{"id":39398,"date":"2022-10-10T10:51:39","date_gmt":"2022-10-10T08:51:39","guid":{"rendered":"http:\/\/54.194.80.134.nip.io\/?p=39398"},"modified":"2023-02-12T21:41:43","modified_gmt":"2023-02-12T20:41:43","slug":"das-data-mesh-konzept-umsetzen","status":"publish","type":"post","link":"https:\/\/www.cubeserv.com\/de\/das-data-mesh-konzept-umsetzen\/","title":{"rendered":"BI-Self-Service unterst\u00fctzen \u2013 das Data Mesh-Konzept umsetzen!"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Wie erheben Sie das volle Potential Ihrer Daten? Die Vernetzung der verschiedenen Akteure ist der vielversprechendste Weg, um mit schnellem, agilem Arbeiten hochwertige Ergebnisse zu erreichen. So werden Berichtsempf\u00e4nger zu Gestaltern mit Fakten. Data Mesh weist den Weg zu einer Zusammenarbeit auf Augenh\u00f6he. Sie haben noch nichts zum Data Mesh-Konzept geh\u00f6rt? Gerne stelle ich es Ihnen kurz vor.<\/p>

Sie kennen die Situation bestimmt auch: Es ist Mittwoch und zahlreiche Hiobsbotschaften trafen in den letzten Tagen ein: Auftr\u00e4ge mussten storniert werden, die n\u00e4chste Corona-Welle baut sich auf und die Entwicklung im Winter ist aufgrund der unsicheren Energieversorgung mehr als unklar. Die meisten Daten werden Sie im Data Warehouse finden. Nur ist es nicht so einfach, die verschiedenen Abfragen \u201erichtig\u201c zu interpretieren und in neue Analysen einfliessen zu lassen.<\/p>

Um hier schnell die richtigen Entscheidungen vorzubereiten, ben\u00f6tigen Sie qualitativ hochwertige Datenprodukte als Input und die F\u00e4higkeit, selbst Daten zu kombinieren, aufzubereiten und zu analysieren. Abh\u00e4ngig von den Fragestellungen und Ihren Vorkenntnissen wird sich das von den Kollegen unterscheiden.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\"Vernetzung\"\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Heutzutage sind Daten allgegenw\u00e4rtig und werden bei vielen digitalen Aktionen eingesammelt. Laut Statista lag das Gesamtdatenvolumen der Daten im Jahr 2020 bei 64,2 Zettabyte, und es wird prognostiziert, dass es bis 2025 auf 181 Zettabyte pro Jahr ansteigen wird (hbs). In dieser Atmosph\u00e4re ist eines klar: Daten sind das neue \u00d6l der digitalen Wirtschaft. Und eine robuste Datenanalyse erm\u00f6glicht es Unternehmen, einzigartige Muster aus komplexen Datens\u00e4tzen zu erkennen, die sie bei der schnellen und optimalen Entscheidungsfindung in einem immer dynamischeren Markt und in der Wirtschaft unterst\u00fctzen.\u00a0<\/p>

Gl\u00fccklicherweise bietet die Data-Mesh-Architektur einen Ausweg aus dieser Situation. Data Mesh wurde erstmals von Zhamak Dehghani, die zur Zeit der ersten Ver\u00f6ffentlichung bei Thoughtworks arbeitete, entwickelt. Es nutzt die Prinzipien des modernen Software-Engineerings und die Erkenntnisse aus dem Aufbau von robusten, internetbasierten L\u00f6sungen, um das wahre Potenzial von Unternehmensdaten zu erschliessen. Dieses architektonische Paradigma erobert nun die Branche im Sturm.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Veraltete Datenplattformen und ihre Unzul\u00e4nglichkeiten<\/h2>

Bislang haben Unternehmen in der Regel auf Data Warehouses und Data Lakes zur\u00fcckgegriffen, um grosse Datenmengen f\u00fcr Analysezwecke zu speichern. Daher hat sich die analytische Datenebene \u00fcblicherweise zwischen diesen beiden Hauptarchitekturen und -technologien aufgeteilt. Data Warehouses dienen als Repository f\u00fcr strukturierte, gefilterte Daten und unterst\u00fctzen anschliessend die Zugriffsmuster f\u00fcr analytische und Business-Intelligence-Berichte. Data Lakes hingegen nehmen riesige Rohdatenpools auf, so dass Data Science ins Spiel kommen kann. Beide Plattformen waren jeweils in zentraler Verantwortung. So dass jede Ver\u00e4nderung durch einen aufw\u00e4ndigen Change-Prozess genehmigt werden musste und bis zur Produktivsetzung erhebliche Zeit ins Land ging.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\"Data\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Seit Jahrzehnten sind diese Plattformen das vorherrschende Paradigma f\u00fcr die Datenverwaltung. Diese Art von Dateninfrastruktur erzeugt zentralisierte und standardisierte Betriebsdaten, die dann an den Eigent\u00fcmer der Dom\u00e4ne zur\u00fcckgegeben werden. Diese Art von Datenarchitektur zielt darauf ab, Daten aus allen Bereichen des Unternehmens und von externen Datenanbietern zu konsolidieren und diese Rohdaten in bereinigte, gut organisierte, aggregierte Daten umzuwandeln, die f\u00fcr Berichte, Analysen, die Erstellung von Funktionen und die Modellierung verwendet werden k\u00f6nnen.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Obwohl im Laufe der Jahre erfolgreich bereichsorientiertes Design mit eingeschr\u00e4nktem Kontext in den operativen Systemen erstellt wurde, haben sich Datenplattformen vom bereichsorientierten Dateneigentum hin zu einem zentralisierten, bereichsunabh\u00e4ngigen Dateneigentum entwickelt.
W\u00e4hrend dieses zentralisierte Modell f\u00fcr Unternehmen mit einfacheren Dom\u00e4nen und einer geringen Anzahl von unterschiedlichen Analysef\u00e4llen ausreicht, stossen Organisationen mit umfangreichen Dom\u00e4nen, einer grossen Anzahl von Quellen und einer Vielzahl von Verbrauchern an die Grenzen eines zentralisierten Ansatzes:<\/p>