Foto: Gorodenkoff - shutterstock.com
Ihr CEO weiß wahrscheinlich, was eine Datenbank ist und kann auch ein Data Warehouse einordnen. Dass er (oder sie) aber auch ein tiefgreifendes Verständnis für NoSQL-Datenspeicher und Spark-Cluster mitbringt, ist unwahrscheinlich. CEOs - und Business-Entscheider im Allgemeinen - konzentrieren sich auf den geschäftlichen Nutzen von Daten, Analysen und Machine Learning und setzen sich oft weniger mit den zugrundeliegenden Technologien auseinander.
Darin liegt jedoch ein Paradoxon - schließlich wollen die Entscheider auch verstehen, ob es einen Mehrwert bringt, Zeit und Geld in eine neue Technologie zu investieren. Wenn Sie schon einmal versucht haben, einem C-Level-Entscheider Data-Management-Technologien wie Data Mesh, Data Fabric oder Distributed Data Cloud näher zu bringen, dürften Sie wissen, wovon ich spreche. Viele Führungskräfte, die nicht aus dem IT-Bereich kommen, sind davon überzeugt, dass die Daten "in der Cloud" liegen und sehen Datenintegration, -qualität und -Performance als reine "IT-Angelegenheiten".
Fakt ist: Jeder, der mit Daten arbeitet, sollte in der Lage sein, die wichtigsten Technologien und Praktiken in verständlicher Sprache zu erklären. Ein Schwall Fachchinesisch ist an dieser Stelle nicht hilfreich - das kann schnell dazu führen, dass wichtige Investitionen nicht oder zu spät getätigt werden.
Lesen Sie auch:
Data Mesh?
Einfache Antworten alleine reichen jedoch oft nicht aus. Wenn eine Führungskraft Sie nach einem Fachbegriff fragt, sollten Sie das im Idealfall so beantworten, dass Neugierde geweckt wird, die zu Folgefragen führt.
Geht es zum Beispiel um den Begriff Data Mesh, empfiehlt Steben Lin, Product Marketing Manager bei Semarchy, folgende Antwort: "Ein Data Mesh ist ein dezentraler Datenmanagement-Ansatz, bei dem mehrere Teams innerhalb eines Unternehmens für ihre jeweils eigenen Daten verantwortlich sind, was Collaboration und Flexibilität fördert." Diese Definition enthält keine komplizierten Wörter und stellt die Probleme heraus, die mit einem Data Mesh gelöst werden sollen, sowie die Art der Lösung und warum sie wichtig ist.
Führungskräfte mit tiefergehenden Kenntnissen in Sachen Data Management könnten mit einer Anschlussfrage aufwarten - etwa: "Sollten Data Warehouses und Data Lakes nicht das Data-Management-Problem lösen?". In diesem Fall sollten Sie sich in Ihrer Antwort nicht auf die technischen Unterschiede zwischen Data Warehouse, Data Lake und Data Mesh, sondern auf das Geschäftsziel fokussieren. Satish Jayanthi, Mitbegründer und CTO von Coalesce, schlägt folgendes Statement vor: "Die Datenqualität wirkt sich häufig auf die Genauigkeit von Geschäftsanalysen und die Entscheidungsfindung aus. Durch die Implementierung von Data-Mesh-Paradigmen können Datenqualität und -genauigkeit verbessert werden, was zu einem größeren Vertrauen in die Daten und ihrer umfassenderen Nutzung für fundierte Entscheidungsfindung resultiert."
Data Fabric?
Der CFO hat das Gespräch über Data Meshes mitgehört und stellt dazu drei Fragen:
Was ist eine Data Fabric?
Wie unterscheidet sie sich von einem Data Mesh?
Warum möchte der Chief Data Officer in eine Data Fabric investieren?
Wenn Sie mit einer solchen mehrteiligen Frage konfrontiert sind, gilt zuallererst: Tief durchatmen, den Kontext des Fragenden berücksichtigen und anschließend eine dekonstruierende Antwort zu geben, im Stil von: "Lassen Sie uns zunächst über die Data Fabric und ihre Bedeutung sprechen."
Geht es darum, dem CFO darzulegen, wie eine Data Fabric aussieht und funktioniert, schlägt Ross Stuart, leitender Lösungsarchitekt bei AHEAD, folgende Erklärung vor: "Data Fabric beschreibt eine Architektur, bei der unterschiedliche Systeme miteinander verwoben werden, um eine konsistente Schicht über den Daten eines Unternehmens zu erzeugen." Ivan Batanov, Senior Vice President of Engineering bei Crux, formuliert eine Alternative: "Eine Data-Fabric-Architektur kann verbesserte Insights und Analysen liefern und unterstützt die Vernetzung von Daten aus unterschiedlichen Quellen."
An dieser Stelle sollten Sie innehalten und Ihrem "Publikum" ein paar Sekunden Zeit geben, um die Beziehung zwischen Data Meshes und Data Fabrics zu verstehen - einschließlich des scheinbaren Konflikts zwischen den beiden Ansätzen. Geht es um die Frage, wie die zusammenkommen, schlage ich folgende Antwort vor: "Data Meshes unterstützen Unternehmensteams bei der Nutzung von Daten für Analysen und bei der Verbesserung der Datenqualität, während Data Fabrics den Chief Data Officer und das Data-Governance-Team dabei unterstützen, den Zugriff auf verknüpfte Datenquellen zu managen - unabhängig davon, wo sie gespeichert sind."
Distributed Data Cloud?
Schließlich gibt es im Bereich Datenmanagement noch einen weiteren Bereich, bei dem es darum geht, Daten zu speichern und zu strukturieren, um Nutzungsanforderungen, Performance-Ziele und Sicherheitsanforderungen zu erfüllen. Die Frage "Wo sollen wir Datensatz X speichern?" ist die Herausforderung - und die Antwort ist nicht leicht zu finden. In den meisten Unternehmen existiert keine One-Size-fits-All-Architektur, um Daten zu speichern, zu verwalten und zu nutzen.
James Malone, Director of Product Management bei Snowflake, empfiehlt an dieser Stelle: "Anstatt das 'Wie' hinter der Speicherung von Informationen zu spezifizieren, stellt eine Data Cloud das 'Was' dar, das jemand mit der richtigen Mischung von Technologien erhält. Die Data Cloud gibt Unternehmen die Möglichkeit, das auszuwählen, was für sie am besten geeignet ist, anstatt nur eine bestimmte Vorgehensweise vorzuschreiben und durchzusetzen. Die Anwendungsfälle ändern sich, die Bedürfnisse ändern sich, und die Technologie ändert sich - deshalb liegt der Schwerpunkt der Data Cloud auf Flexibilität und Nutzen."
Hillary Ashton, Chief Product Officer von Teradata, bringt ein weiteres, wichtiges Detail an, über das Sie CFOs informieren sollten: "Data Clouds können in jeder Kombination von Public-, Private-, Hybrid- und Multi-Cloud-Architekturen eingesetzt werden. Das 'Gehirn' jeder Data Cloud ist dabei eine Cloud-Analytics-Plattform, die Daten aus sämtlichen Quellen und Architekturen verarbeitet und miteinander verbindet. Um den größtmöglichen Nutzen aus den Daten zu ziehen, kommt es vor allem darauf an, die Analyse-Engine und -funktionen im gesamten Unternehmen skalieren zu können. Damit ist sichergestellt, dass auch Nicht-Data-Science-Teams auf die Daten zugreifen, sie abfragen und in Erkenntnisse umwandeln können." (fm)
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation Infoworld.