Data Mesh: Hoe decentralisatie het gebruik van data binnen de onderneming democratiseert

Eerst een kort overzicht van het wie, wat en waarom van data gaas: het begrip werd bedacht door Zhamak Dehghani van ThoughtWorks als een manier om de toegankelijkheid van data te verbeteren en de organisatie in gecentraliseerde, monolithische data structuren te vereenvoudigen. De explosie van data tijdens de COVID-19 pandemie accentueerde deze behoeften, en data mesh is nu geëvolueerd van een concept naar een gedistribueerd architectuurmodel om data bruikbaar te maken voor iedereen in een organisatie.

Johan Picard van Google heeft een paar ideeën: “Een deel ervan heeft te maken met eenvoudige data volwassenheid. Twintig jaar lang hebben bedrijven hun data gecreëerd en gecentraliseerd op platforms, data meren, data magazijnen. Hierdoor konden ze hun data exploiteren. Maar de domeinen moesten in de rij wachten om toegang te krijgen tot die data, waardoor achterstanden en knelpunten ontstonden. 

“Sommigen gingen zelfs zo ver dat ze hun eigen schaduw IT-afdelingen creëerden, omdat de IT-teams wel de technologie begrijpen, maar niet de kwaliteit van de data. En het omgekeerde geldt voor het domein. Maar nu, met de cloud, ontwikkelen de technologieën zich waardoor data gedecentraliseerd kan worden naar de domeinen. Het is belangrijk om te onthouden dat dit een inspirerende aanpak is. Elk bedrijf is anders en moet decentralisatie op zijn eigen manier nastreven, rekening houdend met zijn eigen context, snelheid en ambities.”

Bij Orange, Brice Miranda dit fenomeen van data concentratie en fragmentatie ervaren. “Onze historische data platform was niet zelfbedieningsgericht, dus veel van onze teams maakten hun eigen mini data platforms; uiteindelijk hadden we er tussen de 40 en 60.” De operator bouwde een platform om hun domeinen te bedienen met Google Cloud Platform. “En nu gaan we de logica van de data-democratie in”.

Voordat hij eind dit jaar zijn bedrijf oprichtte, Jean-Christophe Brun was CTO van Carrefour. “In 2015 wisten we dat we onze visie op data moesten veranderen, om onze retailactiviteiten rond data te centreren. Tot 2018 bouwden we aan een on-premise platform om meer data-gericht te worden. En in 2018 werden we een Google-partner om meer met algoritmen te doen. Zelfs voordat we het begrip data mesh leerden kennen, was ons doel om zakelijke toepassingen te vermenigvuldigen. Wat ik leuk vind aan data mesh is dat het ons in staat stelt om het volgende te formaliseren dingen die we niet gestandaardiseerd hadden, om woorden achter de principes te zetten.”    

Jean-Noel Lucas bij L'Oréal begon drie jaar geleden aan hetzelfde proces. Jean-Paul Agon, de toenmalige CEO, zette de koers uit: de kampioen van de schoonheidstechnologie worden. Om dit te kunnen doen, moesten we de data orkestreren en de functionele silo's doorbreken; data stewards identificeren, het eens worden over een gemeenschappelijke taal en de data structureren, om een wereldwijd referentiesysteem op te bouwen. En hiervoor waren middelen nodig: “Je moet tijd kopen om het data beschikbaar te maken. We evalueerden de bestuurlijke schuld (twee of drie jaar) en maakten een schatting van de middelen die nodig waren om het bedrijf rond de data te leiden. We stelden een team van 100 mensen samen om de data voor te bereiden. We brachten nieuwe vaardigheden in de groep. We doen ook veel aan herhaalde evangelisatie om het budget te behouden dat ons in staat stelt om deze inspanning te leveren. Want L'Oréaliens zijn niet conceptueel. We moeten het concept in concrete termen vertalen”.

L'Oréal somt 50 use cases op die gebruik maken van product data. Van productportfoliobeheer tot distributieverbetering en voorraadbeheer. “Met een data als productstrategie wordt data verdeeld over de verschillende domeinen en wordt de voorbereiding ervan toevertrouwd aan de specialisten van elk merk, en wordt het knelpuntenprobleem opgelost”, besluit Jean-Noel.

Ook al heeft Orange een data-studio voor consulting en Collibra om de data te doorzoeken, het is niet genoeg: “Als we data storten, krijgen we duplicaten en dat levert problemen op. Als je naar de breedbandapparatuur van klanten vraagt, krijg je 800 antwoorden’. Is de klant uitgerust met vast, mobiel of glasvezel? De tool weet het niet. Heeft de klant toestemming gegeven? Ook dat weten we niet. Er is niet één enkele bron van waarheid of data die vertrouwd kan worden. Daarom worden er POC's uitgevoerd op deze vragen (”Wat is een Orange-klant?“ ”Wat is toestemming?“).

Orange loopt iets voor op L'Oréal, waar 40% van data beschikbaar is in de cloud. “Als eerste vereiste moet data beschikbaar en detecteerbaar zijn,” zegt Jean-Noel. “Daarna moeten we de domeinen in de data-waardeketen opklimmen, met data-verbruik als prestatiecriterium (KPI), om dichter bij zakelijke gebruikssituaties te komen. Daarachter zit de uitdaging van de data-cultuur, om mensen meer gestandaardiseerde oplossingen te laten accepteren en echte waarde te laten inzien.”

“Bij Carrefour hebben we ervoor gekozen om onze data-producteigenaren verantwoordelijk te maken,” legt Jean-Christophe uit. “Zij begrijpen het gebruik van data en zorgen voor de communicatie ervan: ‘Data-producten moeten gebruikt worden. Data producteigenaren moeten geïnteresseerd zijn in het gebruik van hun producten. In het verleden rapporteerde de business intelligence afdeling aan de domeinen. Maar nu doen de domeinen het zelf, met ondersteuning van BI. Zestig procent van de mensen die Carrefour in data heeft getraind, kwam uit de domeinen.’

Het is een heen-en-weer proces, legt Johan Picard uit, tussen analytics en operations: “De data moet omhoog naar analytics en weer terug naar operations. In het verleden konden data-bases analyse niet integreren, dus creëerden we het data-meer. In het nieuwe paradigma staan we dichter bij de data-bronnen en begrijpen we deze beter. Als gevolg daarvan hoeven we operaties en analyse niet langer te scheiden. Sommige van onze klanten hebben ze op hetzelfde plateau geplaatst. SAP-specialisten zitten zij aan zij met data-specialisten. Brice Miranda is het hiermee eens en voegt eraan toe: “We moeten de oude grenzen tussen analyse en operatie wegvagen en naar de bron gaan.”

Voor Jean-Noel Lucas: “Operationeel personeel moet begrijpen op welke data ze vertrouwen (door na te denken over hun processen) en ernaar streven om de data kwaliteit te verbeteren.” Voor de bevoorrading van winkels en een beter voorraadbeheer heeft L'Oréal bijvoorbeeld een laag aan PCM toegevoegd. “We willen onze systemen ‘API-ze’.” L'Oréal heeft uitgebreid gewerkt aan product data om een 360-zicht beschikbaar te maken voor retailers en consumenten. Om hun toeleveringsketen beter te beheren, moet L'Oréal haar catalogi beter segmenteren. En de nieuwe organisatie maakt het mogelijk om meer reactief te zijn, om wekelijks productieorders voor producten te plaatsen wanneer de vraag toeneemt.

Carrefour is het verst gegaan in het samenvoegen van analytics en operations: in deze nieuwe wereld wordt analytics een realtime operationeel hulpmiddel, op hetzelfde serviceniveau als operations. “Het productblad moet alle data registreren, inclusief verkoopcijfers. Dit maakt substitutiescores tussen producten mogelijk, voor het geval er een product ontbreekt. Dit was drie jaar geleden ondenkbaar,” besluit Jean-Christophe.