälle. Das Ziel, sämtliche Unternehmensdaten für eine Vielzahl von Wertschöpfungsfällen in nur einer einzigen Plattform zusammenzufassen, gestaltet sich immer problematischer, wenn die Vielfalt der Anwendungsfälle und der Umfang der Plattform immer weiter zunimmt.
Langsamkeit ist im Zusammenhang mit neuer Wertschöpfung besonders problematisch. Die Integration neuer Datenquellen kann Monate dauern und entspricht u.U. nicht einmal den individuellen Wertschöpfungsfällen der unterschiedlichen Domainexpert:innen. Hinzu kommt, dass die meisten Datenkonsument:innen nicht einmal Zugriff auf alle Unternehmensdaten benötigen. Sie brauchen stattdessen eine aussagekräftige, vertrauenswürdige Teilmenge an Querschnittsdaten, die enthält, was sie wollen – nicht mehr und nicht weniger. Einfacher ausgedrückt: Maßgeschneiderte, handlich zusammengepackte Daten!
Die Daten richten sich koordiniert an funktionale Unternehmensbereiche wie Vertrieb, Finanzen oder Bestandsmanagement und werden zum Produkt in einem Data Mesh. Jeder verfügbare Kompetenzbereich übernimmt Verantwortung für diese Datenprodukte und die sich entwickelnden Anforderungen der Endnutzer:innen. Eine übergreifende Governance-Richtlinie hält die Interoperabilität zwischen ihnen aufrecht. Bei diesem dezentralen Ansatz teilt sich die Verantwortung für das Datenmanagement auf die funktionalen Teams auf und alle Beteiligten können neue Wege zur optimalen Datennutzung frei erkunden.
Vom geschäftlichen Standpunkt aus betrachtet, gewährt ein Data Mesh aus Unternehmersicht allen, die am ehesten Wert aus den Datensätzen schöpfen, auch Datenkontrolle. Engpässe lösen sich damit auf. Die Zeit bis zum Erkenntnisgewinn fällt kürzer aus. Und alle können ihre jeweils für sie relevanten Datenprodukte nutzen und gleichzeitig ihre benutzerdefinierten Datensätze verwalten und erweitern. Neue Quellen lassen sich einem Data Mesh einfacher und schneller hinzufügen, weil keine Änderungen bestehender Datenschemas oder Verarbeitungs-Pipelines erforderlich sind. Neue Datenprodukte werden hingegen in das Netz eingeführt, indem Daten aus anderen Datenprodukten konsumiert und diese Daten wiederum für andere Verbraucher:innen kombiniert oder verbessert werden.
Wie macht sich Data Mesh also in der Praxis? Das Konzept wurde als Alternative bei einem Healthcare-Unternehmen eingeführt, das bis dahin mit einem Enterprise Data Warehouse arbeitete. Das Unternehmen reagierte bei Ausbruch der COVID-19-Pandemie mit der Integration neuer Datenprodukte in sein Data Mesh und der parallelen Entwicklung einiger Pflegeanwendungen für seine Mitglieder in nur dreizehn Tagen. Die Teams konnten dank Daten, die nahezu in Echtzeit zur Verfügung standen, Erkenntnisse gewinnen, Modelle trainieren und Trends vorhersagen, um ihren Ansatz zu optimieren. Mit dem früheren Enterprise Data Warehouse wäre all das nicht möglich gewesen.
Produkt- und Plattformdenkweise im Datenmanagement
Ein Data Mesh vereint mehrere Best Practices aufkommender Technologien und schafft ein neues Paradigma für Datenmanagement – ein Paradigma, das die Anforderungen moderner Unternehmen und Teams erfüllt.
Data Mesh beruht zunächst auf den Designprinzipien einer Selfservice-Plattform, die Teams ermöglicht, sich selbst mit Datenprodukten zu versorgen. Die Erstellung neuer Datenprodukte trägt dazu bei, den enormen Verwaltungsaufwand zentralisierter Datenplattformen zu verringern. Alle können sich selbst bedienen, anstatt die IT bemühen zu müssen.
Data Mesh nutzt auch die Prinzipien der Produktdenkweise. Teams können die von ihnen kuratierten Datensätze als Produkte behandeln, wobei sie die Gruppen, analytischen Anwendungen und Data Scientists des Unternehmens als Kund:innen anerkennen. Diese Produkte werden dann mit der gleichen Sorgfalt verwaltet wie Produkte für externe Kunden. So erfüllen sie jederzeit die Anforderungen der Verbraucher:innen, die von ihren Erkenntnissen abhängen.
Plattformdesign und Produktdenkweise tragen gemeinsam dazu bei, ein dezentralisiertes demokratisiertes Datenmanagement zu verwirklichen – das eine Vielzahl der Qualitäts- und Managementprobleme löst, vor denen Unternehmen naturgemäß bei der Einführung eines neuen Ansatzes stehen.
Entstehung eines kontinuierlichen Intelligence-Kreislaufes
Data Mesh eignet sich hervorragend zur Datenerschließung, Befähigung funktionaler Teams und Beseitigung der Trägheit, die durch zentralisierte Datenplattformen erzeugt wird. Und das ist nur der Anfang des operativen Werts von Data Meshs, wenn sie ordnungsgemäß verwaltet und umgesetzt werden.
Data Mesh steht für einen Innovationssprung, den führende Akteur:innen in Business und Technologie seit Jahrzehnten anstreben: einen kontinuierlichen Intelligence-Kreislauf.
Der oben abgebildete Intelligence-Kreislauf veranschaulicht, wie Intelligence- und Erkenntnisdaten zu fundierten Geschäftsentscheidungen werden. Seine Ergebnisse erzeugen neue Daten und erneuern den Kreislauf. Das mag einfach erscheinen, aber der Schein kann bekanntlich trügen. Die meisten Unternehmen erreichen kontinuierliche Intelligence nur schwer. Der Hauptgrund dafür sind Schwierigkeiten bei der Erschließung ihrer Daten, eine zeitverzögerte Reaktion auf Erkenntnisse oder die präzise Erfassung von Feedback.
Data Mesh greift Unternehmen bei allen drei Herausforderungen unter die Arme:
- Maßgeschneiderte, von den Benutzer:innen erstellte Datenprodukte helfen, wertvolle Daten schnell zu erschließen.
- Ein demokratisierter Zugriff auf die Produkte beschleunigt die Gewinnung von Erkenntnissen und stellt diese Mitarbeiter:innen zur Verfügung, die auf dieser Grundlage umgehend handeln können.
- Die Datenprodukte werden von den Teams aktualisiert, die direkt die Auswirkungen der vorgenommenen Änderungen sehen und messen können.
Dieses Datenpotenzial unterstützt diejenigen, die Daten am meisten brauchen und am besten kennen. Und das ist der Kern dessen, was ein Data Mesh fördert und liefert.
Ist ein Data Mesh das Richtige für Sie?
Das Datenmanagement kennt keine Einheitslösung. Falls Sie mehr über Data Mesh erfahren und wissen möchten, wie die Umsetzung für Ihr Unternehmen aussehen könnte, sprechen Sie uns an.
