Erhältst du zu wenig ROI auf Investitionen in deiner Dateninfrastruktur?

Na prima. Dann sind Sie ja in guter Gesellschaft. Bei vielen Unternehmungen sitzt die Geldtasche in puncto «Data» sehr locker. Das ist verständlich, gilt es doch für viele als strategisches Ziel, sich möglichst rasch zu einem «Data Driven» Unternehmen zu entwickeln. Bisher beklagen jedoch die meisten, den gewünschten Benefit nicht generieren zu können [1][2]. Es fehlt die notwendige End-To-End Agilität - von der Datenerzeugung bis hin zum Einsatz in neuen, innovativen Lösungen - um Daten wie gewünscht im Unternehmen zu verankern.

Daten rücken in den Mittelpunkt der Unternehmens- und IT-Strategie. In vielen Branchen gelten sie als Hoffnungsträger, um Alleinstellungsmerkmale zu gewinnen. Vor allem in gesättigten Märkten, wo die Differenzierung aus Kundensicht kaum über den Preis stattfinden kann, sondern massgeblich über das Kundenerlebnis gesteuert wird (z.B. Banking, Insurance etc.). Von der Produktgestaltung, über jeden Touchpoint mit dem Kunden bis hin zu Effizienzsteigerung bei der Leistungserbringung - es gilt mittels Analytics, Machine Learning und AI einen kompetitiven Vorteil zu erringen. Und die Basis hierfür bilden Daten. 

Die Architektur unserer Dateninfrastruktur hat sich in den letzten 60 Jahren kaum verändert. 

Jahrzehntelang haben wir DWHs gebaut, was für klassische Anwendungsfälle ausreichend war. Um Analytics, ML und AI den Zugang zu Rohdaten zu ermöglichen, bauen wir seit einer Dekade Data Lakes. Für eine bessere Skalierung machen wir das in der Zwischenzeit fast ausschließlich in der Cloud. Trotz dieser Evolution sind wir den Grundzügen treu geblieben: Daten fliessen von der Datenproduktion (z.B. durch Fachanwendungen) über die Ingestion und die Aufbereitung (im DWH oder Data Lake) zum Konsumenten. Um unsere Arbeit effizienter zu gestalten, organisieren wir uns nach Komponenten. Somit sind in der Regel Know-how Träger der Fachanwendung, der Datenaufbereitung und der Konsumation jeweils in eigenständigen Teams. Zudem erzeugt die zentrale Modellierung bei klassischen DWHs einen Bottleneck.

In der Regel organisieren wir uns in Silos. 

Bisher haben wir diese Silos in Kauf genommen – trotz den damit verbundenen Nachteilen wie:

• die aufwändigen Hand-Overs,
• der Disconnect und Verlust im Know-how,
• die lokalen Optimierungen ohne End-To-End Sicht
• sowie die schleppenden Entwicklungszyklen - vom Anschluss neuer Daten, der Aufbereitung bis hin zur Verwendung in einer neuen Lösung. 

Von den anfallenden Bottlenecks in den jeweiligen Silos ist ganz zu schweigen.

Und wo bleibt der Benefit?

Zur Erinnerung: Unternehmen erhoffen sich durch Daten und darauf bauenden Innovationen einen Konkurrenzvorteil. Es ist unabdinglich, möglichst rasch von der Idee zur Lösung zu kommen. Mit dem gegenwärtigen Setup ist das kaum möglich.

Keine Sorge. Es gibt ein Konzept um der Dateninfrastruktur Agilität zu verleihen.

Es heisst «Data Mesh» [3]. Die gute Nachricht: Für einmal muss man kein neues Produkt lizenzieren. Die schlechte Nachricht: Es ist trotzdem mit Aufwand verbunden. Denn «Data Mesh» richtet den Umgang mit Daten neu aus, was weitreichende Konsequenzen mit sich führt. Aber dieser Aufwand zahlt sich allemal aus.

Wir führen Dich zum ROI!

Wir werden in folgenden Blogs zuerst die grundlegenden Aspekte von Data Mesh unter die Lupe nehmen (Blog #2). Danach machen wir einen Ausflug in die technische Umsetzung (Blog #3) und zeigen auf, welche Wichtigkeit die Team Organisation darin spielt (Blog #4). Und dies stets mit dem Ziel, Dir aufzuzeigen, wie Du Daten für Deinen kompetitiven Vorteil einsetzen kannst. Und zu guter Letzt, wie Du endlich ROI auf Deine Investitionen erhälst.

Quellen

[1] Big Data and AI Executive Survey 2021 

[2] Market Guide for Analytics Query Accelerators (Gartner)

[3] «Data Mesh» by Zhamak Dehghani (O'Reilly Media)