{"id":147387,"date":"2024-11-28T07:00:00","date_gmt":"2024-11-28T06:00:00","guid":{"rendered":"http:\/\/e3mag.com\/?p=147387"},"modified":"2024-11-28T08:38:42","modified_gmt":"2024-11-28T07:38:42","slug":"data-mesh-und-sap-datasphere-neue-wertschoepfung-aus-daten-fuer-alle-fachbereiche","status":"publish","type":"post","link":"https:\/\/e3mag.com\/de\/data-mesh-und-sap-datasphere-neue-wertschoepfung-aus-daten-fuer-alle-fachbereiche\/","title":{"rendered":"Data Mesh und SAP Datasphere: Neue Wertsch\u00f6pfung aus Daten f\u00fcr alle Fachbereiche"},"content":{"rendered":"\n

Die Entwicklung der Business-Datenhaltung und Auswertung reicht von den ersten Data Warehouses der 1980er-\u00adJahre \u00fcber die Konzepte Data Lakes, Hubs und Lakehouses. Zun\u00e4chst konnten Unternehmen aus den Zahlen die Vergangenheit ablesen und Schl\u00fcsse ziehen, dank sauberer Daten, Reports und schneller Auswertungen. Seit den 2010er-Jahren ist die \u00adLeistungsf\u00e4higkeit der Rechner und der \u00adAnwendungen auf einem Level, wo auch Vorhersagen (Predictive Analytics) und Handlungsempfehlungen (Prescriptive Analytics) m\u00f6glich sind.<\/p>\n\n\n\n

Viele Chancen, hohe Hindernisse<\/h2>\n\n\n\n

Daten und Datenanalysen gelten als Treibstoff f\u00fcr die digitale Transformation und den Wandel zum intelligenten Unternehmen. Aber die Hindernisse sind zahlreich:<\/p>

\"\"<\/a><\/div><\/div>\n\n\n\n
    \n
  • Daten-Silos machen es schwer, relevante Daten zu finden und darauf zuzugreifen.<\/li>\n\n\n\n
  • Zentrale physikalische Architekturen \u00adlimitieren die Datennutzung, schaffen Flaschenh\u00e4lse f\u00fcr die ben\u00f6tigte Rechenleistung.<\/li>\n\n\n\n
  • Die traditionelle Datenintegration ist arbeitsintensiv, komplex und verz\u00f6gert den Zugriff auf neue, wichtige Datenquellen.<\/li>\n\n\n\n
  • Data-Teams sind h\u00e4ufig mit Grundlagenarbeit \u00fcberlastet und m\u00fcssen sich parallel um die Anfragen aus dem Tagesgesch\u00e4ft k\u00fcmmern.<\/li>\n<\/ul>\n\n\n\n

    Diese H\u00fcrden lassen sich technisch \u00fcberwinden, dazu sp\u00e4ter mehr. Eine Vo\u00adraussetzung ist aber zun\u00e4chst eine Datenkultur im Unternehmen, die die effektive und ethische Nutzung von Daten zur Entscheidungsfindung und Innovation f\u00f6rdern m\u00f6chte. Ohne positive Datenkultur werden Organisationen keine datengesteuerten Unternehmen werden k\u00f6nnen.<\/p>\n\n\n\n

    H\u00e4ufig beginnt eine positive Datenkultur mit einem Umdenken bei den organi\u00adsatorischen Prinzipien. Beispielsweise bieten aktuell nur wenige Unternehmen allen Mitarbeitenden die M\u00f6glichkeit, eigenst\u00e4ndig Datenanalysen zu erstellen (per Self-\u00adService). Gerade in der Eigeninitiative und Kreativit\u00e4t der Fachbereiche liegt aber ein Schl\u00fcssel zur neuen Wertsch\u00f6pfung aus Daten. Generell gilt: Eine Organisation sollte sich die Haltung, die Praktiken und Werte bewusst machen, die den effektiven und verantwortungsvollen Umgang mit Daten f\u00f6rdern \u2013 dazu geh\u00f6ren Transparenz, Vertrauen, Datenkompetenz, Ethik und Kollaboration.<\/p>\n\n\n\n

    Data Mesh: eigenst\u00e4ndige und dezentrale Datenanalysen<\/h2>\n\n\n\n

    Viele Unternehmen haben in der Vergangenheit in einen zentralen Data Lake und ein Datenteam investiert und erwartet, ihr Gesch\u00e4ft auf der Grundlage von Daten voranzutreiben. Nach einigen anf\u00e4nglichen Erfolgen stellen sie jedoch fest, dass das zentrale Datenteam oft zum Engpass wird: Das Team kann nicht alle analytischen Fragen des Managements, der Produktverantwortlichen und Fachbereiche schnell genug beantworten. Gerade zeitnahe datengest\u00fctzte Entscheidungen sind aber entscheidend f\u00fcr die Wettbewerbsf\u00e4higkeit. Typische Fragestellungen sind:<\/p>\n\n\n\n

      \n
    • Kann ein h\u00f6herer Preis bei k\u00fcrzerer Lieferzeit durchgesetzt werden? Akzeptieren die Kunden l\u00e4ngere, aber zuverl\u00e4ssigere Lieferzeiten?<\/li>\n\n\n\n
    • Sollten wir in bestimmten M\u00e4rkten unser Portfolio eingrenzen oder ausweiten?<\/li>\n<\/ul>\n\n\n\n

      Das Datenteam m\u00f6chte all diese Fragen schnell beantworten. In der Praxis hat es jedoch Schwierigkeiten, weil es zu viel Zeit damit verbringt, Datenpipelines anzupassen und gegebenenfalls operative Daten\u00adbank\u00e4nderungen durchzuf\u00fchren. In der wenigen verbleibenden Zeit muss das Datenteam die erforderlichen Domaindaten ermitteln und verstehen.<\/p>\n\n\n\n

      Obwohl die Fachbereiche ihre Domains und den relevanten Informationsbedarf kennen, m\u00fcssen sie sich an das \u00fcberlastete zentrale Datenteam wenden, um datengest\u00fctzte Erkenntnisse zu erhalten.<\/p>\n\n\n\n

      Ein Ausweg besteht darin, die Verantwortung f\u00fcr die Daten vom zentralen Datenteam auf die Bereichsteams zu \u00fcber\u00adtragen. Dies ist der Kerngedanke des Data-\u00adMesh-Konzepts: domainorientierte Dezentralisierung f\u00fcr analytische Daten. Eine Data-\u00adMesh-Architektur erm\u00f6glicht es Fach\u00adbereichen und Domainteams, domain\u00ad\u00fcbergreifende Datenanalysen selbst durchzuf\u00fchren und Daten miteinander zu ver\u00adbinden, \u00e4hnlich wie APIs in einer Microservice-Architektur.<\/p>\n\n\n\n