arrow arrow--cut calendar callback check chevron chevron--large cross cross--large download filter kununu linkedin magnifier mail marker media-audio media-blog media-video menu minus Flieger phone play plus quote share youtube

Data Mesh

Ein Data Mesh ist ein fortschrittliches Konzept der Datenarchitektur, das darauf abzielt, die Herausforderungen zentralisierter Datenstrukturen zu überwinden und eine dezentrale, agile Datenlandschaft zu schaffen. Es handelt sich um einen dezentralen Ansatz zur Organisation und Verwaltung von Daten. Das Data Mesh-Konzept basiert auf vier Prinzipien, die eine neue Denkweise und Herangehensweise bei der Bereitstellung und Nutzung von Daten fördern.

Welche Prinzipien liegen dem Data Mesh zugrunde?

Die Data Mesh-Architektur basiert auf vier Grundprinzipien: 

  • Datenverantwortung: Die Verantwortung für Daten liegt in den Fachbereichen und nicht zentralisiert bei einer speziellen Datenabteilung. 
  • Daten als Produkt: Daten werden als eigenständige Produkte betrachtet, die von den Fachbereichen bereitgestellt und gepflegt werden. 
  • Self-Service: Die Plattform ermöglicht es den Nutzer*innen, selbst auf die benötigten Daten zuzugreifen und diese zu verwalten. 
  • Federated Governance: Die Verwaltung und Kontrolle der Daten erfolgt dezentralisiert und nicht zentral von einer Stelle aus.

Mehr zu unserem Data & Analytics Portfolio:

Welche Vorteile bietet ein Data Mesh?

Ein Data Mesh bietet mehrere Vorteile. Einer der Hauptvorteile ist die Demokratisierung von Daten. Data Mesh-Architekturen erleichtern Self-Service-Anwendungen aus mehreren Datenquellen und erweitern den Zugang zu Daten über eher technische Ressourcen wie Datenwissenschaftler*innen, Dateningenieur*innen und Entwickler*innen hinaus. Darüber hinaus kann ein Data Mesh alle Arten von Big-Data-Anwendungsfällen unterstützen, einschließlich Datenanalytik und benutzerdefinierte Business-Intelligence-Dashboards. 

Welche Anwendungsfälle gibt es für Data Mesh?

Anwendungsfälle für Data Mesh umfassen sowohl Betriebsdaten als auch Analysedaten. Dies stellt einen wesentlichen Unterschied zu herkömmlichen Data Lakes/Lakehouses und Data Warehouses dar. Die Ausrichtung von operativen und analytischen Datendomänen ist ein entscheidender Faktor für die Notwendigkeit, mehr Selfservice für den Zugriff auf und die Nutzung von Daten zu ermöglichen.