Hvordan kan større virksomheter bli datadrevet i stor skala?
Økt bruk av data for å skape verdier — å bli en datadrevet virksomhet — er øverst på agendaen i stadig flere styrerom og hos beslutningstakere både i næringslivet og i offentlig sektor.
Den første stortingsmeldingen om datadrevet økonomi og innovasjon kom i mars 2021. Den adresserer blant annet mål og virkemidler for å tilrettelegge for verdiskapning med data som ressurs. Globale tech-selskaper som Amazon, Netflix, LinkedIn og Spotify har over tid benyttet data for å oppnå konkurransefortrinn i sine bransjer. Den nettbaserte klesbutikken Zalando bruker store mengder data i maskinlæring og AI-løsninger. Disse hjelper kundene med å finne klær som passer deres smak, størrelse og dagens motebilde, slik at størrelsen på handlekurven øker. I norsk næringsliv erfarer vi at det er strekk i feltet, men stadig flere selskaper har forstått at innovativ bruk av data er nødvendig for å møte konkurransen både lokalt og fra de globale aktørene.
I Data- og analysepulsen 2019 pekte PwC på utfordringer på veien mot å bli datadrevne virksomheter. Sentralt blant disse var tilgang til data med god kvalitet og en for optimistisk tro på at Data Scientists kan utgjøre en forskjell alene. Å bli datadrevet er dessuten vel så mye et spørsmål om kultur og organisering, enn om teknologi og data. De virksomhetene som er lengst fremme behandler skiftet som en endringsreise med forankring på øverste ledernivå, og de organiserer seg i tverrfaglige team der forretningskompetanse og IT-kompetanse samles.
Vi observerer imidlertid at de fleste virksomheter fortsatt organiserer data- og analysearbeidet rundt én infrastruktur og et sentralt team. Dette teamet er eksperter på dataintegrasjon og -tilrettelegging, men blir en flaskehals når behovet for flere datakilder eller annen tilrettelegging av data stadig øker. Både tradisjonelle datavarehus, nyere data lake-arkitekturer og skybaserte dataplattformer med teknologier for strømming av sanntidsdata lider av at de blir en sentral hub for konsumenter av data. De sentraliserte teamene har dessuten mindre kjennskap til dataenes innhold og forretningsregler. Skalering av bruken av data blir dermed en utfordring.
I denne bloggserien vil vi belyse data mesh og de fire prinsippene som ligger til grunn for en reorganisering av team og infrastruktur for data og analyseplattformer. Data Mesh er et fundament for å realisere verdier ved analytisk bruk av data i stor skala. Formålet er å adressere de utfordringene som følger av økning i antall datakilder, brukere, antall ulike behov for raffinering av data, og behov for økt innovasjonstakt.
Data mesh ble utarbeidet av Zhamak Dehghani i ThoughtWorks og denne artikkelserien bygger blant annet på artikkelen How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh.
