Data Mesh-översikt

Data mesh representerar ett nytt sätt att se på information. Det föds ur det växande konceptet att data faktiskt i sig är en produkt, ett verktyg, ett medel till ett slut – inte bara något företag samlar och analyserar senare i ett bakåtsträvande försök att förstå saker som redan har hänt.

Data Mesh-definition

Data mesh är en metod för datahantering som använder en distribuerad arkitektonisk ram. Med andra ord sprider det ägande och ansvar för specifika dataset över hela verksamheten till användare med specialistkompetens för att förstå vad dessa data innebär och hur de ska användas på bästa sätt.

Datasnäcksarkitektur kopplar samman och hämtar data från olika källor, till exempel datasjöar och lager. Därefter distribueras relevanta dataset till lämpliga mänskliga experter och domänteam över hela verksamheten. I grund och botten sorteras och distribueras ett omfångsrikt virrvarr av data i en central datasjö till de som är bäst lämpade för att förstå och utnyttja den.

Ursprung datamätverk

Data mesh har sitt ursprung runt 2009 som svar på utmaningarna med skalning av dataarkitekturer i stora, komplexa organisationer. Kärntanken bakom data-mesh är att decentralisera dataägarskap och arkitektur, behandla data som en produkt och tilldela ansvar till domänorienterade team. Data mesh kombinerar principer från domändriven design, produkttänkande och självbetjäningsinfrastruktur, vilket gör det möjligt för organisationer att skala datasystem utan att skapa monolitiska flaskhalsar.

Centraliserade datahanteringsmodeller misslyckas ofta i stora organisationer på grund av:

• Flaskhalsar i leveransen: Ett enda centralt team blir överbelastat, vilket gör dataåtkomsten och analysen långsammare.
• Klyftor i ägandet: Ingen tydlig ansvarsskyldighet för datakvaliteten inom olika områden orsakar inkonsekventa standarder och förtroendeproblem.
• Skalbarhetsproblem: I takt med att datavolym och komplexitet växer kämpar centraliserade system för att skalas utan massiva pålägg.
• Dålig domänkunskap: Centrala team saknar djup förståelse för affärsdomäner, vilket leder till låg kvalitet eller felanpassade dataprodukter.
• Begränsad smidighet: Ändringar som kräver samordning genom ett team bromsar reaktionsförmågan till föränderliga affärsbehov.

Fördelar med datamaskor

Äldre databaser och begränsade infrastrukturer för datahantering har bidragit till att data är något som ska förvaras i ett enda valv och mätas ut efter gottfinnande av ett fåtal datahanterare. Nu är data det bränsle som driver ditt företag; det bör ges fritt till de ämnesspecialister som bäst vet hur man får det att fungera och driva vinst i konkurrenskraftiga tider.

De viktigaste fördelarna med data mesh arkitektur kan sammanfattas i tre kategorier:

Skalbarhet och smidighet

Ökad datatillgänglighet: Datanät säkerställer att alla rätt personer i hela organisationen kan få tillgång till de data de behöver – för att vara absolut bäst på sitt jobb.

Anpassningsbara dataledningar och processer: Många av de bästa och potentiellt mest lönsamma projekten läggs på hyllan på grund av det enorma krånglet med att kurera de unika och anpassade dataset som behövs för att nå framgång. Med ett datanät kan team snabbt komma åt och testa nya projektmodeller utan att förlora tid eller resurser.

Minskade flaskhalsar: Detta är en uppenbar vinst/vinst för både IT-team och dataägare. Dessutom kan företag genom att minska en källa till frustration och irritation bidra till att bryta ner silor som står i vägen för en sund affärsutveckling.

Kvalitet och förtroende

Förbättrade analysfunktioner: När organisationer ser data som en produkt som ska användas varje dag börjar team ta ett första steg mot planering och strategi. Detta leder till färre fel och ett mer objektivt, mindre opinionsstyrt förhållningssätt till affärsutveckling.

Domänöverskridande samarbete och återanvändning

Minskad belastning på centrala datahanteringsteam: Detta innebär inte bara att minska eftersläpningar och frustration utan också att frigöra otaliga timmar för dina duktiga IT-team att ägna sig åt mer specialiserade, intressanta och lönsamma aktiviteter.

Genom att decentralisera ägandet och behandla data som en produkt ger datamätverk organisationer möjlighet att röra sig snabbare, bygga förtroende för insikter och skala sömlöst över domäner.

Grundläggande principer för datamaskor

När vi pratar om datasjöar och datamaskiner talar vi i huvudsak om big data. Det som gör data ”stora” är inte bara dess enorma volym. Bland andra kriterier definieras också big data genom att de är komplexa, variabla, snabbt genererade och ostrukturerade.

En linjär databas är som ett kalkylblad: den har kolumner och rader och oföränderliga kategorier som alla datakomponenter måste passa in i. En del av de data som genereras från maskiner, sensorer och industriella källor är strukturerade och passar snyggt in i en linjär databas. Oavsett hur mycket datavolym du har att göra med, om det är 100% strukturerat uppfyller det inte big data-kriterier och kan placeras i en linjär databas, vilket gör det relativt enkelt att filtrera och extrahera.

Men allt mer är moderna stordata ostrukturerade och består av visuella komponenter, öppen text och till och med video och rika medier. Denna viktiga data kan innehålla tusentals terabyte information för många företag, och den kan helt enkelt inte lagras i en vanlig linjär databas.

Ange datasjö. I takt med att stora datavolymer började öka utvecklades datasjöar som en plats där komplexa data kunde lagras och nås från ett centralt förråd i råformat. Datasjöar är visserligen en utmärkt lösning på problemet med stora data, men de har ändå svagheter. Datasjöar saknar vissa analysfunktioner, vilket gör dem beroende av andra tjänster för hämtning, indexering, transformation, frågor och analysfunktioner.

Fyra principer för datamaskor tar itu med de utmaningar som datasjöarna står inför:

1. Domänägarskap

Ägarskap i datasjöar är komplicerat att definiera när alltför många aktörer genererar och får tillgång till data. I avsaknad av tydligt definierade roller och ansvarsområden kan samma uppsättning uppgifter hanteras olika av olika parter, vilket skapar inkonsekvenser som gör det svårt att använda. På samma sätt blir andra uppgifter försummade när de inte aktivt hanteras av dem som i slutändan kommer att använda den.

Data-mesh-arkitektur löser detta genom att decentralisera ägandet. Det säkerställer att datastyrningen distribueras tydligt av domänen så att varje team eller domänexpert styr de data de producerar och använder. För att säkerhetskopiera detta använder datamaskar även en samordnad styrningsstruktur för att även möjliggöra central kontroll av datamodellering, säkerhetspolicyer och efterlevnad. Data Mesh-ägande skapar ansvarsskyldighet och förbättrar dataanvändbarheten.

2. Uppgifter som produkt

Datasjöar kan misslyckas med att säkerställa datakvaliteten när datavolymen blir för stor eller när centrala datahanterare själva inte förstår det. Data mesh arkitektur behandlar data i grunden som en värdefull produkt, vilket sätter kvaliteten och fullständigheten av data i framkant av datahantering. Förmodligen känner varje team till de viktigaste kriterierna och frågorna som de vill extrapolera från de data de samlar in. Genom att integrera dessa kriterier och prioriteringar i arkitekturen kan datamätet bidra till att säkerställa kontinuerlig och prioriterad leverans av rena, färska och fullständiga data, även när större dataset är inblandade. Och naturligtvis, när maskininlärningsalgoritmer tillämpas, blir dessa kriterier och resulterande dataset alltmer exakta och användbara med tiden.

3. Självbetjäningsdataplattform

Datasjöar kan skapa flaskhalsar på grund av sin centraliserade arkitektur och traditionellt svåra datainsamlingsprocesser och protokoll. Detta innebär vanligtvis att kontrollen över en stor mängd konsoliderade data kommer till ett enda IT- eller datahanteringsteam. Och i takt med att datavolymen (och efterfrågan på dess hämtning) ökar, blir dessa IT-team överbeskattade.

Dessutom måste uppgifterna ses över och struktureras på ett korrekt sätt för att säkerställa efterlevnad och efterlevnad av principerna för datastyrning. Vid otillbörligt tryck kan det finnas en tendens att rusa igenom dessa efterlevnadssteg, vilket genererar potentiella risker och förluster för företaget. Principerna för datanätet tar upp detta genom att möjliggöra en dataplattform för självbetjäning. Det ger tillgång och kontroll till auktoriserade specialiserade användare som har ett större egenintresse för data – samtidigt som de använder strikta, inbyggda säkerhetsprotokoll. Detta minskar flaskhalsar och påskyndar dataleveransen.

4. Samordnad styrning

Även om decentralisering är nyckeln kan organisationer inte överge styrning. Data mesh använder en samordnad styrningsmodell för att balansera autonomi med konsistens. Det innebär att domäner hanterar sina egna dataprodukter, men måste följa gemensamma standarder för säkerhet, efterlevnad och interoperabilitet i hela organisationen. Denna hybrida metod för datamaskstyrning säkerställer smidighet utan att offra förtroende eller regelefterlevnad.

Samtidigt som det finns datamätsutmaningar har decentraliserad och demokratiserad datahanteringsarkitektur gjort företag smartare, smidigare och mer exakta. Hur? Genom att säkerställa att rätt data är omedelbart tillgänglig för rätt personer, var och när de behöver det. Data mesh gör data-as-a-produkt till en verklig verklighet, vilket minskar barriärer och prioriterar värdet av information så att team kan få snabbare, obehindrad tillgång till viktiga data.

Arkitektur och ramar för datamaskiner

Vi har diskuterat hur data mesh är en decentraliserad form av dataarkitektur som behandlar data som ett viktigt affärshanteringsverktyg. Och viktigast av allt, hur oberoende team är ansvariga för att hantera data inom sina områden av arbete och expertis, samtidigt som de säkerställer att de följer centralt fastställda datahanteringspraxis. Denna förändring av tänkesättet är kärnan i datamaskinen.

En fågel-eye-vy av en datamätarkitektur

I en datamaskin är domänerna de viktigaste producenterna och konsumenterna av data, var och en äger sina data som en produkt för att säkerställa kvalitet och relevans. Självbetjäningsplattformen tillhandahåller infrastrukturen för publicering, upptäckt och användning av dessa dataprodukter, tillsammans med automatiserade säkerhets- och efterlevnadsfunktioner. Governance fungerar i en samordnad modell som balanserar globala standarder för interoperabilitet och säkerhet med lokal autonomi, så domäner kan innovera samtidigt som förtroende och konsekvens upprätthålls i hela organisationen.

För att bättre förstå hur data-mesh-arkitekturen passar ihop, låt oss dyka in i dess tre huvudkomponenter.

Datakällor

Dessa representerar lagringsplatsen – som en datasjö – i vilken primära rådata matas in. Oavsett om det samlas in från molnet IIoT nätverk, kundåterkopplingsformulär eller skrapade webbdata, är detta rådata som användarna kommer att referera och bearbeta efter behov i hela nätverket. Medan en datasjöstrategi skulle trattla alla dessa data till en central plats, distribuerar datamaskemetoden istället ansvaret för intag, lagring, bearbetning och extraktion av dessa rådata inom en rad ansvarsfulla domäner.

Infrastruktur för datanät

Information är inte bara isolerad inom enskilda departementsdomäner utan kan också delas efter behag i organisationens operativa nätverk samtidigt som den är förenlig med etablerade riktlinjer för datastyrning. Detta är ett direkt resultat av två av nyckelpelarna i datamaskinen: en dataplattform med självbetjäning och en samordnad styrning. Självbetjäningsdataplattformen tillhandahåller de verktyg och den infrastruktur som behövs för varje domän för att universellt mata in, transformera, bearbeta och betjäna deras data. Samtidigt säkerställer de federerade styrningsprinciperna standardisering i en organisation, vilket möjliggör smidig interoperabilitet mellan data mellan alla domängrupper.

Dataägare

Som den sista komponenten i ett datanät ansvarar dataägare för att tillämpa protokollen för regelefterlevnad, styrning och kategorisering för avdelningarnas data. HR-filer måste till exempel lagras med hjälp av vissa säkerhetsprotokoll, de får inte användas för detta eller detta ändamål, de får endast släppas till en sådan person. Naturligtvis kommer varje avdelning att ha kategorier och typer av data som är unika för deras avdelning eller ändamål. I ett datasjösystem måste IT-team brottas med alla dessa olika protokoll och kategorier för alla de olika dataägare som dumpat grejer i sjön. Medan datamätsarkitektur ger domänägare full auktoritet och kontroll över dessa frågor, för återigen, vem är bättre än experter på ämnesområden att hantera sina egna uppgifter och se till att de uppfyller kvalitetsnormerna?

Operativmodellen för datamätet

Operativmodellen för datamätet samlar människor, processer och teknik för att möjliggöra decentraliserad datahantering i stor skala. Detta samarbete säkerställer att data flödar sömlöst över hela organisationen och främjar förtroende, smidighet och återanvändning utan att förlita sig på ett enda centraliserat team. Datanät möjliggör interoperabilitet och upptäckbarhet genom att tillämpa gemensamma standarder och tillhandahålla en gemensam plattform, konsekventa format och söktermer samt styrningsregler för publicering och användning av dataprodukter. Data-mesh-verktyg som datakataloger och register gör det möjligt för team att snabbt hitta, säkert komma åt och använda dataprodukter i hela organisationen.

Tänk på ett datanät som en modern stad: Varje stadsdel (domän) hanterar sina egna verktyg och tjänster – som vatten, elektricitet och avfall – eftersom de känner till sina lokala behov bäst. Staden tillhandahåller delad infrastruktur, som vägar och kollektivtrafik (självbetjäningsplattform) och säkerhetsstandarder (styrning), så att stadsdelar kan ansluta, komma åt stadens resurser och samarbeta utan kaos. På så sätt flödar resurserna fritt över staden, alla följer gemensamma regler och innovation frodas lokalt samtidigt som hela staden fungerar smidigt.

Datanät i praktiken: Exempel och användningsfall

För att datahanteringslösningar ska kunna utvecklas och bli mer framgångsrika måste de vara användbara och relevanta för ett brett spektrum av applikationer och verksamheter. I takt med att datamätarkitektur och användarvänlighet förbättras ser vi ett ökat utbud av affärsfunktioner som organisationer kan förbättra med en säker och distribuerad metod för data som produkt och verktyg.

Låt oss utforska några vanliga användningsfall för datamätverk.

Försäljning

För säljteam handlar allt om att förvärva, vårda och stänga leads. Ju mer tid dina säljare tillbringar på sina skrivbord för administrativa uppgifter, desto mindre tid har de på sig att bygga relationer med nya kunder. Med data mesh arkitektur behöver säljteamanvändare inte vara datahanterings- och hämtningsexperter för att ha de mest kraftfulla och relevanta dataset och kombinationer nära till hands. När försäljningsavdelningarna har all rätt data att analysera översätts det till mer användbara insikter och strategier.

Exempel på försäljningsdata-mesh: Regionala eller produktspecifika försäljningsteam kan äga sina CRM- och pipelinedatadomäner, vilket möjliggör korrekta prognoser och instrumentpaneler i realtid utan att vänta på ett centralt IT-team.

Försörjningskedja och logistik

Moderna försörjningskedjor är sårbara för ett enormt antal störningar. En konkurrensfördel kommer när företag kan pivotera snabbt och bemöta både hot och möjligheter med jämlik smidighet. Dagens globala försörjningskedjedjedjedata kommer i tjock och snabb takt – från kundfeedback, till IIoT-nätverk och digitala tvillingar. När erfarna och kunniga försörjningskedjechefer själva kan kurera och borra i någon av dessa dataset i realtid, får företag en kraftfull källa till insikt och acumen.

Exempel på data i försörjningskedjan: Optimering av försörjningskedjan kräver insyn i lagernivåer, leverantörsprestanda och logistikdata i realtid. Data mesh ger varje domän – inköp, lagring, transport – äganderätt till sina dataprodukter, vilket möjliggör snabbare beslut och kostnadseffektiv drift.

Tillverkning

Som en del av försörjningskedjan är ett företags tillverkningsverksamhet lika sårbar för snabba marknadsförändringar och instabila kundkrav. Tidigare skulle design- och FoU-team behöva förlita sig på historiska kunddata, som matas till dem från andra avdelningar. Idag ger datamaskinen tillgång till realtidsdata för användare bakom ritbordet, på R&D och testteam, och hela vägen till tillverkningsgolvet. Återkoppling från kunder i realtid kan ge information om produktutveckling på ett ögonblick, och en uppdaterad intel från IIoT-nätverk och digitala simuleringar kan hjälpa fabriker att köra säkrare, snabbare och effektivare.

Exempel på tillverkningsdata: Produktionsteam kan äga sensor- och maskinprestandadata, vilket möjliggör prediktivt underhåll och minskar stilleståndstiden med hjälp av decentraliserade analyser.

Marknadsföring

Idag formar kundernas krav och förväntningar framtiden och förändras och växer i en aldrig tidigare skådad takt. Ett enda varumärke har vanligtvis otaliga kontaktpunkter för konsumenter på sociala medier, riktade digitala annonser och online- och omnikanalsportaler. Den nuvarande marknaden ser en växande önskan om snabb anpassning, kortare produktlivscykler och enorma nivåer av urval och konkurrens. För att förstå och komma före dessa trender behöver moderna marknadsförare tillgång i realtid och samtidigt till en mängd olika dataset. Tidigare har detta inneburit att begära (och vänta på) dessa uppgifter från andra avdelningar. Med en data-mesh inställning, kan marknadsförare dock kurera och komma åt dessa data i ögonblicket, på sina egna villkor.

Exempel på marknadsföringsdata-mesh: För att skapa en 360-kundvy krävs att data integreras från flera kanaler, t.ex. e-post, sociala och betalda annonser. Data mesh gör det möjligt för varje kanal att äga sin dataprodukt, vilket säkerställer korrekta insikter i realtid för personanpassade kampanjer och bättre kundupplevelser.

Personaladministration

HR-team måste hantera stora mängder extremt komplexa och känsliga data. Och med den växande trenden mot avlägsna arbetsplatser och hybridarbetsplatser blir data mer komplicerat och geografiskt varierat varje dag. För att inte tala om den ständigt föränderliga uppsättning efterlevnads- och juridiska frågor som HR-team så snabbt måste hålla sig på topp. Från anställning till pensionering måste personalchefer kunna validera, bedöma och analysera några av de mest olikartade datauppsättningarna i alla organisationer. Data Mesh-arkitektur möjliggör lämpliga säkerhetsprotokoll och strikt begränsad åtkomst. Samtidigt gör den det möjligt för behöriga HR-användare att snabbt få tillgång till data och information utan att vara beroende av komplexa interna protokoll och byråkrati med flera avdelningar.

Exempel på HR-data: Grupper för rekrytering, lönekörning och prestationshantering kan styra sina egna datadomäner, förbättra efterlevnaden och möjliggöra personalanalys i realtid för strategiskt beslutsfattande.

Ekonomi

Precis som med HR ansvarar ekonomi- och redovisningsteam också för enormt avgörande och känsliga uppgifter. Moderna ERP-system revolutionerar ekonomin och använder in-memory-databasteknik för att anpassa aktuella rapporter, analyser och projektioner. Men även när finansteam använder de bästa databaserna och de europeiska forskningsprogrammen möter de ofta fortfarande hinder på grund av långvariga och stela kulturer, tunga silor och byråkratiska, gamla skolprocesser. Data mesh arkitektur ger en grundläggande förändring i hur finansiella data ses och hanteras. Det kan till och med skaka upp stillastående tänkande som kan hända när organisationer ger team möjlighet att äga och revidera sina egna åldrandedataprocesser.

Exempel på finansdata: Finansplaneringsteam kan äga domäner för intäkter, utgifter och investeringsdata, vilket säkerställer korrekt prognostisering och smidig scenariomodellering utan att förlita sig på ett enda centralt team.

Det är tydligt att datamaskor inte bara är ännu ett buzzword och är en trend för datastrategi som måste tas på allvar. Företag i alla storlekar och branscher använder datanät och letar efter sätt att använda data för att skapa insikter och värde.

Data Mesh-alternativ

Data mesh erbjuder en decentraliserad metod för datahantering, men det är inte det enda alternativet. Traditionella arkitekturer som datasjöar och datalager används fortfarande i stor utsträckning för centralisering och lagring av stora datavolymer, ofta parade med datahallar som kombinerar strukturerade och ostrukturerade datafunktioner. Andra modeller, som datatyg, fokuserar på att skapa ett enhetligt lager för dataintegration och orkestrering över olika system. Varje alternativ behandlar skalbarhet, styrning och tillgänglighet på olika sätt, vilket gör valet beroende av organisationens behov och mognad.

Låt oss titta på datamasken alternativ och hur de jämför.

Datanät kontra datasjö/sjötomt

Datanät jämfört med datalager

Datanät kontra datatyg

Implementeringsdatanät

För att implementera ett datamätverk krävs ett strategiskt tillvägagångssätt som balanserar decentralisering med gemensamma standarder. Här är de viktigaste data-mesh-stegen:

1. Identifiera pilotdomäner: Börja smått genom att välja två eller tre domäner med tydligt affärsvärde och stark datamängd. Dessa team kommer att fungera som tidiga användare och bevisa data-mesh-modellen innan de skalar över hela organisationen.
2. Etablera plattformen: Bygg en självbetjäningsdataplattform som tillhandahåller vanliga verktyg för publicering, upptäckt och användning av dataprodukter. Detta inkluderar datakataloger, API:er och automatiserade säkerhetsfunktioner för att minska friktionen för domänteam.
3. Definiera samordnad styrning: Skapa styrningspolicyer som genomdriver globala standarder för säkerhet, efterlevnad och interoperabilitet samtidigt som domäner tillåts vara självständiga. Styrningen bör omfatta tydliga roller, definitioner av dataprodukter och kvalitetsförväntningar.

Anti-mönster för att undvika

När datanät görs felaktigt genom att inte följa naturliga organisationsmönster kan det leda till förvirring och osämja. Ett antimönster i datamätet är ett återkommande tillvägagångssätt eller praktik som verkar vara till hjälp men i slutändan undergräver arkitekturens grundprinciper. Anti-mönster för att undvika inkluderar:

• Behandling av datanät som bara en annan centraliserad datasjö.
• Att ignorera kulturella förändringar – enbart teknik kommer inte att lösa ägarfrågor.
• Överkonstruera plattformen innan man bevisar affärsvärde.
• Bristande tydlig ansvarsskyldighet för datakvaliteten.
• Skalar för snabbt utan att validera data-mesh-modellen i pilotdomäner.

Fem bästa metoder för datamaskiner

1. Starta små och iterera: Använd pilotdomäner för att förfina processer före skalning.
2. Behandla data som en produkt: Definiera standarder för ägarskap, SNA och användbarhet för varje dataset.
3. Investera i delade verktyg: Gör publicering och upptäckt enkelt för domänteam.
4. Bädda in styrning tidigt: Balans autonomi med efterlevnad från början.
5. Fokus på affärsresultat: Anpassa dataprodukter med mätbart värde, inte bara tekniska mål.

Genom att kombinera domänägande, en robust plattform och en samordnad styrning kan organisationer förbättra smidigheten, förtroendet och samarbetet över domängränserna – utan flaskhalsar i traditionella centraliserade modeller.

Mätning och mått

För att utvärdera framgång krävs datamätmått som balanserar tekniska resultat med affärsresultat. Dessa mätetal kan inkludera:

• SLOs/SNA:er för dataproduktkvalitet: Viktiga, men måste skräddarsys efter varje domäns kontext snarare än tillämpas enhetligt. Exempel på dataproduktnyckeltal är:

  • Datafrihet: Procentandel dataprodukter som uppdateras inom överenskommen tid – till exempel timme eller dag
  • Fullständighet: Procent av obligatoriska fält som fylls i över datauppsättningar
  • Tillgänglighet: Drifttid för dataprodukter – till exempel 99,9 %

• Konsumentanpassning och återanvändning: Kan vara en stark indikator på värde, men att mäta det noggrant innebär ofta att spåra användningsmönster och feedback mellan team. Exempel på nyckeltal för kundanpassning och återanvändning är:

  • Antal unika konsumenter per dataprodukt
  • Återanvändningsgrad mellan domäner: Procentandel dataprodukter som förbrukats av flera domäner
  • Konsumentnöjdhetspoäng från enkäter eller feedback

• Tid till insikt och kostnad att tjäna: Markera effektivitetsvinster jämfört med centraliserade modeller, men dessa förbättringar beror på organisatorisk mognad och grundprocesser. Exempel på nyckeltal för tid till insikt och kostnad att tjäna är:

  • Genomsnittlig tid från databegäran till utförbar insikt
  • Minskning av driftskostnader jämfört med centraliserad modell
  • Procentuell minskning av eftersläp för databegäranden

• Gemensamma konkurrentklyftor att fånga upp: Fokusera på områden där konkurrenter kämpar och använder data mesh principer för att överträffa dem. Exempel på konkurrentlucka för att fånga nyckeltal är:

  • Antal identifierade svagheter hos konkurrenten som åtgärdats med hjälp av dataproduktfunktioner, till exempel förbättrad upptäckbarhet och snabbare dataåtkomst
  • Fördelar från tid till marknad för nya dataprodukter jämfört med konkurrenter
  • Ökning av självbetjäningsgraden jämfört med konkurrenternas uppskattningar

Tillsammans ger dessa mätetal en direkt inblick i huruvida datamätet ger flexibilitet, förtroende och skalbarhet utan att utgå från riktmärken som passar alla.

Vanliga frågor om Data Mesh