Data Mesh: Erfolgsfaktoren für die Einführung im Unternehmen

25.03.2022

Anfang 2020 wurde das Konzept des Data Mesh von ThoughtWorks vorgestellt. Es kann schnell der Eindruck entstehen, dass es das neue „Allheilmittel“ für datengetriebene Unternehmen ist.

Selbstverständlich hat jedes Konzept seine Stärken und Schwächen, und auch das Data Mesh ist da keine Ausnahme.

In diesem Artikel werden wir beleuchten, unter welchen Voraussetzungen Data Mesh Sinn macht und welche Rahmenbedingungen ein Unternehmen für die erfolgreiche Umsetzung schaffen muss.

Wofür eignet sich der Data Mesh Ansatz?

Das Konzept basiert im Kern darauf, dass alle Daten im Unternehmen von crossfunktionalen Teams verantwortet werden, die sowohl die Fachlichkeit der Daten verstehen, als auch die technischen Kompetenzen für die Aufbereitung haben. Die Teams bilden untereinander Schnittstellen und stellen ihre Daten in qualitativ hochwertiger Form für andere Teams bereit. Dies erzeugt ein Geflecht („mesh“) aus Teams und koordinierten Datenströmen. Der Vorteil liegt auf der Hand: Wenn Teams die Gesamtverantwortung für ihre Daten übernehmen und diese anderen bereitstellen, entsteht eine qualitativ hochwertige Basis für datengetriebene Entscheidungen.

Ein Data Mesh Ansatz ist daher ein sehr gutes Instrument für Unternehmen, in denen das Teilen und Wiederverwenden von Daten einen zentralen Stellenwert hat. Sei es, um datenbasierte Geschäftsmodelle zu entwickeln, Produkte mit intelligenten Funktionen auszustatten oder interne Prozesse datenbasiert zu optimieren. Insbesondere wenn eine Vielzahl von Datenquellen und -nutzenden vorhanden sind, ist der dezentrale Data Mesh Ansatz von Vorteil, da durch Regelungen und Rollen Datenangebot und -nachfrage auf fachlich strukturierter Ebene zusammenkommen.

Welche Voraussetzungen muss ein Unternehmen für Data Mesh erfüllen?

Der Data Mesh Ansatz erfordert ein Denken in (Daten-)Produkten statt in Projekten und Disziplinen. Insbesondere die Datenverantwortung in crossfunktionalen Teams greift tief in die Organisationsstruktur ein. Rollen und Zuständigkeiten dieser Teams stehen mit einem strengen Denken in Disziplinen der klassischen Organisationsstrukturen in Widerspruch. Zum Beispiel werden Vorhaben klassischerweise als Projekte mit festem Start- und Enddatum geplant, Projektmitglieder widmen sich im Anschluss wieder ihren Linienaufgaben. Ein Datenprodukt zu betreuen, kommt hingegen einer dauerhaften Linienaufgabe gleich. Die Rollen und Pflichten der Datenproduktteams werden im besten Fall direkt in den Unternehmensprozessen verankert, sodass auch eine entsprechende Verbindlichkeit deutlich wird. Das (schrittweise) Etablieren von Datenproduktteams ist Aufgabe des ganzen Unternehmens und muss mit einer strategischen Entscheidung und Unterstützung durch alle Führungsebenen einhergehen. Das bedeutet, die Führung muss sich der Tragweite bewusst sein und dies wollen. Es erfordert einen langen Atem, bis das Bewusstsein zur Erschaffung von Werten aus Daten Früchte trägt. Und es dauert möglicherweise noch länger, bis Erlöse oder Einsparungen aus den Datenprodukten messbar werden.

Die grundlegenden Schritte zum digitalen Unternehmen, wie im Blogpost „Schritt für Schritt zum digitalen Unternehmen“ beschrieben, können auch mit Blick auf eine Datenstrategie betrachtet werden. Vor allem Schritt 4 betrachtet den Aufbau einer „Data Culture“ im Rahmen einer Digitalisierungsstrategie und entspricht den Veränderungen des Bewusstseins im Unternehmen, die hier relevant sind.

Wie kann man in einen Data Mesh Ansatz starten?

Die Umsetzung kann Schritt für Schritt erfolgen, wenn ein Datenproduktteam startet und nach und nach weitere Datenprodukte aus verschiedenen Bereichen folgen. Für das erste Datenproduktteam sollten schon verbindliche Rollen und Prozesse festgeschrieben werden, um die Handlungsfähigkeit sicherzustellen.

Mit einem einfachen Datenprodukt beginnen

Wichtig ist, dass die Hürden bei der Veränderung in Richtung Data Mesh möglichst niedrig sind. Der Start empfiehlt sich mit einem Datenprodukt, das wenig Erklärungsbedarf hat und in zahlreichen Unternehmensprozessen wiederkehrend verwendet wird, wie beispielsweise Stammdaten aus dem Bereich Kundinnen und Kunden und Liefernden. Das Produktteam kann als Experten die Kenntnisse und Erfahrungen in weiteren Teilen des Unternehmens verbreiten und damit als Multiplikatoren dienen.

Lerneffekte berücksichtigen und Nutzende einbinden

Sukzessive können nach diesem Muster weitere Datenprodukte entwickelt werden. Lerneffekte aus bereits vorhandenen Datenprodukten sollten in weiteren Entwicklungen berücksichtigt werden. Gerade im Aufbau ist es wichtig, die potentiellen Nutzenden an die Datenangebote heranzuführen. Das kann durch Schulung auf verschiedenen Skill-Levels, Beratung durch Experten und der Bereitstellung von Information über Datenprodukte, Prozesse, Rollen und Richtlinien geschehen. Die Darstellung von Best Practices der Datennutzung steigert das Bewusstsein für den Wert von Daten im Unternehmen.

Motivationsanreize schaffen – Vorteile aufzeigen

Zu Beginn kann es hilfreich sein, gewisse Motivationsanreize für die Entwicklung und Nutzung von Datenprodukten zu setzen, um das Teilen von Daten zur Selbstverständlichkeit werden zu lassen.
Kontinuierliches Monitoring der Datennutzung zeigt auf, welche Datenprodukte besonders gefragt sind und gegebenenfalls als Best Practices für weitere Entwicklungen dienen können.

Nötiges Know-how im Unternehmen aufbauen

Bezüglich der Besetzung der Datenproduktteams ist es von Anfang an erforderlich, auch Skills in Datenarchitektur und Datenverarbeitung bereitzustellen, um die Kapazitäten der IT nicht zu überlasten. Wenn diese Skills im Unternehmen bisher nicht vorhanden waren, müssen sie früh und vorausschauend bereitgestellt werden, um die Entwicklung in Richtung des Konzepts Data Mesh nicht an fehlendem Know-how scheitern zu lassen.

Zugriffsberechtigungen: Kann jede und jeder einfach alle Daten sehen?

Üblicherweise herrscht in Unternehmen das Need-to-know-Prinzip vor, sodass Daten nur dann geteilt werden und erreichbar sind, wenn nachweisbar die Kenntnis der Daten für die Erfüllung einer Aufgabe vonnöten ist. Im Data Mesh Konzept liegt der Fokus auf dem Bereitstellen der Daten im Sinne einer umfassenderen Nutzung. Dieser Paradigmenwechsel muss in der Datenstrategie des Unternehmens aufgenommen werden und Leitlinien für die Nutzung enthalten.

Die Grundeinstellung, Daten grundsätzlich mit anderen zu teilen, bedeutet nicht, dass ohne Kontrolle alle Datenprodukte von allen in beliebiger Form genutzt und kombiniert werden dürfen. Prozesse zur Regelung des Datenzugriffs sind beim Data Mesh Ansatz wichtig und erlauben es, dass nicht jede/r jedes Datenprodukt sehen kann oder aber auch nicht jedes Datenprodukt mit einem anderen Datenprodukt kombiniert werden darf. Dies ist wichtig, weil möglicherweise aus Datenschutzgründen unterschiedliche Sichtweisen auf Daten in verschiedene Datenprodukte getrennt wurden und durch die spätere Kombination sonst diese Regulierung unterlaufen werden kann.

Die Transparenz über Zugriffsberechtigungen muss in der gesamten Toollandschaft des Unternehmens abgebildet werden können. Dies ist die Grundlage für Vertrauen und damit die Bereitschaft, Daten zu teilen.

Wie kommen (potentielle) Nutzende mit dem Data Mesh Ansatz zurecht?

Da der Data Mesh Ansatz wesentlich auf Dezentralisierung beruht, ist das Einbeziehen der potentiellen Nutzenden essentiell. Es müssen Informationen bereitgestellt werden zu Regelungen, Rollen und vor allem auch zu den Datenprodukten. Schulungen sind auf verschiedenen Skill-Levels und für verschiedene Sichtweisen anzuraten. Auch Beratung durch Experten kann niederschwellig zur Verfügung gestellt werden.

Transparenz über bestehendes Datenangebot schaffen, um Synergien zu nutzen

Vorhandene Datenprodukte können nur verwendet werden, wenn sie leicht auffindbar sind und sich auch der Zugriff unproblematisch beantragen lässt. Transparenz über ein bestehendes Datenangebot inklusive aktueller Dokumentation zu fachlichen Inhalten der Datenprodukte, z.B. mittels eines Data Catalogs sind hier empfehlenswert. Auch Schritte der Datenaufbereitung und Indikatoren zur Datenqualität sollten transparent bereitgestellt werden, um das Vertrauen in bestehende Datenprodukte zu erhöhen. Dadurch wird verhindert, dass für sehr ähnliche Fragestellungen neue, sehr ähnliche Datenprodukte auf denselben Quelldaten aufgebaut werden, anstatt bestehende Datenprodukte zu nutzen. Eine Begleitung beim Aufbau eines Datenprodukts kann in diesem Sinne das Bewusstsein schaffen, dass ein im Zweifel generischer gehaltenes Datenprodukt auch anderen Nutzern Fragestellungen beantworten kann.

 

Fazit: Data Mesh ist vielversprechend, erfordert aber strategische Entscheidungen und Geduld

Data Mesh ist ein vielversprechender Ansatz, der allerdings gerade im nicht technischen Bereich seine Tücken hat. Grundlage für eine erfolgreiche Einführung und Nutzung des Ansatzes sind vor allem strategische Entscheidungen auf Unternehmensebene und eine Umsetzung der Strategie über Jahre. Dazu gehören umfassende Paradigmenwechsel in der Organisation des Unternehmens, z.B. im Sinne crossfunktionaler Teams.

Zusätzlich ist es insbesondere die Änderung des Bewusstseins der Beteiligten aller Ebenen, die viel Zeit in Anspruch nimmt. Mit Schulungen, Motivationsmaßnahmen, Information und Beratung kann das Bewusstsein zum selbstverständlichen Teilen von Daten, dem Wert von Daten im Sinne eines Assets und für ein langfristiges Datenprodukt anstatt eines kurzfristigen Projekts gefördert werden.

Die klare Verantwortung crossfunktionaler Teams für ein Datenprodukt ist ein wesentliches Charakteristikum des Ansatzes und die Grundlage für Vertrauen und Nutzung der Datenprodukte. Mit Leitlinien und Rollen, die aus der Datenstrategie abgeleitet werden, wird diese Verantwortung in einheitliche Bahnen gelenkt und vergleichbare Datenprodukte geschaffen.

 

Dieser Blogbeitrag ist in Zusammenarbeit mit Nicky Grassmann entstanden.

Mehr zu Data Driven Services erfahren

Zurück zur Übersicht

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht.

*Pflichtfelder

*