Oversikt over datanett

Data mesh representerer en ny måte å se på informasjon på. Det er født fra det voksende konseptet at data faktisk er i seg selv et produkt, et verktøy, et middel til en slutt - ikke bare noe bedrifter samler og analyserer senere i et baklengs forsøk på å forstå ting som allerede har skjedd.

Data Mesh-definisjon

Datanett er en tilnærming til dataadministrasjon som bruker et distribuert arkitektonisk rammeverk. Med andre ord sprer det eierskap og ansvar for spesifikke datasett på tvers av virksomheten til brukere med spesialistekspertise for å forstå hva disse dataene betyr og hvordan de skal gjøre best mulig bruk av dem.

Data mesh arkitektur forbinder og henter data fra ulike kilder som datasjøer og lager. Deretter distribuerer den de relevante datasettene til de aktuelle menneskelige ekspertene og domeneteamene på tvers av virksomheten. I hovedsak blir en voluminøs overgang av data i en sentral datasjø sortert og fordelt i håndterbare biter til de som er best egnet til å forstå og utnytte den.

Datanettkilder

Data mesh oppstod rundt 2009 som svar på utfordringene med å skalere datarekitekturer i store, komplekse organisasjoner. Kjerneideen bak datanett er å desentralisere dataeierskap og arkitektur, behandle data som et produkt og tilordne ansvar til domene-orienterte team. Data mesh kombinerer prinsipper fra domenedrevet design, produkttenkning og selvbetjent infrastruktur, slik at organisasjoner kan skalere datasystemer uten å skape monolittiske flaskehalser.

Sentraliserte dataadministrasjonsmodeller mislykkes ofte i store organisasjoner på grunn av:

• Flaskehalser i leveringen: Ett sentralt team blir overbelastet, noe som reduserer datatilgang og analyse.
• Eierskapshull: Ingen klar ansvarlighet for datakvalitet på tvers av domener forårsaker inkonsekvente standarder og tillitsproblemer.
• Skalerbarhetsproblemer: Etter hvert som datavolumet og kompleksiteten vokser, sliter sentraliserte systemer med å skalere uten massive kostnader.
• Dårlig domenekunnskap: Sentrale team mangler dyp forståelse av forretningsdomener, noe som fører til dataprodukter av lav kvalitet eller manglende samkjøring.
• Begrenset smidighet: Endringer som krever koordinering gjennom ett team, reduserer svartiden til nye forretningsbehov.

Fordeler med datanett

Eldre databaser og begrensede datastyringsinfrastrukturer har bidratt til at data er noe å holde i et enkelt hvelv og utmålt etter skjønn av noen få databehandlere. Nå er data drivstoffet som driver virksomheten din; det bør gis fritt til de fagspesialistene som best vet hvordan de skal få det til å fungere og drive fortjeneste i konkurransedyktige tider.

De viktigste fordelene med data mesh arkitektur kan oppsummeres i tre kategorier:

Skalerbarhet og smidighet

Økt datatilgjengelighet: Data mesh sikrer at alle de riktige personene i hele organisasjonen kan få tilgang til dataene de trenger – for å være absolutt best på jobbene sine.

Tilpassbare datarørledninger og prosesser: Mange av de beste og potensielt mest lønnsomme prosjektene blir skrinlagt på grunn av det enorme stresset med å kurere de unike og tilpassede datasettene som trengs for å oppnå suksess. Med et datanett kan lagene raskt få tilgang til og teste nye prosjektmodeller uten tradisjonelt tap av tid eller ressurser.

Reduserte flaskehalser: Dette er en åpenbar seier/seier for både IT-lag og dataeiere. Videre, ved å redusere en kilde til frustrasjon og irritasjon bedrifter kan bidra til å bryte ned siloer som står i veien for sunn forretningsutvikling.

Kvalitet og tillit

Forbedrede analysefunksjoner: Når organisasjoner ser data som et produkt som skal brukes hver dag, begynner teamene å ta en data-først-tilnærming til planlegging og strategi. Dette fører til en reduksjon i feil og en mer objektiv, mindre meningsdrevet tilnærming til forretningsutvikling.

Samarbeid og gjenbruk på tvers av domener

Redusert belastning på sentrale databehandlingsteam: Dette betyr ikke bare å redusere backlogger og frustrasjon, men også frigjøre utallige timer for dine talentfulle IT-team til å vie til mer spesialiserte, interessante og lønnsomme sysler.

Ved å desentralisere eierskap og behandle data som et produkt, gir Data mesh organisasjoner mulighet til å bevege seg raskere, bygge tillit til innsikt og skalere sømløst på tvers av domener.

Hovedprinsipper for datanett

Når vi snakker om datasjøer og datanett, snakker vi i hovedsak om store data. Det som gjør data "store" er ikke bare dens enorme volum. Blant andre kriterier defineres også store data ved å være komplekse, variable, raskt genererte og ustrukturerte.

En lineær database er som et regneark: Den har kolonner og rader og uforanderlige kategorier som alle datakomponentene må passe inn i. Noen av dataene generert fra maskiner, sensorer og industrielle kilder er strukturert og passer pent inn i en lineær database. Uansett hvor mye datavolum du må håndtere, hvis det er 100% strukturert, oppfyller det ikke store datakriterier og kan plasseres i en lineær database, noe som gjør det relativt enkelt å filtrere og trekke ut.

Men i økende grad er moderne stordata ustrukturert og består av visuelle komponenter, åpen tekst og til og med video og rike medier. Disse viktige dataene kan omfatte tusenvis av terabyte informasjon for mange selskaper, og det kan rett og slett ikke lagres i en standard lineær database.

Oppgi datasjøen. Etter hvert som store datavolumer begynte å øke, ble datasjøer utviklet som et sted der komplekse data kunne lagres og aksesseres fra et sentralt depot i sitt råformat. Mens datasjøer representerer en utmerket løsning på problemet med store data, har de likevel svakheter. Datasjøer mangler visse analytiske funksjoner, noe som gjør dem avhengige av andre tjenester for henting, indeksering, transformasjon, spørring og analysefunksjonalitet.

Fire datanettprinsipper tar for seg utfordringene i datasjøer:

1. Domeneeierskap

Eierskap i datasjøer er kompleks for å definere når for mange aktører genererer og får tilgang til data. Hvis det ikke finnes klart definerte roller og ansvarsområder, kan det samme settet med data styres forskjellig av ulike parter, noe som skaper inkonsistenser som gjør det vanskelig å bruke. På samme måte ender andre data opp med å bli neglisjert når de ikke blir aktivt administrert av de som til slutt vil bruke dem.

Data mesh arkitektur løser dette ved å desentralisere eierskap. Det sikrer at datastyring er tydelig fordelt etter domene, slik at hver team eller domeneekspert styrer dataene de produserer og bruker. For å sikkerhetskopiere dette bruker datamasker også en samlet styringsstruktur for også å tillate sentral kontroll av datamodellering, sikkerhetspolicyer og konformitet. Data Mesh-eierskap skaper ansvarlighet og forbedrer dataenes brukervennlighet.

2. Data som produkt

Datasjøer kan ikke sikre datakvalitet når datavolumet blir for stort, eller når sentrale databehandlere selv ikke forstår det. Data mesh arkitektur behandler grunnleggende data som et verdifullt produkt, som setter kvaliteten og fullstendigheten av data i forkant av datahåndtering. Antagelig vet hvert lag de viktigste kriteriene og problemene de ønsker å ekstrapolere fra dataene de samler inn. Ved å integrere disse kriteriene og prioritetene i arkitekturen, kan datanett bidra til å sikre kontinuerlig og prioritert levering av rene, friske og komplette data, selv når større datasett er involvert. Og selvfølgelig, når maskinlæringsalgoritmer brukes, blir disse kriteriene og resulterende datasett stadig mer nøyaktige og nyttige over tid.

3. Selvbetjent dataplattform

Datasjøer kan skape flaskehalser på grunn av sin sentraliserte arkitektur og tradisjonelt vanskelige datainnsamlingsprosesser og -protokoller. Dette betyr vanligvis at kontrollen over en stor mengde konsoliderte data kommer ned til ett enkelt IT- eller dataadministrasjonsteam. Og etter hvert som datavolumene (og etterspørselen etter gjenfinning) øker, blir disse IT-teamene overbeskattet.

Videre må dataene gjennomgås og struktureres på riktig måte for å sikre overholdelse og overholdelse av prinsippene for datastyring. Når du står overfor utilbørlig press, kan det være en tendens til å skynde seg gjennom disse etterlevelsesstadiene, noe som genererer potensiell risiko og tap for selskapet. Prinsipper for datanett adresserer dette ved å muliggjøre en selvbetjent dataplattform. Den gir tilgang og kontroll til autoriserte spesialiserte brukere som har større interesse for dataene – alt mens de benytter strenge, innbakte sikkerhetsprotokoller. Dette reduserer flaskehalser og akselererer dataleveringen.

4. Føderert governance

Mens desentralisering er nøkkelen, kan ikke organisasjoner forlate styringen. Data mesh bruker en sammensluttet styringsmodell for å balansere autonomi med konsistens. Dette betyr at domener administrerer sine egne dataprodukter, men må overholde delte standarder for sikkerhet, konformitet og interoperabilitet i hele organisasjonen. Denne hybride tilnærmingen med datanettstyring sikrer smidighet uten å ofre tillit eller regulatorisk overholdelse.

Mens data mesh utfordringer eksisterer, desentraliserte og demokratiserte data management arkitektur har gjort bedrifter smartere, mer smidig og mer nøyaktig. Hvordan? Ved å sikre at de riktige dataene er umiddelbart tilgjengelige for de riktige personene, uansett hvor og når de trenger det. Data mesh gjør data-as-a-produkt til en realitet, reduserer barrierer og prioriterer verdien av informasjon, slik at teamene kan få raskere, uhindret tilgang til viktige data.

Arkitektur og rammeverk for datanett

Vi har diskutert hvordan datanett er en desentralisert form for datastruktur som behandler data som et viktig forretningsadministrasjonsverktøy. Og viktigst av alt, hvor uavhengige team er ansvarlige for å håndtere data innenfor sine områder av arbeid og ekspertise, samtidig som de sikrer samsvar med sentralt fastsatte datastyringspraksis. Denne endringen i tankegang er i kjernen av datanett.

En fugleperspektiv av en datanettarkitektur

I et datanett er domener kjerneprodusenter og forbrukere av data, hver eier sine data som et produkt for å sikre kvalitet og relevans. Den selvbetjente plattformen gir infrastrukturen for publisering, oppdagelse og forbruk av disse dataproduktene, sammen med automatiserte sikkerhets- og konformitetsfunksjoner. Styring opererer i en føderert modell som balanserer globale standarder for samvirkingsevne og sikkerhet med lokal autonomi, slik at domener kan innovere samtidig som tillit og konsekvens opprettholdes i hele organisasjonen.

For å få en bedre forståelse av hvordan datanettarkitekturen passer sammen, kan vi dykke ned i de tre hovedkomponentene.

Datakilder

Disse representerer depotet – som en datasjø – som de primære rådataene mates inn i. Enten det er samlet inn fra Cloud IIoT-nettverk, kundetilbakemeldingsskjemaer eller skrapte nettdata, er dette rådataene som brukerne vil referere til og behandle etter behov på tvers av nettverket. Mens en datasjøtilnærming ville føre alle disse dataene inn på ett sentralt sted, distribuerer datanettmetoden i stedet ansvaret for inntak, lagring, behandling og ekstraksjon av disse rådataene innenfor en rekke ansvarlige domener.

Infrastruktur for datanett

Informasjonen er ikke bare isolert innenfor individuelle avdelingsdomener, men kan også deles etter ønske på tvers av organisasjonens operasjonelle nettverk, samtidig som den er i samsvar med etablerte retningslinjer for datastyring. Dette er et direkte resultat av to av hovedpilarene i datanett: En selvbetjent dataplattform og føderert styring. Den selvbetjente dataplattformen gir verktøy og infrastruktur som trengs av hvert domene for å universelt innta, transformere, behandle og betjene deres data. I mellomtiden sikrer de fødererte styringsprinsippene standardisering på tvers av en organisasjon, noe som muliggjør uanstrengt interoperabilitet av data mellom alle domeneteamene.

Dataeiere

Som den endelige komponenten i et datanett er dataeiere ansvarlige for å bruke protokollene for overholdelse, styring og kategorisering for avdelingenes data. For eksempel må HR-filer lagres ved hjelp av visse sikkerhetsprotokoller, de må ikke brukes til dette eller dette formålet, de må bare frigis til en slik person. Selvfølgelig vil hver avdeling ha kategorier og typer data som er unike for sin avdeling eller formål. I et datasjøsystem må IT-teamene gripe med alle disse forskjellige protokollene og kategoriene for alle de forskjellige dataeierne som har dumpet ting inn i innsjøen. Mens datanettarkitektur gir domeneeierne full myndighet og kontroll over disse sakene fordi igjen, hvem bedre enn fagområdeksperter for å administrere sine egne data og sikre at de oppfyller kvalitetsstandarder?

Operasjonsmodellen for datanett

Operasjonsmodellen for datanett samler mennesker, prosesser og teknologi for å muliggjøre desentralisert datahåndtering i stor skala. Dette samarbeidet sikrer at data flyter sømløst på tvers av organisasjonen, fremmer tillit, smidighet og gjenbruk uten å stole på ett sentralisert team. Datanett muliggjør samvirkingsevne og oppdagbarhet ved å håndheve felles standarder og sørge for en felles plattform, konsekvente formater og søkebegreper og styringsregler for publisering og forbruk av dataprodukter. Data Mesh-verktøy som datakataloger og registre gjør at teamene raskt kan finne, få sikker tilgang til og bruke dataprodukter i hele organisasjonen.

Tenk på et datanett som en moderne by: Hvert nabolag (domene) administrerer sine egne verktøy og tjenester – som vann, elektrisitet og avfall – fordi de kjenner sine lokale behov best. Byen tilbyr felles infrastruktur, som veier og offentlig transport (selvbetjent plattform) og sikkerhetsstandarder (governance), slik at nabolag kan koble til, få tilgang til byressurser og samarbeide uten kaos. På denne måten flyter ressursene fritt over hele byen, alle følger felles regler, og innovasjon trives lokalt mens hele byen fungerer greit.

Data mesh i praksis: Eksempler og brukstilfeller

For at dataadministrasjonsløsninger skal utvikle seg og bli mer vellykkede, må de være anvendelige og relevante for et bredt spekter av applikasjoner og operasjoner. Etter hvert som datanettarkitektur og brukervennlighet forbedres, ser vi at et økt utvalg av virksomhetsfunksjoner organisasjoner kan forbedre med en sikker og distribuert tilnærming til data som et produkt og et verktøy.

La oss utforske noen vanlige forretningsbrukstilfeller for datanett.

Salg

For salgsteam kommer det hele ned til anskaffelse, pleie og avslutning av leads. Jo mer tid salgsteammedlemmene bruker på skrivebordet til å gjøre administrative oppgaver, desto mindre tid må de bygge relasjoner med nye kunder. Med datanettarkitektur trenger ikke salgsteambrukere å være databehandlings- og henteeksperter for å ha de kraftigste og mest relevante datasettene og kombinasjonene på fingertuppene. Når salgsavdelingene har alle de riktige dataene som skal analyseres, oversettes det til mer anvendelig innsikt og strategier.

Eksempel på salgsdatanett: Regionale eller produktspesifikke salgsteam kan eie sine CRM- og pipeline-datadomener, noe som muliggjør nøyaktig prognostisering og sanntidsdashboard uten å vente på et sentralt IT-team.

Forsyningskjede og logistikk

Moderne forsyningskjeder er sårbare for en enorm rekke forstyrrelser. Et konkurransefortrinn kommer når bedrifter raskt kan svinge og reagere på både trusler og muligheter med lik smidighet. Dagens globale forsyningskjededata kommer i tykt og raskt – fra tilbakemeldinger fra kunder, til IIoT-nettverk og digitale tvillinger. Når erfarne og kunnskapsrike forsyningskjedeledere selv er i stand til å kurere og drille inn i noen av disse datasettene i sanntid, får bedrifter en kraftig kilde til innsikt og skarpsindighet.

Eksempel på datanett for forsyningskjede: Optimalisering av forsyningskjeden krever sanntidsinnsyn i lagerbeholdninger, leverandørytelse og logistikkdata. Data mesh gir hvert domene - anskaffelse, lagring, transport - eierskap av sine dataprodukter, noe som muliggjør raskere beslutninger og kostnadseffektiv drift.

Produksjon

Som en del av forsyningskjeden er et selskaps produksjonsoperasjoner like sårbare for raske markedsskift og flyktige kundebehov. Tidligere måtte design og R&D-team stole på historiske kundedata, matet til dem fra andre avdelinger. I dag gir datanettet live datatilgang til brukere bak utkastbordet, på R&D og testing team, og hele veien til produksjonsgulvet. Tilbakemeldinger fra kunder i sanntid kan informere produktutvikling på et øyeblikk, og oppdatert intel fra IIoT-nettverk og digitale simuleringer kan hjelpe fabrikker med å kjøre tryggere, raskere og mer effektivt.

Eksempel på produksjonsdatanett: Grupper på fabrikknivå kan eie sensor- og maskinytelsesdata, noe som muliggjør prediktiv vedlikehold og reduserer nedetid gjennom desentralisert analyse.

Markedsføring

I dag former kundenes krav og forventninger fremtiden og endrer seg og vokser i et enestående tempo. Et enkelt merke har vanligvis utallige kontaktpunkter for forbrukere på tvers av sosiale medier, målrettede digitale annonser og nett- og omnikanal-shoppingportaler. Det nåværende markedet ser det økende ønsket om rask tilpasning, kortere produktlivssykluser og enorme valg- og konkurransenivåer. For å forstå og komme foran disse trendene, trenger moderne markedsførere sanntid og samtidig tilgang til et bredt utvalg av datasett. Tidligere har dette betydd å be om (og vente på) disse dataene fra andre avdelinger. Med et datanettverksoppsett kan imidlertid markedsførere kuratere og få tilgang til disse dataene for øyeblikket, på egne premisser.

Eksempel på markedsføringsdata: Bygging av en 360-visning av kunder krever integrering av data fra flere kanaler, for eksempel e-post, sosiale medier og betalte annonser. Data mesh gjør det mulig for hver kanal å eie sitt dataprodukt, noe som sikrer nøyaktig innsikt i sanntid for persontilpassede kampanjer og bedre kundeopplevelser.

HR

HR-team må administrere store mengder ekstremt komplekse og sensitive data. Og med den voksende trenden mot fjerntliggende og hybride arbeidsplasser, blir disse dataene mer kompliserte og geografisk mangfoldige hver dag. For ikke å nevne det stadig skiftende settet av overholdelse og juridiske problemer som HR-teamene må så raskt holde seg på toppen av. Fra ansettelse til pensjonering må HR-ledere kunne validere, vurdere og analysere noen av de mest generelle uensartede datasettene i en hvilken som helst organisasjon. Data mesh arkitektur tillater passende sikkerhetsprotokoller og tett begrenset tilgang. Samtidig gir den autoriserte HR-brukere tilgang til data og informasjon raskt og uten avhengighet av komplekse interne protokoller og fleravdelingsbyråkrati.

Eksempel på HR-datagjøring: Teamene for rekruttering, lønnsavregning og prestasjonsledelse kan styre sine egne datadomener, forbedre samsvar og aktivere personalanalyse i sanntid for strategisk beslutningstaking.

Finans

Som med HR er finans- og regnskapsteam også ansvarlige for enormt viktige og sensitive data. Moderne ERP-systemer revolusjonerer økonomi, og bruker in-memory-databaseteknologi for å tilpasse rapporter, analyser og projeksjoner i øyeblikket. Men selv når finansteamene bruker de beste databasene og ERP-ene, står de ofte overfor hindringer på grunn av langvarige og stive kulturer, tunge siloer og byråkratiske, gamle skoleprosesser. Data mesh arkitektur bringer en grunnleggende endring i hvordan finansdata blir sett på og administrert. Det kan til og med riste opp stillestående tenkning som kan skje når organisasjoner gir team mulighet til å eie og revidere sine egne aldringsdataprosesser.

Eksempel på finansdatagjennett: Finansplanleggingsteam kan eie domener for inntekter, utgifter og investeringsdata, noe som sikrer nøyaktig prognostisering og smidig scenariomodellering uten å stole på et enkelt sentralt team.

Det er klart at datanett ikke bare er et annet sumord og er en datastrategitrend som må tas på alvor. Bedrifter av alle størrelser og bransjer bruker datanett, og leter etter måter å bruke data på for å skape innsikt og verdi.

Alternativer for datanett

Mens datanett tilbyr en desentralisert tilnærming til datahåndtering, er det ikke det eneste alternativet. Tradisjonelle arkitekturer som datasjøer og datavarehus er fortsatt mye brukt for sentralisering og lagring av store datavolumer, ofte parret med datavarehus som kombinerer strukturerte og ustrukturerte data. Andre modeller, som datastoff, fokuserer på å skape et enhetlig lag for dataintegrasjon og orkestrering på tvers av ulike systemer. Hvert alternativ tar for seg skalerbarhet, styring og tilgjengelighet forskjellig, noe som gjør valget avhengig av organisatoriske behov og modenhet.

La oss se på datanettverksalternativene og hvordan de sammenligner.

Datanett vs. datasjø/lakehouse

Datanett vs. datavarehus

Datanett vs. datastoff

Implementering av datanett

Implementering av et datanett krever en strategisk tilnærming som balanserer desentralisering med delte standarder. Her er trinnene i nøkkeldatanettverket:

1. Identifiser pilotdomener: Start små ved å velge to eller tre domener med klar forretningsverdi og sterk datamodenhet. Disse teamene vil fungere som tidlige brukere, og bevise data mesh modellen før skalering på tvers av organisasjonen.
2. Etabler plattformen: Bygg en selvbetjent dataplattform som gir felles verktøy for publisering, oppdagelse og forbruk av dataprodukter. Dette inkluderer datakataloger, API-er og automatiserte sikkerhetsfunksjoner for å redusere friksjonen for domeneteamene.
3. Definer føderert governance: Opprett retningslinjer for governance som håndhever globale standarder for sikkerhet, konformitet og interoperabilitet, samtidig som domenenes autonomi tillates. Styringen bør omfatte tydelige roller, definisjoner av dataprodukter og kvalitetsforventninger.

Anti-mønstre å unngå

Når datanett gjøres feil ved ikke å følge naturlige organisasjonsmønstre, kan det føre til forvirring og uenighet. Et antimønster i datanett er en tilbakevendende tilnærming eller praksis som virker nyttig, men som til slutt undergraver kjerneprinsippene i arkitekturen. Anti-mønstre for å unngå inkluderer:

• Behandler datanett som bare en annen sentralisert datasjø.
• Å ignorere kulturendringer – teknologi alene vil ikke løse eierskapsproblemer.
• Overengineering plattformen før du beviser forretningsverdi.
• Manglende klar ansvarlighet for datakvalitet.
• Skalering for raskt uten å validere datanettverksmodellen i pilotdomener.

Fem anbefalte fremgangsmåter for datanett

1. Start liten og gjenta: Bruk pilotdomener til å presisere prosesser før skalering.
2. Behandle data som et produkt: Definer standarder for eierskap, SLA-er og brukervennlighet for hvert datasett.
3. Invester i delt verktøy: Gjør publisering og oppdagelse enkelt for domeneteam.
4. Bygg inn governance tidlig: Balanse autonomi med overholdelse fra starten.
5. Fokus på forretningsresultater: Juster dataprodukter med målbar verdi, ikke bare tekniske mål.

Ved å kombinere domeneeierskap, en robust plattform og føderert styring kan organisasjoner forbedre smidighet, tillit og samarbeid på tvers av domener – uten flaskehalser i tradisjonelle sentraliserte modeller.

Måling og målinger

Evaluering av suksess krever datamaskemetrikker som balanserer teknisk ytelse med forretningsresultater. Disse målingene kan omfatte:

• SLOs/SLA-er for dataproduktkvalitet: Essensielle, men må skreddersys etter konteksten for hvert domene i stedet for å brukes på en ensartet måte. Eksempel på dataprodukt-KPI-er er:

  • Datafriskhet: Prosentandel dataprodukter som oppdateres innenfor avtalt tidsramme, for eksempel hver time eller daglig
  • Fullstendighet: Prosent av obligatoriske felt utfylt på tvers av datasett
  • Tilgjengelighet: Oppetid for dataprodukter - for eksempel 99,9%

• Forbrukeradopsjon og gjenbruk: Kan være en sterk verdiindikator, men å måle det nøyaktig innebærer ofte sporing av bruksmønstre og tilbakemeldinger på tvers av team. Eksempel på konsumentoverføring og gjenbruk av KPI-er er:

  • Antall unike forbrukere per dataprodukt
  • Gjenbruksrate på tvers av domener: Prosentandel av dataprodukter som forbrukes av flere domener
  • Poengverdi for kundetilfredshet fra spørreundersøkelser eller tilbakemeldinger

• Tid til innsikt og kostnad å betjene: Fremhev effektivitetsgevinster sammenlignet med sentraliserte modeller, men disse forbedringene avhenger av organisasjonens modenhet og grunnlinjeprosesser. Eksempel på KPI-er for tid til innsikt og kostnad som skal betjenes, er:

  • Gjennomsnittlig tid fra dataforespørsel til anvendelig analyse
  • Reduksjon i driftskostnader sammenlignet med sentralisert modell
  • Prosent av reduksjon i restordre for dataforespørsler

• Felles konkurrentgap for å fange opp: Fokuser på områder der konkurrentene sliter og bruker datanettprinsipper for å overgå dem. Eksempel på konkurrentavvik for å registrere KPI-er er:

  • Antall identifiserte konkurrentsvakheter adressert gjennom dataproduktfunksjoner - for eksempel forbedret oppdagbarhet, raskere datatilgang
  • Fordel med tid til markedet for nye dataprodukter sammenlignet med konkurrenter
  • Økning i selvbetjeningsgrad sammenlignet med konkurrentestimater

Sammen gir disse målingene retningsbestemt innsikt i om datanett leverer smidighet, tillit og skalerbarhet uten å anta ensize-fits-all benchmark.

Ofte stilte spørsmål om datamasker