4 Min. Lesezeit
Datenplattformen, BI-Lösungen und Analytics sind in vielen Organisationen längst etabliert. Trotzdem bleibt der praktische Nutzen oft hinter den Erwartungen zurück. Daten sind vorhanden, aber schwer auffindbar. Fachbereiche benötigen schnelle Antworten, müssen aber auf zentrale Teams warten. Gleichzeitig steigen die Anforderungen an Datenqualität, Datenschutz und Nachvollziehbarkeit. Data Mesh setzt genau an dieser Stelle an. Der Ansatz betrachtet Daten nicht nur als technisches Artefakt, sondern als Teil der organisatorischen Wertschöpfung. Es geht darum, Verantwortung neu zu verteilen, fachliches Wissen besser einzubinden und Daten so bereitzustellen, dass sie langfristig nutzbar bleiben. Dadurch ist Data Mesh weniger eine einzelne Architekturentscheidung, sondern vielmehr ein Betriebsmodell für den Umgang mit Daten.
Warum zentrale Datenmodelle an Grenzen stoßen
In vielen Organisationen liegt die Verantwortung für Daten bei einem zentralen BI- oder Data-Team. Dieses Team integriert Daten aus verschiedenen Quellsystemen, baut Datenmodelle, erstellt Reports und kümmert sich um Qualität, Berechtigungen und Betrieb. Dieses Vorgehen ist nachvollziehbar und hat lange funktioniert. Mit wachsender Anzahl an Datenquellen, Fachbereichen und Analyseanforderungen entsteht jedoch ein Engpass. Die zentrale Einheit muss immer mehr Anforderungen priorisieren, obwohl das fachliche Wissen oft in den einzelnen Geschäftsbereichen liegt. Der Vertrieb kennt seine Kunden- und Auftragsdaten. Die Produktion versteht Maschinen-, Qualitäts- und Prozessdaten. Finance kennt die Logik hinter Kennzahlen, Buchungen und Planwerten. Wenn dieses Wissen nicht direkt in die Bereitstellung der Daten einfließt, entstehen Missverständnisse, Wartezeiten und Qualitätsprobleme. Data Mesh versucht, diese Trennung zwischen fachlichem Verständnis und technischer Datenbereitstellung zu verringern.
Datenverantwortung gehört näher an die Fachbereiche
Ein wesentliches Prinzip von Data Mesh ist die Verantwortung der Domänen. Eine Domäne ist ein fachlicher Bereich mit klar abgegrenztem Geschäftskontext. Sie kennt die Bedeutung der eigenen Daten, ihre Entstehung und typische Schwachstellen. Statt Daten nur an ein zentrales Team weiterzugeben, übernehmen Domänen eine aktivere Rolle. Sie stellen Daten in einer Form bereit, die von anderen Bereichen genutzt werden kann. Aus internen Rohdaten werden kuratierte Datenprodukte. Ein Datenprodukt ist dabei mehr als eine Tabelle oder ein Export. Es besitzt eine fachliche Beschreibung, definierte Qualitätsregeln, klare Verantwortliche und geregelte Zugriffe. Nutzerinnen und Nutzer sollen verstehen können, wofür das Datenprodukt gedacht ist, wie aktuell es ist und an wen sie sich bei Fragen wenden können. Dieser Produktgedanke verändert die Erwartung an Daten. Sie werden nicht nur gesammelt, sondern bewusst gestaltet und gepflegt.
Data Mesh braucht mehr als Technologie
Der Begriff Data Mesh wird häufig mit modernen Plattformen, Cloud-Technologien oder Lakehouse-Architekturen verbunden. Diese Technologien können wichtig sein, sie lösen das Grundproblem aber nicht allein.
Die entscheidenden Fragen sind organisatorisch.
Wer trägt die Verantwortung für ein Datenprodukt?
Wer entscheidet über fachliche Definitionen?
Wer prüft die Datenqualität?
Wie werden Zugriffe geregelt?
Welche Standards gelten über alle Domänen hinweg?
Wie werden Konflikte zwischen Bereichen entschieden?
Solche Fragen lassen sich nicht nur durch Tools beantworten. Sie benötigen Rollen, Prozesse und ein gemeinsames Verständnis. Genau deshalb ist Data Mesh ein soziotechnischer Ansatz. Die technische Plattform und die organisatorische Veränderung müssen zusammen gedacht werden. Ohne klare Verantwortlichkeiten bleibt eine neue Plattform nur eine weitere technische Lösung. Ohne passende Plattform wird dezentrale Verantwortung im Alltag schnell zu aufwendig.
Self-Service mit klaren Leitplanken
Damit Domänen Datenprodukte eigenständig bereitstellen können, benötigen sie eine Self-Service-Plattform. Diese Plattform soll wiederkehrende technische Aufgaben vereinfachen. Dazu gehören Datenaufnahme, Verarbeitung, Speicherung, Katalogisierung, Berechtigungen, Monitoring und Deployment. Self-Service bedeutet jedoch nicht, dass jedes Team eigene Regeln und Werkzeuge nutzt. Genau das würde neue Silos schaffen. Entscheidend ist ein gemeinsamer Rahmen, in dem Domänen eigenständig arbeiten können. Eine gute Plattform nimmt Teams technische Komplexität ab und sorgt gleichzeitig dafür, dass zentrale Vorgaben eingehalten werden. Sicherheitsregeln, Metadaten, Qualitätsprüfungen und Zugriffskonzepte sollten möglichst fest in die Plattformprozesse eingebettet sein. So entsteht ein Gleichgewicht. Die Fachbereiche gewinnen Handlungsspielraum, ohne dass das Unternehmen Kontrolle, Transparenz oder Compliance verliert.
Governance muss föderiert organisiert sein
Data Mesh funktioniert nur, wenn Governance nicht als rein zentrale Kontrollinstanz verstanden wird. In einem dezentralen Modell braucht es gemeinsame Standards, aber auch fachliche Nähe. Federated Governance verbindet beides. Zentrale Prinzipien werden unternehmensweit definiert. Dazu zählen etwa Datenschutz, Datenklassifikation, Namenskonventionen, Qualitätsmetriken und Mindestanforderungen an Dokumentation. Die konkrete Umsetzung erfolgt in den Domänen. Ein zentrales Data Office oder Governance Board kann Standards moderieren, übergreifende Entscheidungen treffen und bei Konflikten unterstützen. Die Verantwortung für die jeweiligen Datenprodukte bleibt jedoch bei den fachlichen Bereichen. Dieser Ansatz verhindert zwei Extreme. Einerseits entsteht kein unkontrollierter Wildwuchs. Andererseits werden Domänen nicht durch zu starre zentrale Vorgaben ausgebremst.
Die Rolle moderner Datenplattformen
Für Data Mesh braucht es eine technische Grundlage, die dezentrale Arbeit ermöglicht und gleichzeitig gemeinsame Standards unterstützt. In vielen Unternehmen eignet sich dafür eine Lakehouse-Architektur. Ein Lakehouse verbindet Eigenschaften eines Data Lakes mit Funktionen eines Data Warehouse. Unterschiedliche Datentypen können gespeichert und verarbeitet werden, während analytische Nutzung, Performance und Governance unterstützt werden. Für Data Mesh ist daran besonders relevant, dass mehrere Domänen auf einer gemeinsamen Plattform arbeiten können. Jede Domäne kann eigene Datenprodukte entwickeln, ohne eine vollständig eigene Infrastruktur aufzubauen. Gleichzeitig bleiben zentrale Funktionen wie Zugriffskontrolle, Metadatenmanagement und Qualitätssicherung einheitlich steuerbar. Trotzdem gilt: Ein Lakehouse ist kein Data Mesh. Es kann den Ansatz unterstützen, ersetzt aber nicht die organisatorische Veränderung. Erst wenn Plattform, Rollen und Governance zusammenspielen, entsteht ein tragfähiges Modell.
Datenprodukte müssen für Nutzer gedacht werden
Ein gutes Datenprodukt beginnt nicht bei der technischen Struktur, sondern bei der Frage, wer es nutzt und welchen Zweck es erfüllt. Die beste Datenbasis hilft wenig, wenn unklar bleibt, was einzelne Felder bedeuten oder ob die Daten für einen bestimmten Anwendungsfall geeignet sind. Deshalb sollten Datenprodukte verständlich beschrieben sein. Sie brauchen fachliche Definitionen, Angaben zur Aktualität, Qualitätsinformationen und Hinweise zu Einschränkungen. Auch Verantwortliche müssen sichtbar sein. Das Ziel ist Verlässlichkeit. Nutzerinnen und Nutzer sollen Daten nicht jedes Mal neu prüfen, erklären lassen oder selbst bereinigen müssen. Je besser ein Datenprodukt dokumentiert und gepflegt ist, desto häufiger kann es wiederverwendet werden. Dadurch sinkt der Aufwand für einzelne Projekte. Gleichzeitig steigt das Vertrauen in die Datenbasis.
Rollen und Verantwortung entscheiden über den Erfolg
Data Mesh verändert die Zusammenarbeit zwischen Fachbereichen, IT und zentralen Datenteams. Diese Veränderung gelingt nur, wenn Rollen klar definiert sind. Fachbereiche benötigen Personen, die Verantwortung für Datenprodukte übernehmen. Data Engineers unterstützen bei technischer Umsetzung und Automatisierung. Data Stewards achten auf Qualität, Definitionen und Nutzbarkeit. Plattformteams stellen Werkzeuge und Standards bereit. Governance-Verantwortliche sorgen für einen gemeinsamen Ordnungsrahmen. Wichtig ist, dass diese Rollen nicht nur formal benannt werden. Sie brauchen Zeit, Entscheidungsspielraum und Rückhalt durch das Management. Wenn Datenverantwortung nebenbei erledigt werden soll, wird Data Mesh nicht funktionieren. Datenprodukte müssen als Teil des operativen Geschäfts verstanden werden. Sie benötigen Pflege, Weiterentwicklung und klare Priorisierung.
Ein sinnvoller Einstieg beginnt klein
Data Mesh sollte nicht als großes Transformationsprogramm ohne greifbaren Nutzen gestartet werden. Besser ist ein fokussierter Einstieg mit ausgewählten Domänen und klaren Anwendungsfällen. Geeignet sind Bereiche, in denen Daten bereits eine hohe geschäftliche Bedeutung haben und fachliche Verantwortung vorhanden ist. Dort können erste Datenprodukte aufgebaut und das Zusammenspiel aus Plattform, Rollen und Governance erprobt werden. Aus diesen Erfahrungen entsteht ein praktisches Zielbild. Unternehmen lernen, welche Standards nötig sind, welche Plattformfunktionen fehlen und wie viel Verantwortung Domänen tatsächlich übernehmen können. Der Aufbau eines Data Mesh ist ein Entwicklungsprozess. Er lässt sich nicht vollständig am Reißbrett planen. Entscheidend ist, früh nutzbare Ergebnisse zu schaffen und das Modell schrittweise zu erweitern.
Datenorganisation als gemeinsame Verantwortung
Data Mesh bietet einen Ansatz, um Datenorganisationen näher an der Realität moderner Unternehmen auszurichten. Fachliches Wissen, technische Bereitstellung und Verantwortung sollen nicht länger getrennt voneinander betrachtet werden. Der eigentliche Wert liegt nicht in einer bestimmten Technologie, sondern im Zusammenspiel aus Domänenverantwortung, Datenprodukten, Self-Service und Governance. Moderne Plattformen können diesen Ansatz unterstützen, doch sie ersetzen nicht die organisatorischen Entscheidungen. Unternehmen, die Data Mesh erfolgreich einsetzen möchten, sollten deshalb nicht mit der Toolauswahl beginnen. Wichtiger ist die Frage, wer für welche Daten Verantwortung übernimmt, welche Standards gelten und wie Datenprodukte im Alltag betrieben werden. Richtig umgesetzt kann Data Mesh helfen, Daten schneller, verständlicher und verlässlicher nutzbar zu machen. Es schafft eine Grundlage, auf der datengetriebene Entscheidungen nicht an zentralen Engpässen scheitern, sondern näher am fachlichen Kontext entstehen.