Zum Inhalt
Datenverbindung und Netz

Was ist ein Datennetz?

 

Diese Webseite wurde maschinell übersetzt. SAP übernimmt keine Gewährleistung hinsichtlich der Richtigkeit oder Vollständigkeit der maschinellen Übersetzung. Die ursprüngliche englische Webseite finden Sie über die Weltkarte in der oberen rechten Ecke dieser Seite.

Das Datennetz stellt eine neue Art dar, Informationen anzuzeigen. Es geht auf das wachsende Konzept zurück, dass Daten selbst ein Produkt, ein Werkzeug, ein Mittel zum Zweck sind – nicht einfach etwas, was Unternehmen später in einem rückwärtsgerichteten Versuch sammeln und analysieren, um Dinge zu verstehen, die bereits geschehen sind.

Data Mesh-Definition

Data Mesh ist ein Ansatz für das Datenmanagement, der ein verteiltes architektonisches Framework verwendet. Mit anderen Worten: Es verteilt die Verantwortlichkeit für bestimmte Datensätze im gesamten Unternehmen auf die Benutzer, die über das Fachwissen verfügen, um zu verstehen, was diese Daten bedeuten und wie sie am besten genutzt werden können.

 

 

Die Data-Mesh-Architektur verbindet und bezieht Daten aus verschiedenen Quellen wie Data Lakes und Warehouses und verteilt die relevanten Datensätze an die entsprechenden Experten und Domänenteams im gesamten Unternehmen. Im Wesentlichen wird eine große Menge an Daten in einem zentralen Data Lake sortiert und in überschaubare Chunks verteilt, um sie am besten zu verstehen und zu nutzen.

placeholder

 

 

Data-Mesh-Prinzipien für Data-Lake-Herausforderungen

Wenn wir über Data Lakes und Data Mesh sprechen, sprechen wir im Wesentlichen von Big Data. Was Daten zu „Big“ macht, ist nicht einfach ihr riesiges Volumen. Big Data wird unter anderem auch durch komplexe, variable, schnell generierte und unstrukturierte Daten definiert.


Eine lineare Datenbank ist wie eine Tabellenkalkulation: Sie hat Spalten und Zeilen sowie unveränderliche Kategorien, in die alle Datenkomponenten passen müssen. Einige der Daten, die aus Maschinen, Sensoren und industriellen Quellen generiert werden, sind strukturiert und passen nahtlos in eine lineare Datenbank. Ganz gleich, wie viel Datenvolumen Sie verarbeiten müssen: Wenn es zu 100 % strukturiert ist, erfüllt es die Big-Data-Kriterien nicht und kann in einer linearen Datenbank untergebracht werden, sodass es relativ einfach ist, zu filtern und zu extrahieren.   

 

Doch zunehmend sind moderne Big Data unstrukturiert und bestehen aus visuellen Komponenten, offenem Text und sogar aus Video- und Rich Media. Diese wichtigen Daten können für viele Unternehmen Tausende von Terabyte an Informationen umfassen und können einfach nicht in einer linearen Standarddatenbank gespeichert werden.

 

Geben Sie den Data Lake ein. Da die Big-Data-Volumen zunahmen, wurden Data Lakes als Ort entwickelt, an dem komplexe Daten in einem zentralen Repository in ihrem Rohformat gespeichert und darauf zugegriffen werden konnte. Data Lakes stellen zwar eine hervorragende Lösung für das Big-Data-Problem dar, weisen aber dennoch Schwachstellen auf. Data Lakes fehlen bestimmte Analysefunktionen, sodass sie von anderen Services für Abruf, Indizierung, Transformation, Abfragen und Analysefunktionen abhängig sind. Aus betriebswirtschaftlicher Sicht stellen Data Lakes außerdem drei weitere Herausforderungen dar:

 

1.      Die Eigentümerschaft an Data Lakes ist komplex zu definieren, wenn zu viele Spieler Daten generieren und darauf zugreifen. In Ermangelung klar definierter Rollen und Zuständigkeiten kann derselbe Datensatz von verschiedenen Parteien unterschiedlich verwaltet werden, was zu Inkonsistenzen führt, die die Verwendung erschweren. Auch andere Daten werden letztlich vernachlässigt, wenn sie nicht aktiv von denjenigen verwaltet werden, die sie letztendlich verwenden werden. Die Data-Mesh-Architektur stellt sicher, dass die Daten-Governance eindeutig nach Domäne verteilt wird, sodass jeder Team- oder Fachexperte die von ihnen produzierten und verwendeten Daten steuert. Um dies zu unterstützen, verwenden Datennetze auch eine föderierte Governance-Struktur, um auch die zentrale Kontrolle der Datenmodellierung, der Sicherheitsrichtlinien und der Compliance zu ermöglichen.

 

2.      Data Lakes können die Datenqualität nicht gewährleisten, wenn das Datenvolumen zu groß wird oder wenn zentrale Datenmanager sie selbst nicht verstehen. Die Data-Mesh-Architektur behandelt Daten grundsätzlich als wertvolles Produkt, was die Qualität und Vollständigkeit der Daten in den Vordergrund des Datenmanagements stellt. Vermutlich kennt jedes Team die wichtigsten Kriterien und Themen, die es aus den gesammelten Daten hochrechnen möchte. Durch die Integration dieser Kriterien und Prioritäten in die Architektur kann das Datennetz dazu beitragen, die kontinuierliche und priorisierte Bereitstellung sauberer, frischer und vollständiger Daten auch bei größeren Datenmengen sicherzustellen. Und natürlich werden bei der Anwendung von Algorithmen für maschinelles Lernen diese Kriterien und resultierenden Datensätze im Laufe der Zeit immer genauer und nützlicher.

 

3.      Data Lakes können aufgrund ihrer zentralisierten Architektur und traditionell schwierigen Datenabfrageprozessen und -protokollen zu Engpässen führen. Dies bedeutet in der Regel, dass die Kontrolle einer großen Menge konsolidierter Daten einem einzigen IT- oder Datenverwaltungsteam obliegt. Und  Mit steigender Datenmenge (und steigender Nachfrage nach deren Abruf) werden diese IT-Teams überbesteuert. 

 

Darüber hinaus müssen die Daten überprüft und ordnungsgemäß strukturiert werden, um die Einhaltung der Data-Governance-Grundsätze und deren Einhaltung sicherzustellen. Bei ungerechtfertigtem Druck kann es zu einem raschen Durchlaufen dieser Compliance-Phasen kommen, was potenzielle Risiken und Verluste für das Unternehmen mit sich bringt. Die Data-Mesh-Architektur hingegen bietet autorisierten Spezialbenutzern Zugriff und Kontrolle, die ein größeres Interesse an den Daten haben – alles unter Verwendung strenger, gebackener Sicherheitsprotokolle.

 

 

Die Prinzipien des Datennetzes haben sich als direkte Reaktion auf diese wachsenden Data-Lake-Herausforderungen herausgebildet. Die dezentrale und demokratisierte Datenmanagementarchitektur hat Unternehmen intelligenter, flexibler und präziser gemacht, indem sichergestellt wird, dass die richtigen Daten sofort den richtigen Personen zur Verfügung stehen, wo und wann sie sie benötigen. Data Mesh macht Data-as-a-Product zu einer tatsächlichen Realität, wodurch Barrieren abgebaut und der Wert von Informationen priorisiert wird, sodass Teams schneller und ungehindert auf wichtige Daten zugreifen können.

Erläuterung der Data-Mesh-Architektur

Wir haben besprochen, wie das Datennetz eine dezentrale Form der Datenarchitektur ist, die Daten als wesentliches Werkzeug für das Unternehmensmanagement behandelt. Und wichtig ist, dass unabhängige Teams dafür verantwortlich sind, die Daten in ihrem Arbeits- und Fachgebiet zu verarbeiten und gleichzeitig die Einhaltung zentral festgelegter Datenmanagementverfahren sicherzustellen. Diese Veränderung der Denkweise steht im Mittelpunkt des Datennetzes. Um besser zu verstehen, wie dies erreicht wird, können wir die Datennetzarchitektur als drei Hauptkomponenten betrachten:

 

1.      Datenquellen stellen das Repository (wie ein Data Lake) dar, in das die primären Rohdaten eingespeist werden. Ganz gleich, ob sie aus Cloud-IIoT-Netzwerken, Kundenfeedbackformularen oder zusammengekratzen Webdaten gesammelt werden – dies sind die Roheingabedaten, die nach Bedarf von Benutzern im gesamten Netzwerk referenziert und verarbeitet werden. Während ein Data-Lake-Ansatz all diese Daten an einem zentralen Ort zusammenführt, verteilt die Data-Mesh-Methodik stattdessen die Verantwortung für die Aufnahme, Speicherung, Verarbeitung und Extraktion dieser Rohdaten innerhalb einer Reihe verantwortlicher Domänen.

 

2.      Die Infrastruktur für Datennetze bedeutet, dass diese Informationen nicht nur innerhalb einzelner Abteilungsbereiche isoliert sind, sondern auch nach Belieben im operativen Netzwerk des Unternehmens gemeinsam genutzt werden können, während gleichzeitig die geltenden Richtlinien für die Daten-Governance eingehalten werden. Dies ist ein direktes Ergebnis von zwei der wichtigsten Säulen des Datennetzes: einer Self-Service-Datenplattform und einer föderierten Governance. Die Self-Service-Datenplattform stellt die Werkzeuge und die Infrastruktur bereit, die von jeder Domäne benötigt werden, um ihre Daten universell zu erfassen, zu transformieren, zu verarbeiten und bereitzustellen. Gleichzeitig stellen die föderierten Governance-Prinzipien eine unternehmensweite Standardisierung sicher und ermöglichen so eine mühelose Interoperabilität von Daten zwischen allen Domänenteams.

 

3.      Datenverantwortliche sind die letzte Komponente eines Datennetzes und sind für die Anwendung der Compliance-, Governance- und Kategorisierungsprotokolle für die Daten ihrer Abteilungen verantwortlich. Beispielsweise müssen HR-Dateien unter Verwendung bestimmter Sicherheitsprotokolle gespeichert werden. Sie dürfen nicht zu diesem Zweck oder zu diesem Zweck verwendet werden. Sie dürfen nur für eine solche Person freigegeben werden. Natürlich verfügt jede Abteilung über Kategorien und Typen von Daten, die für ihre Abteilung oder ihre Zwecke einzigartig sind. In einem Data-Lake-System müssen IT-Teams mit all diesen verschiedenen Protokollen und Kategorien für alle verschiedenen Dateneigentümer, die Dinge in den See geworfen haben, zusammenkommen. Während die Datennetzarchitektur Bereichsverantwortlichen die volle Autorität und Kontrolle über diese Angelegenheiten gibt, weil sie wiederum besser als Fachbereichsexperten ihre eigenen Daten verwalten und sicherstellen, dass sie Qualitätsstandards erfüllen. 

 

placeholder

Datennetz in der Praxis: Wer nutzt sie und warum?

Damit sich Datenmanagementlösungen weiterentwickeln und erfolgreicher werden können, müssen sie für eine Vielzahl von Anwendungen und Vorgängen nutzbar und relevant sein. Mit der Verbesserung der Datennetzarchitektur und der Benutzerfreundlichkeit sehen wir eine erweiterte Palette von Geschäftsfunktionen, die durch einen sicheren und verteilten Ansatz für Daten als Produkt und Werkzeug erweitert werden können.

 

Im Folgenden finden Sie einige gängige Anwendungsfälle:

  • Vertrieb: Für Vertriebsteams geht es darum, Leads zu akquirieren, zu pflegen und zu schließen. Je mehr Zeit Ihre Verkaufsteammitglieder an ihren Schreibtischen für administrative Aufgaben aufwenden, desto weniger Zeit haben sie, um Beziehungen zu neuen Kunden aufzubauen. Mit der Data-Mesh-Architektur müssen Verkaufsteambenutzer keine Experten für Datenmanagement und -abruf sein, um die leistungsfähigsten und relevantesten Datensätze und -kombinationen zur Hand zu haben. Wenn Vertriebsabteilungen alle richtigen Daten für die Analyse haben, werden daraus aussagekräftigere Erkenntnisse und Strategien gewonnen.
  •  Lieferkette und Logistik: Moderne Lieferketten sind anfällig für eine enorme Bandbreite von Störungen. Ein Wettbewerbsvorteil liegt darin, dass Unternehmen schnell reagieren und flexibel auf Bedrohungen und Chancen reagieren können. Die globalen Logistikdaten von heute sind dick und schnell – vom Kundenfeedback über IIoT-Netzwerke bis hin zu digitalen Zwillingen. Wenn erfahrene und versierte Supply Chain Manager selbst in der Lage sind, diese Datensätze in Echtzeit zu kuratieren und zu analysieren, erhalten Unternehmen eine leistungsstarke Quelle von Erkenntnissen und Fähigkeiten.
  • Fertigung: Als Teil der Logistikkette sind die Fertigungsabläufe eines Unternehmens ebenso anfällig für rasche Marktveränderungen und schwankende Kundenanforderungen. Früher mussten sich Design- und R&D-Teams auf historische Kundendaten verlassen, die ihnen aus anderen Abteilungen zur Verfügung gestellt wurden. Heute bietet das Datennetz den Nutzern auf der Grundlage der Entwurfstabelle, in den Forschungs- und Entwicklungs- und Testteams und auf dem gesamten Weg zur Fertigung Live-Datenzugriff. Kundenfeedback in Echtzeit kann die Produktentwicklung sofort und in kürzester Zeit über IIoT-Netzwerke informieren. Dank digitaler Simulationen können Fabriken sicherer, schneller und effizienter arbeiten.
  • Marketing: Kundenanforderungen und -erwartungen prägen heute die Zukunft und verändern sich und wachsen in beispiellosem Tempo. Eine einzelne Marke verfügt in der Regel über unzählige Verbraucherkontaktpunkte über soziale Medien, zielgerichtete digitale Anzeigen sowie Online- und Omnichannel-Einkaufsportale. Der aktuelle Markt sieht den wachsenden Wunsch nach rascher Anpassung, kürzeren Produktlebenszyklen und enormen Auswahl- und Wettbewerbsniveaus. Um diese Trends zu verstehen und zu nutzen, benötigen moderne Marketingexperten Echtzeitzugriff auf eine Vielzahl von Datensätzen. In der Vergangenheit bedeutete dies, dass diese Daten von anderen Abteilungen angefordert (und darauf gewartet) wurden. Mit der Einrichtung eines Datennetzes können Marketingexperten diese Daten jedoch zu ihren eigenen Bedingungen im Moment kuratieren und darauf zugreifen.
  • Personalwesen: HR-Teams müssen große Mengen äußerst komplexer und sensibler Daten verwalten. Und mit dem zunehmenden Trend zu Remote- und Hybridarbeitsplätzen werden die Daten jeden Tag komplizierter und geografisch vielfältiger. Ganz zu schweigen von den sich ständig ändernden Compliance-und rechtlichen Fragen, bei denen die HR-Teams so dringend auf dem Laufenden bleiben müssen. Von der Einstellung bis zum Ruhestand müssen Personalleiter in der Lage sein, einige der am weitesten voneinander abweichenden Datensätze in jedem Unternehmen zu validieren, zu bewerten und zu analysieren. Die Architektur des Datennetzes ermöglicht geeignete Sicherheitsprotokolle und einen engen eingeschränkten Zugriff. Gleichzeitig können autorisierte HR-Benutzer schnell und ohne Abhängigkeit von komplexen internen Protokollen und abteilungsübergreifender Bürokratie auf Daten und Informationen zugreifen.
  • Finanzwesen: Wie das Personalwesen, das Finanzwesen und das Rechnungswesen sind auch für äußerst wichtige und sensible Daten verantwortlich. Moderne ERP-Systeme revolutionieren das Finanzwesen mit In-Memory-Datenbanktechnologie, um aktuelle Berichte, Analysen und Prognosen anzupassen. Doch selbst wenn Finanzteams die besten Datenbanken und ERP-Lösungen verwenden, sind sie oft noch immer mit Hindernissen konfrontiert, weil sie von langjährigen und starren Kulturen, schweren Silos und bürokratischen Prozessen in der Altschule geplagt sind. Die Datennetzarchitektur bringt eine grundlegende Veränderung bei der Betrachtung und Verwaltung von Finanzdaten mit sich – und kann sogar das stagnierende Denken aufrütteln, das passieren kann, wenn Teams die Möglichkeit haben, ihre eigenen veralteten Datenprozesse zu besitzen und zu überarbeiten.

Mehr als nur ein Hype: Datennetz als neuer Ansatz zur Steigerung der Agilität bei der Wertschöpfung aus Daten.

Der obige Satz stammt aus der aktuellen Blogreihe „Give Data Purpose Weekly“, in der Experten Tipps und Tricks aus Gesprächen zur Kundendatenstrategie über die Praxis der Verwendung von Daten in Geschäftsprozessen und Anwendungsfällen teilen, um Einblicke und Mehrwert zu schaffen.  Es ist klar, dass das Datennetz nicht nur ein weiteres Schlagwort ist, sondern ein Trend der Datenstrategie ist, der ernst genommen werden muss.  Data Mesh wird in diesem Blog der Reihe beleuchtet und untersucht, wie Unternehmen jeder Größe und Branche derzeit über das Thema des Datennetzes informiert werden, um aus Daten geschäftlichen Nutzen zu ziehen.

Vorteile des Datennetzes

In der Vergangenheit haben Altdatenbanken und begrenzte Datenmanagementinfrastrukturen dazu beigetragen, dass Daten in einem einzigen Tresor gespeichert und nach dem Ermessen einiger Datenmanager bereitgestellt werden müssen. Jetzt sind Daten der Treibstoff, der Ihr Unternehmen fördert, und sie sollten frei an Fachexperten weitergegeben werden, die am besten wissen, wie sie funktionieren und in Wettbewerbszeiten Gewinne erzielen können. Die wesentlichen Vorteile der Data-Mesh-Architektur lassen sich wie folgt zusammenfassen:

  • Verbesserte Zugänglichkeit von Daten. Das Datennetz stellt sicher, dass alle richtigen Personen in Ihrem Unternehmen auf die Daten zugreifen können, die sie benötigen – um die absolute Beste für ihre Arbeit zu sein.
  • Verbesserte Analysefunktionen. Wenn Daten als Produkt betrachtet werden, das täglich verwendet werden soll, beginnen die Teams, einen datenorientierten Ansatz für die Planung und Strategie zu verfolgen. Dies führt zu weniger Fehlern und einem objektiveren, weniger meinungsorientierten Ansatz bei der Unternehmensentwicklung.
  • Anpassbare Datenpipelines und -prozesse. Viele der besten und potenziell rentabelsten Projekte werden abgeschottet, da es enorm schwierig ist, die einzigartigen und maßgeschneiderten Datensätze zu kurieren, die für den Erfolg erforderlich sind. Mit einem Datennetz können Teams schnell auf neue Projektmodelle zugreifen und diese testen, ohne dass sonst Zeit oder Ressourcen verloren gehen.
  • Engpässe können reduziert werden. Dies ist sowohl für IT-Teams als auch für Datenverantwortliche ein offensichtlicher Gewinn/Gewinn. Außerdem können Unternehmen durch den Abbau von Frustrations- und Reizquellen dazu beitragen, Silos abzubauen, die einer gesunden Geschäftsentwicklung im Wege stehen.
  • Geringere Belastung der zentralen Datenverwaltungsteams. Das bedeutet, dass Sie nicht nur Rückstände und Frustration reduzieren, sondern auch Ihren talentierten IT-Teams unzählige Stunden für speziellere, interessantere und rentablere Aufgaben freisetzen können. 
placeholder

SAP-Daten- und Analyselösungen

Identifizieren, analysieren und transformieren Sie die relevantesten Daten in Ihrem gesamten Unternehmen.

Häufig gestellte Fragen zu Datennetzen

Im Kern geht es bei der Datendemokratisierung darum, die Datenprobleme zu lösen, mit denen Menschen bei ihrer täglichen Arbeit konfrontiert sind.  In diesem Blog finden Sie weitere Details zur Definition, zu den Prinzipien und dazu, wie Sie Mitarbeitern helfen können, datenbezogene Fragen zu stellen und Antworten zu erhalten.

Interoperabilität ist definiert als die Fähigkeit eines Systems oder Produkts, ohne besonderen Aufwand des Benutzers mit anderen Systemen oder Produkten zu arbeiten.  Techtarget fügt hinzu, dass es Unternehmen dabei hilft, eine höhere Effizienz und eine ganzheitlichere Sicht auf Informationen und Daten zu erzielen. Für detailliertere Informationen enthält diese offene MOOC-Lektion die Grundlagen der Dateninteroperabilität sowie die verschiedenen Arten und Schichten der Interoperabilität von Daten.

 

 

Data Mesh und Data Fabric sind unterschiedliche Architekturansätze innerhalb der Datenmanagementstrategie eines Unternehmens.

 

Data Fabric ist ein technozentrierter Ansatz, der versucht, zunehmend nahtlose Möglichkeiten zur Verwaltung komplexer Metadaten und unstrukturierter Informationen zu finden, indem KI, maschinelles Lernen und fortschrittliche Analysen zusammengeführt werden. Data Mesh hingegen ist zwar von allen technologischen Entwicklungen innerhalb des Datengefüges abhängig, konzentriert sich jedoch stärker auf die Integration von Datenmanagementprozessen mit den Menschen, die auf sie angewiesen sind – und auf der Suche nach Möglichkeiten, den Datenzugriff und den Nutzen aus der Sicht der Menschen zu optimieren und zu vereinfachen.

Zwischen Datennetzen und Datennetzen besteht eine Hicken-Eier-Beziehung: Um das Datenmanagement in der erforderlichen Geschwindigkeit weiterzuentwickeln, sind immer weiterführende Technologien erforderlich. Doch ohne eine begleitende Weiterentwicklung menschlicher Prozesse und Organisationsstrategien werden die Menschen nicht in der Lage sein, die fortschrittlichen Technologien für die Datengefüge richtig zu nutzen. So wie DOS und komplexe Schnittstellen den nahtlosen Computer-Betriebssystemen, die wir heute genießen, den Weg geebnet haben, sind die Datennetz- und Data-Fabric-Architekturen darauf ausgerichtet, mit zunehmendem Fortschritt dieser Prozesse und Technologien nahtlos zu wachsen.

SAP-Insights-Newsletter

placeholder
Jetzt abonnieren

Abonnieren Sie unseren Newsletter und erhalten Sie wichtige Informationen und Einblicke.

Weitere Lektüre

Zum Seitenanfang