Enterprise-Analytics durch dezentrale Verantwortung skalieren

Von zentraler Datenbereitstellung zu dezentraler Verantwortung

Der Kunde ist ein Großunternehmen mit mehreren Geschäftsbereichen, jeder mit eigenem Datenbedarf und eigenen analytischen Zielen. Die Unternehmensleitung hatte eine klare Richtung vorgegeben: weg von der zentralen Datenbereitstellung, hin zu dezentraler Verantwortung nach den Data-Mesh-Prinzipien von Zhamak Dehghani.

Wir wollen eine Innovationskultur im datengetriebenen Unternehmen ermöglichen, indem wir Daten für Analytics und KI wertvoll und nutzbar machen.

CTOKunde

Über Jahre wurden die Daten von zentralen Teams verwaltet. Das sorgte für Kontrolle, schuf aber auch wachsende Abhängigkeiten: Jeder neue Use Case musste über mehrere Teams, Plattformen und Freigabeschritte abgestimmt werden. Weil niemand die Daten durchgängig verantwortete, lag die Zuständigkeit für Qualität, Aktualität und Struktur bei Teams, die oft wenig mit den Daten zu tun hatten. Als der Bedarf an Erkenntnissen aus Daten wuchs, kam das zentrale Modell nicht mehr hinterher.

Die Organisation erkannte, dass die Fachbereiche ihre Daten am besten kennen und sie deshalb auch selbst verantworten und bereitstellen sollten. Für diesen Wechsel reichte ein Beschluss allein nicht. Es brauchte IT-Architektur, Governance, die Befähigung der Teams, organisatorischen Wandel und Vertrauen.

Zentrale Abhängigkeiten und Lücken in der Governance

Am deutlichsten zeigte sich das Problem im Tempo, genauer gesagt in dessen Fehlen. Die zentralen Analytics-Teams waren zum Engpass geworden. Jede Anfrage, so klein sie auch war, lief durch dieselben überlasteten Pipelines und über dieselben wenigen Fachleute. Bevor ein neuer Use Case Nutzen stiften konnte, mussten zahlreiche Abhängigkeiten und manuelle Übergaben abgestimmt werden.

Jeder neue Use Case bedeutete, sich durch ein Labyrinth aus Abhängigkeiten und manuellen Übergaben zu kämpfen.

Product Owner AnalyticsKunde

Die fehlende durchgängige Verantwortung verschärfte das Problem. An jedem Datenfluss waren mehrere Teams beteiligt, die meisten mit wenig Wissen über Herkunft und Verwendungszweck der Daten. Fehler fielen deshalb spät auf, oft erst, wenn ein nachgelagerter Use Case scheiterte.

Darunter lagen tiefere Probleme. Die Plattformen waren technisch uneinheitlich und kaum interoperabel, die Herkunft der Daten (Lineage) ließ sich nur schwer nachvollziehen. Die Governance war zersplittert: DSGVO, EU Data Act und AI Act verlangten Compliance, doch die Umsetzung hing an Handarbeit und am Wissen einzelner Personen. Die gewachsene Plattformlandschaft nutzte die Möglichkeiten moderner Cloud-Technologien noch nicht. Es fehlte ein skalierbares Betriebsmodell für Datenprodukte, die leicht zu verstehen und leicht zu nutzen sind.

Ein skalierbares Fundament für datengetriebenes Arbeiten

Die Transformation folgte Prinzipien, die Autonomie und Einheitlichkeit in Balance halten. Die Domänenteams sollten Bereitstellung und Qualität ihrer Datenprodukte durchgängig verantworten. Einheitliche Muster für Ingestion, Transformation und Bereitstellung mussten über mehrere Clouds und Plattformen hinweg funktionieren. Vorlagen zur Beschreibung der fachlichen Bedeutung sollten es den Data Ownern leicht machen, ihre Daten zu dokumentieren. Die Governance sollte von Grund auf föderiert sein: automatisierte Policies, fein abgestufte Berechtigungen und eine nachvollziehbare Lineage, von Anfang an eingebaut statt nachträglich ergänzt.

Datenprodukte sollten auffindbar, gut dokumentiert, zugriffsgeschützt und für ihren Zweck geeignet sein. Ziel war eine einzige logische Datenumgebung, die Kopien vermeidet und eine qualitätsgesicherte Nutzung sicherstellt. Klare Rollen, Schulungsprogramme und definierte Prozesse sollten den Domänenteams die Sicherheit geben, eigenständig zu liefern.

Unser Ziel war nicht, Daten zentral zu kontrollieren, sondern Leitplanken zu schaffen, innerhalb derer die Domänen mit Zuversicht liefern.

Chief Data ArchitectKunde

IT-Architektur, Befähigung und Umsetzung als Partner

mmkdigital übernahm die Rolle des Enterprise Data & AI Architect und begleitete die Teams des Kunden von der Strategie bis zur Umsetzung. Die IT-Zielarchitektur umfasste AWS und Azure und band SAP-basierte Datenplattformen, Cloudera und weitere Werkzeuge ein. mmkdigital entwickelte standardisierte IT-Referenzarchitekturen für Ingestion, Transformation, Bereitstellung und die Durchsetzung von Policies und gab den Domänenteams damit wiederholbare, produktionsreife Muster an die Hand.

Kern der Lösung war ein semantischer Datenkatalog als zentraler Marktplatz, um Daten zu finden, zu dokumentieren und freizugeben. Der Semantic Layer war so angelegt, dass Menschen und KI ihn gleichermaßen lesen können: Herstellerneutrale, maschinenlesbare Beschreibungen bilden eine gemeinsame, verlässliche Quelle für die Bedeutung aller Datenprodukte.

Ein zentraler Baustein war die Befähigung der Teams: mmkdigital begleitete über 30 Engineering-Teams als Coach, lieferte wiederverwendbare Blueprints und entwickelte beispielhafte Datenprodukte als Vorlagen mit. Gemeinsame IT-Architekturgremien aus IT, Fachbereichen und Governance sorgten dafür, dass alle in dieselbe Richtung arbeiteten.

Wir haben Seite an Seite mit den Teams des Kunden gearbeitet und ihre Fähigkeiten sind mit jedem Sprint gewachsen.

Alexander RengersSenior IT Architect

Eigenständige Teams, verlässliche Daten, skalierbare Bereitstellung

Der modulare Data-Mesh-Ansatz hat die Bereitstellung analytischer Erkenntnisse im ganzen Unternehmen deutlich beschleunigt und vorhandene Daten breit nutzbar gemacht. Heute tragen über 300 Datenprodukte mehr als 100 Use Cases. Mehr als 30 Domänenteams liefern unabhängig, mit klarer Verantwortung von der Erstellung bis zur Nutzung. Die Governance ist über die wichtigsten Datenplattformen hinweg einheitlich und automatisiert, Compliance bremst die Bereitstellung nicht mehr. Jedes wiederverwendete Datenprodukt spart erhebliche Kosten, weil bestehende Pipelines genutzt statt dupliziert werden.

Der Semantic Layer im laufenden Betrieb bereitet das Unternehmen auf KI-gestützte Analytics und den Zugriff von KI-Agenten auf Unternehmensdaten vor. Die Zeit bis zum ersten Nutzen hat sich deutlich verkürzt: Einheitliche Datensuche, schlankere Freigaben und eine zentrale Auffindbarkeit bedeuten weniger Suchen und mehr Erkenntnis.

Unser menschenlesbarer Ansatz, die Bedeutung von Daten zu modellieren und zu beschreiben, erwies sich als ideal für KI-Use-Cases. Sprachmodelle verstanden ihn direkt, ohne Nacharbeit.

Johannes BitschPrincipal IT Architect

Fazit

Am Anfang dieser Transformation stand eine klare Diagnose: Die zentrale Datenbereitstellung erzeugte Engpässe, verhinderte Skalierung und machte es schwer, Erkenntnisse aus Daten im nötigen Tempo zu liefern. Mit dem Wechsel zu dezentraler Verantwortung in den Domänen hat die Organisation diese Grenzen überwunden und ein flexibles Fundament für Analytics und KI im großen Maßstab gelegt. mmkdigital unterstützt weiterhin dabei, neue Datenprodukte zu schaffen und die Teams zu noch wertvolleren Erkenntnissen zu befähigen.

Der ganzheitliche Ansatz aus sorgfältiger IT-Architektur, automatisierter Governance und enger Zusammenarbeit zwischen Fachbereichen und IT sorgt dafür, dass Datenprodukte schneller und verlässlicher bereitstehen. Drei Faktoren erwiesen sich als entscheidend für die Nachhaltigkeit: Verantwortung in den Domänen, semantische Metadaten als vollwertiges Ergebnis und die Befähigung der Teams in der Breite. Die Rolle von mmkdigital als eingebetteter IT-Architekturpartner zeigt: Dauerhafter Wandel entsteht, wenn man Seite an Seite mit den Teams arbeitet, Fähigkeiten Sprint für Sprint aufbaut und Systeme entwirft, die mit der Organisation wachsen.

Ihre Herausforderung,unsere Leidenschaft.

Schildern Sie uns Ausgangslage und Ziel. Gemeinsam konzipieren wir eine geeignete Lösung und setzen sie um.