Das erste, was Sie über Data Mesh wissen sollten, ist, dass viele Menschen zu viel davon erwarten.
Data Mesh wird oft fälschlicherweise als spezifische Technologie oder Lösung verstanden – dabei handelt es sich eher um ein konzeptionelles Framework. Genauer gesagt handelt es sich um einen „soziotechnischen Ansatz“, wie er von Zhamak Dehghani, dem Erfinder des Data-Mesh-Konzepts, beschrieben wird.
Weil viele Data Mesh mit einer „Allheilmittel“-Technologie verwechseln, die sie kaufen können, geben Unternehmen an, Data Mesh einführen zu wollen, tun sich dann aber schwer mit der praktischen Umsetzung.
Ist Data Mesh also schon wieder auf dem Rückzug? Data Analysts gehen davon aus, dass Data Mesh Gefahr läuft, zu scheitern, und in 2024 ein abklingender Trend sein wird. Gartner stufte Data Mesh im Hype Cycle for Data Management zwar in die Innovationsphase ein, prognostizierte jedoch zugleich, es werde „obsolet, bevor es den Reifegrad erreicht“.
Wir halten das Aussterben von Data Mesh jedoch für stark übertrieben. Es hatte keine faire Überlebenschance. Data Mesh ist nicht die Lösung. Sondern eine Strategie. Es ist ein Framework für die Entscheidungsfindung. Wenn Sie es als solches verstehen, kann es wertvolle Orientierung bieten, besonders im Hinblick auf die Veränderungen für Menschen, Prozesse und Technologien, die den langfristigen Erfolg Ihres Unternehmens sichern sollen.
Im Zeitalter von KI ist Data Mesh ein nützlicheres Framework denn je.
Laut einer MIT-Studie haben weniger als 10 % der Unternehmen einen Anwendungsfall für generative KI (GenAI) in der Produktion. Fast 60 % geben an, dass sie keine Änderungen an ihrer Datenumgebung vorgenommen haben, um GenAI zu unterstützen oder zu ermöglichen. Diese Unternehmen benötigen einen Rahmen, der ihre Datenarchitekturstrategie für eine erfolgreiche KI-Implementierung steuert. Stichwort Data Mesh!
Das Ziel von Data Mesh ist es, Fachleuten die Möglichkeit zu geben, ihre eigenen Datenpipelines zu verwalten. Und wer ist eine bisher kaum genutzte Ressource für KI-Use-Cases? Eben diese Fachleute.
Fachanwender:innen spielen eine zentrale Rolle, wenn es darum geht, Daten zu beschaffen, Use Cases zu identifizieren, erste Analysen durchzuführen und Ergebnisse zu bewerten. Wenn Anwender:innen, die über spezifisches Fachwissen verfügen, von KI-Initiativen ausgeschlossen werden, stockt die Einführung. Data Mesh kann dazu beitragen, dass die Anwender:innen aktiv eingebunden werden.
Für jede Phase der KI/ML-Reise ist branchenspezifisches Fachwissen erforderlich. Ein wirklich geschäftsfreundliches Daten-Framework ermöglicht diese Einbindung.
Wenn Sie darüber nachdenken, Data Mesh zu verwenden, um eine Datenarchitektur aufzubauen, die die unternehmensweite KI-Einführung unterstützt, sollten Sie die folgenden Dos und Don'ts beachten:
DON'T: Eine Self-Service-Datenplattform einführen, die gar kein Self-Service bietet
Eine echte Data-Mesh-Kultur fördert die Verantwortung der Fachbereiche für ihre Daten. Das bedeutet: Sie müssen diese Fachbereiche auch tatsächlich in die Lage versetzen, diese Verantwortung zu übernehmen. Wenn das nicht gelingt, wird das eigentliche Ziel verfehlt. Und genau das passiert häufig.
Viele Analyseverantwortliche sind begeistert vom Konzept Data Mesh, entscheiden sich für eine moderne Plattform wie Microsoft Fabric – und stellen dann fest, dass die Finanzabteilung, die bisher mit Excel gearbeitet hat, mit Power Query nicht zurechtkommt. Oder sie migrieren zu einem SQL-basierten Data Warehouse, übergeben die Verantwortung an das Vertriebsteam – und dieses weiß schlichtweg nicht, was es mit einem Notebook anfangen soll.
Um eine wirkliche Data-Mesh-Kultur zu ermöglichen, müssen Sie die eigentliche Analysearbeit für nicht-technische Anwender:innen zugänglich machen, die den Analyseprozess übernehmen. Deshalb ist eine Self-Service-Plattform eines der Grundprinzipien von Data Mesh.
Stellen Sie sicher, dass Ihre Analyseplattform wirklich Self-Service-fähig ist. Investieren Sie in Technologielösungen, die für den Einsatz im Unternehmen konzipiert sind, unabhängig davon, ob bereits Datenkenntnisse vorhanden sind.
Hüten Sie sich vor Plattformen, die Self-Service-Unterstützung versprechen, aber nicht wirklich geschäftsfreundlich sind und mehr technisches Wissen erfordern, als Sie erwartet haben. Ihr Projekt gerät ins Stocken und Sie gehören am Ende zu den 90 % der Unternehmen, die noch keinen einzigen produktiven GenAI-Use-Case umgesetzt haben.
DO: Unternehmensweite Datenkompetenz aufbauen
Data Mesh erfordert Datenkompetenz über alle Rollen und Abteilungen hinweg. Wenn Sie von einem zentralisierten Datenteam-Ansatz zu einem stärker dezentralisierten Modell wechseln, müssen Sie das grundlegende Datenwissen demokratisieren, das früher einem zentralen Datenteam vorbehalten war.
Ihre Fachleute bringen bereits wichtige Datenkompetenz mit – Fachkompetenz und Use-Case-Kompetenz. Was bedeuten die Daten im Kontext des Geschäfts? Was können wir mit diesen Daten machen? Welche Geschäftsergebnisse können Sie erzielen?
Trotzdem brauchen Fachanwender:innen in der Regel zusätzliches Basiswissen zu grundlegenden Datenkonzepten, wie zum Beispiel:
- Wie auf Daten im verwendeten Speichersystem zugegriffen wird
- Was es bedeutet, mit verschiedenen Datentypen umzugehen
- Wie sie Qualitätsprobleme in Ihrem Dataset erkennen
Wenn Sie eine Data-Mesh-Kultur aufbauen wollen, stellen Sie sicher, dass Sie auch ein entsprechendes Datenkompetenz-Programm etablieren. Investieren Sie in Trainings und Weiterbildung, damit Ihre Fachanwender:innen gut vorbereitet sind und erfolgreich Verantwortung für Analyse- und KI-Initiativen übernehmen können.
DON'T: Auf Governance verzichten, denn Datenqualität ist wichtiger denn je
Sie müssen den Daten hinter Ihren KI- und ML-Modellen vertrauen können. Das bedeutet, Governance in jede Phase Ihrer Analyse zu integrieren, von der Datenerfassung bis zum Modelltraining.
Nur weil Data Mesh eine dezentrale Datenverantwortung vorsieht, heißt das nicht, dass Governance- und Qualitätsstandards außer Kraft gesetzt werden. Data Mesh schafft vielmehr einen Rahmen für die Verbesserung der Datenqualität, wenn Geschäftsanwender:innen stärker in den KI/ML-Prozess eingebunden werden. Einer der Grundsätze von Data Mesh ist die so genannte föderierte Governance, die Leitlinien für die Einrichtung von Governance über Geschäftsteams hinweg bietet.
Hier ein paar Vorschläge, wie Sie dies in die Praxis umsetzen können (die jeweils in Zusammenarbeit zwischen Fachleuten und IT-/Datenprofis erfolgen sollten):
- Schaffen Sie ein funktionsübergreifendes Data-Governance-Gremium.
- Führen Sie regelmäßige Prüfungen der Datengenauigkeit durch.
- Legen Sie klare Datenstandards fest.
- Entwerfen Sie Richtlinien zur Datennutzung.
Die Alteryx AI Platform for Enterprise Analytics passt nicht nur zu einem Data-Mesh-Ansatz – sie unterstützt ihn auch. Die Alteryx AI Platform ist eine echte Self-Service-Plattform, die Geschäftsanwender:innen die Arbeit mit Daten ermöglicht. Fachverantwortliche erhalten benutzerfreundliche Tools und Lernressourcen, die sie benötigen, um den Analyseprozess realistisch selbst in die Hand zu nehmen.
Gleichzeitig unterstützt Alteryx die Governance- und Infrastrukturüberlegungen, die mit einem Self-Service-Modell einhergehen. Da Alteryx eine benutzerfreundliche Analyseoberfläche für zugrundeliegende Infrastruktur wie Microsoft, Databricks oder Snowflake bietet, respektiert es die Governance-Richtlinien und rollenbasierten Zugriffskontrollen, die in diesen Technologien verankert sind. Alteryx verfügt außerdem über integrierte Prüffunktionen, wie kommentierte Workflows, die es einfach machen, die Schritte jeder Datentransformation zu dokumentieren.
Denken Sie darüber nach, Data Mesh in Ihrem Unternehmen einzuführen? Sprechen Sie mit einem unserer Alteryx Experten bzw. einer unserer Expertinnen über Ihre Ziele für die Implementierung oder sehen Sie sich unten weitere Ressourcen an.
AWS, Snowflake und Alteryx: Ein technischer Leitfaden
Anwendungsfall generative KI: Innovation branchenübergreifend vorantreiben