Unternehmen sind ab einer bestimmten Größenordnung gezwungen dezentrale Strukturen aufzubauen. Erstellung und Nutzung von Daten ist nicht in der gleichen Organisationseinheit. Die Ziele der unterschiedlichen Unternehmensbereiche sind abweichend.
Ersteller und Nutzer der Daten haben inkongruente Ziele oder eine weniger wertende Formulierung hierfür: Alle haben ausreichend mit Ihren Zielen zu tun.
Eine Datendomäne liegt fast immer quer zur Unternehmensorganisation vor allem wenn Konzernstrukturen entstehen. Mit dieser einfachen Herleitung lässt sich sehr gut erklären, warum Startups bei Datenprodukten lange erfolgreich sind. Data Mesh Ansätze werden nicht gebraucht. Ein relevanter Bedarf an Daten wird erkannt und sofort umgesetzt. Startups arbeiten fast ausschließlich mit klar definierten und formulierten Produkten, die sie ausreichend verstehen und damit immer Priorität haben.
Konzerne müssen sich anders organisieren, um die Daten zu bekommen, die sie für ein erfolgreiches Produkt benötigen. Diese sind aufgrund gewachsener Strukturen und dem Fokus auf viele Themen gleichzeitig, schwer zu erlangen. Hier kommt Data Mesh ins Spiel, also die Denkweise des Daten-Produktmanagers in eine Konzernstruktur in fachlicher und technologischer Hinsicht zu übersetzen.
Ein zentrales Element von Data Mesh, die Ownership für Daten bedeutet vor allem, dass dem Ersteller der Daten die Verantwortung übertragen wird, eine Datenvereinbarung dauerhaft einzuhalten. Aber Data Mesh beinhaltet auch, dass die Daten-Anforderungen an der Produktrelevanz ausrichtet werden. Gedankengut wie Data Lakes oder generell das Sammeln aller „unnützen“ Daten, ohne diese zu verwenden, verliert an Priorität. Datenanforderungen müssen vereinbart werden. Die „Kunst“ besteht darin, das Richtige anzufordern, das Richtige zu tun und es zu formulieren, was wirklich wichtig ist.
Entscheidend ist dabei der Prozess der Priorisierung der Themen: Entweder schafft man mit einem Feature ein USP für das Produkt, damit Umsatz generiert wird, oder es wird das Data Asset erweitert, um damit das Datenprodukt später zu bereichern. Die Exploration von Daten, die zum Asset werden sollen, ist eine weitere Möglichkeit. Der letzte Fall stellt den Erkenntnisgewinn, der ebenso wichtig ist. Die Balance zwischen den Themen zu halten, ist Basis des Erfolges.
Data Mesh Ansätze werden benötigt, um ein Datenprodukt in einem Umfeld zu erschaffen, in dem es sonst nahezu unmöglich wäre, weil es betriebliche Anreizsysteme erschweren. Data Mesh liefert in wenigen Prinzipien die Antwort für den Aufbau erfolgreicher Datenprodukte. Es stellt die Leitplanken dar, die Umsetzung selbst liegt in der Hand des Unternehmens.
sol4data bietet diese konkrete Anleitung in Ihrer Umgebung.
