Data Mesh: Wie die Dezentralisierung die Nutzung von data im gesamten Unternehmen demokratisiert

Zunächst ein kurzer Überblick über das Wer, Was und Warum von data NetzDas Konzept wurde von Zhamak Dehghani von ThoughtWorks entwickelt, um die Zugänglichkeit von data zu verbessern und die Organisation in zentralisierten, monolithischen data-Strukturen zu vereinfachen. Die explosionsartige Zunahme von data während der COVID-19 Pandemie hat diese Bedürfnisse noch verstärkt, und data Mesh hat sich nun von einem Konzept zu einem verteilten Architekturmodell entwickelt, um data für jeden in einer Organisation nutzbar zu machen.

Johan Picard von Google hat ein paar Ideen: “Zum Teil hat es mit der einfachen data-Reife zu tun. Zwanzig Jahre lang haben Unternehmen ihr data auf Plattformen, data-Seen und data-Lagern aufgebaut und zentralisiert. Das hat es ihnen ermöglicht, ihr data zu nutzen. Aber die Domains mussten Schlange stehen, um auf dieses data zuzugreifen, was zu Rückstaus und Engpässen führte. 

“Einige sind so weit gegangen, dass sie ihre eigenen Schatten-IT-Abteilungen geschaffen haben, weil die IT-Teams zwar die Technologie verstehen, aber nicht die Qualität des data. Und das Gegenteil gilt für den Bereich. Aber jetzt, mit dem cloud, entwickeln sich die Technologien weiter und ermöglichen die Dezentralisierung des data in die Domänen. Es ist wichtig, daran zu denken, dass dies ein inspirierender Ansatz ist. Jedes Unternehmen ist anders und muss die Dezentralisierung auf seine eigene Art und Weise anstreben und dabei den eigenen Kontext, die Geschwindigkeit und die Ambitionen berücksichtigen.”

In Orange, Brice Miranda dieses Phänomen der data-Konzentration und Fragmentierung erlebt. “Unser historisches data platform war nicht auf Selbstbedienung ausgerichtet, so dass viele unserer Teams ihre eigenen Mini-data platforms erstellten; am Ende hatten wir zwischen 40 und 60.” Der Betreiber hat mit Google Cloud Platform eine Plattform für seine Domain-Teams aufgebaut. “Und jetzt steigen wir in die Logik der data-Demokratie ein”.

Bevor er Ende dieses Jahres sein Unternehmen gründete, Jean-Christophe Brun war CTO von Carrefour. “2015 wussten wir, dass wir unsere Vision von data ändern mussten, um unsere Einzelhandelsaktivitäten auf data zu konzentrieren. Bis 2018 bauten wir eine On-Premise-Plattform auf, um uns mehr auf data zu konzentrieren. Und 2018 wurden wir Google-Partner, um mehr mit Algorithmen zu tun. Schon bevor wir das Konzept des data-Mesh kennenlernten, war es unser Ziel, den geschäftlichen Nutzen zu erhöhen. Was mir an data mesh gefällt, ist, dass es uns die Möglichkeit gibt, zu formalisieren Dinge, die wir nicht standardisiert hatten, um den Prinzipien Worte zu geben.”    

Jean-Noël Lucas bei L'Oréal begann den gleichen Prozess vor drei Jahren. Jean-Paul Agon, der damalige CEO, gab den Kurs vor: Wir wollten der Champion für Beauty Tech sein. Dazu mussten wir das data orchestrieren und die funktionalen Silos aufbrechen; data-Verantwortliche identifizieren, uns auf eine gemeinsame Sprache einigen und das data strukturieren, um ein globales Referenzsystem aufzubauen. Und das erforderte Ressourcen: “Man muss Zeit kaufen, um die data verfügbar zu machen. Wir bewerteten den Zeitaufwand (zwei oder drei Jahre) und schätzten die Ressourcen, die benötigt wurden, um das Unternehmen rund um die data zu führen. Wir setzten ein Team von 100 Personen ein, um die data vorzubereiten. Wir brachten neue Fähigkeiten in die Gruppe ein. Wir haben auch viel Überzeugungsarbeit geleistet, um das Budget zu erhalten, das uns diese Anstrengungen ermöglicht. Denn L'Oréaliens sind nicht konzeptionell. Wir müssen das Konzept in konkrete Begriffe übersetzen”.

L'Oréal listet 50 Anwendungsfälle auf, die das Produkt data nutzen. Von der Verwaltung des Produktportfolios über die Verbesserung des Vertriebs bis hin zur Bestandsverwaltung. “Mit einem data als Produktstrategie wird das data auf die verschiedenen Bereiche verteilt und seine Erstellung den Spezialisten der einzelnen Marken anvertraut, wodurch das Problem des Engpasses gelöst wird”, schließt Jean-Noel.

Obwohl Orange ein data-Studio für die Beratung und Collibra für die Suche nach dem data hat, reicht das nicht aus: “Wenn wir data-Einlagen machen, landen wir bei Duplikaten und das wirft Probleme auf. Wenn Sie nach den Breitbandgeräten der Kunden fragen, erhalten Sie 800 Antworten’. Ist der Kunde mit Festnetz, Mobilfunk oder Glasfaser ausgestattet? Das Tool weiß es nicht. Hat der Kunde sein Einverständnis gegeben? Auch das wissen wir nicht. Es gibt keine einzige Quelle der Wahrheit oder data, der man trauen kann. Daher werden POCs zu diesen Fragen durchgeführt (”Was ist ein Orange Kunde?“ ”Was ist eine Erlaubnis?“).

Orange ist L'Oréal ein wenig voraus, wo 40% von data in der cloud verfügbar ist. “Als Voraussetzung muss data verfügbar und auffindbar sein”, sagt Jean-Noel. “Dann müssen wir uns in der data-Wertschöpfungskette nach oben bewegen, mit dem data-Verbrauch als Leistungskriterium (KPI), um den geschäftlichen Anwendungsfällen näher zu kommen. Dahinter verbirgt sich die Herausforderung der data-Kultur, die Menschen dazu zu bringen, mehr standardisierte Lösungen anzunehmen und einen echten Wert zu erkennen.”

“Bei Carrefour haben wir uns dafür entschieden, die Eigentümer unserer data-Produkte verantwortlich zu machen”, erklärt Jean-Christophe. “Sie verstehen die Verwendung von data und sorgen für dessen Kommunikation: ‘Data-Produkte müssen verwendet werden. Die Eigentümer von Data-Produkten müssen an der Nutzung ihrer Produkte interessiert sein.’ In der Vergangenheit hat die Business Intelligence-Abteilung den Domains Bericht erstattet. Aber jetzt tun es die Bereiche selbst, mit Unterstützung von BI. Sechzig Prozent der Mitarbeiter, die von Carrefour in data geschult wurden, kamen aus den Domänen.”

Es ist ein Hin- und Herprozess, erklärt Johan Picard, zwischen Analytik und Betrieb: “Das data muss nach oben in die Analytik und nach unten in das operative Geschäft gehen. In der Vergangenheit konnten die data-Basen die Analyse nicht integrieren, also haben wir den data-See geschaffen. Im neuen Paradigma sind wir näher an den data-Quellen und haben ein besseres Verständnis davon. Daher müssen wir Betrieb und Analyse nicht mehr voneinander trennen. Einige unserer Kunden haben sie auf dieselbe Ebene gestellt. SAP-Spezialisten sitzen Seite an Seite mit data-Spezialisten. Brice Miranda stimmt dem zu und fügt hinzu: “Wir müssen die alten Grenzen zwischen Analytik und Betrieb aufheben und zur Quelle gehen.”

Für Jean-Noel Lucas “müssen die operativen Mitarbeiter verstehen, worauf sie sich data verlassen (indem sie über ihre Prozesse nachdenken) und sich bemühen, die Qualität von data zu verbessern.” Um beispielsweise die Läden zu beliefern und den Bestand besser zu verwalten, hat L'Oréal dem PCM eine weitere Ebene hinzugefügt. “Wir wollen unsere Systeme ‘API-ze’.” L'Oréal hat intensiv an dem Produkt data gearbeitet, um Einzelhändlern und Verbrauchern eine 360°-Ansicht zur Verfügung zu stellen. Um seine Lieferkette besser zu verwalten, muss L'Oréal seine Kataloge besser segmentieren. Und die neue Organisation ermöglicht es, reaktiver zu sein und wöchentlich Produktionsaufträge für Produkte zu erteilen, wenn die Nachfrage steigt.

Carrefour ist bei der Konvergenz von Analytik und operativem Geschäft am weitesten gegangen: In dieser neuen Welt wird die Analytik zu einem operativen Werkzeug in Echtzeit, auf dem gleichen Niveau wie das operative Geschäft. “Das Produktblatt muss alle data aufzeichnen, einschließlich der Verkaufszahlen. Dies ermöglicht Substitutionsbewertungen zwischen Produkten, falls ein Produkt fehlt. Das war vor drei Jahren noch undenkbar”, fasst Jean-Christophe zusammen.