Case Study: Data Mesh bei einem führenden europäischen Handelsunternehmen

Das Handelsunternehmen hat bereits frühzeitig die digitale Transformation als Schlüssel zur Steigerung von Wettbewerbsfähigkeit und Wachstum erkannt. Das Bestreben, ein mehr datengesteuertes Unternehmen zu werden, resultiert aus der Erkenntnis, welchen hohen Wert die Kunden-, Produkt- und Transaktionsdaten besitzen, die in verschiedenen internen und kundenseitigen Geschäftsprozessen gesammelt werden.

Das Unternehmen stieß bei seinem Bestreben, datengesteuerter zu werden, aufgrund des bestehenden Analysesystems auf erhebliche Hürden. Die traditionelle Business-Intelligence-Umgebung, die auf Microsoft SQL Server und Reporting Services basierte, kam an seine Grenzen. Sie wies Herausforderungen hinsichtlich der Skalierbarkeit auf und bestand aus mehreren unterschiedlichen Daten- und BI-Silos, die jeweils von separaten Data-Teams verwaltet wurden. Diese fragmentierte Struktur in Verbindung mit der Komplexität der Daten und dem erforderlichen umfangreichen Fachwissen in den Data-Teams schränkte die Fähigkeit des Unternehmens stark ein, seine Berichts- und Analysefunktionen zu erweitern, insbesondere als das Volumen und die Komplexität der Datensätze weiter zunahmen.

Um seine Analysefähigkeiten neu aufzustellen, führte das Unternehmen einen „modernen Data Stack“ ein, der die bereits etablierte entkoppelte, dezentralisierte Softwarearchitektur widerspiegelte, die in Zusammenarbeit mit CID entwickelt wurde. Mit dieser strategischen Umstellung sollten die Data-Teams von fachlichen Business-Aufgaben entlastet und die Verantwortung für die Daten direkt in den Geschäftsbereichen angesiedelt werden, aus denen die Daten stammen. Eine solche Veränderung versprach, Reibungen und Ineffizienzen in der Kommunikation zwischen Business- und Technik-Teams zu minimieren und die Analysekapazitäten erheblich zu steigern.

Ein entscheidender Bestandteil dieses Vorhabens war die Einführung von Self-Service-Funktionen, die es den Fachanwendern ermöglichen, Dashboards und Ad-hoc-Reports selbstständig zu erstellen – ein wesentliches Element, um die Akzeptanz im gesamten Unternehmen zu erhöhen und datengesteuerter zu werden.

Weiterentwickelnde Datenkultur verlangt nach BI der nächsten Generation

Die sich entwickelnde Datenkultur im Unternehmen förderte die Nachfrage nach einer effizienteren Self-Service-Lösung für den Zugriff auf Daten. Dies führte zur Definition von Zielen für eine Analytics-Plattform der nächsten Generation, die Fachanwendern fundiertere und schnellere Entscheidungen ermöglichen sollte. Zu den erwarteten Funktionen gehörten Self-Service-Funktionen mit Tools wie Tableau, die Erstellung von benutzerfreundlichen Data Marts und Echtzeit-Analysen.

Die angestrebte Lösung versprach, mehrere Anwendungsfälle zu modernisieren, darunter:

• HR: Ermöglichung einer schnelleren und effizienteren Bedarfsermittlung für die Personalbeschaffung
• Vertrieb: Verringerung der Rücksendequoten in verschiedenen geografischen Regionen
• Logistik: Optimierung der Bestell- und Konfektionierungsprozesse
• Online-Verkauf: Bereitstellung personalisierter Produktempfehlungen für Online-Kunden

Eine hochmoderne Informationsarchitektur

Der Entschluss, auf einen „Modern Data Stack“ umzusteigen, war der Auslöser für mehrere wichtige Entscheidungen. Die Entscheidung für eine Micro Services-Architektur, die eine dezentralisierte Prozess- und Datenverantwortung ermöglicht, versprach, die vorherrschenden Skalierbarkeitsprobleme zu lösen. Gleichzeitig wurde ein strukturierter Ansatz zur Modellierung und Beschreibung von Datenprodukten eingeführt, um ein gemeinsames Verständnis von Begriffsdefinitionen und Datensemantik zu fördern.

Die Einführung eines Data Mesh war ein entscheidender Punkt in diesem Wandel. Als fortschrittliches, dezentralisierter Ansatz würde das Data Mesh skalierbare Datenprodukte anbieten, die sich nahtlos in die bereits bestehende, entkoppelte Software-Service-Architektur von CID einfügen.

Im Einklang mit dem grundlegenden Plan migrierte das Unternehmen auf eine Cloud-Datenplattform und entschied sich für Snowflake auf Microsoft Azure anstelle der lokalen Microsoft SQL-Umgebung. Nach einer gründlichen Evaluation entschied man sich für Tableau, um Anwendern die Erstellung von Dashboards und effiziente Ad-Hoc-Abfragen als Self-Service zu ermöglichen. Darüber hinaus wurde Kafka gewählt, um Datenpunkte aus den operationellen Systemen in das Data Mesh zu streamen und hochaktuelle Analysen zu ermöglichen.

Fazit

Aufbauend auf die bestehende Software-Service-Architektur wurde eine erste Serie von Datenprodukten und Data Marts erfolgreich implementiert. Die rasche Implementierung leitete eine neue Ära ein, in der Geschäftsprozesse, Analysen und Entscheidungsfindung durch eine wachsende Anzahl von Datenprodukten und Erkenntnissen kontinuierlich verbessert werden. Die Organisation befindet sich nun auf einem fortschrittlichen Weg und nutzt ein modernes Analytics-System, um eine Kultur der fundierten Entscheidungsfindung, Effizienz und Innovation zu fördern.

Die wichtigsten Vorteile

• umfassendere und zeitnahe Erkenntnisse für Business User im Self-Service
• bessere Skalierbarkeit der Business-Intelligence-Leistung insgesamt, Unterstützung datengesteuerter Prozesse und Entscheidungsfindung im gesamten Unternehmen
• Verbesserung der Datenkultur und der Datenkompetenz, Förderung einer noch umfassenderen Nutzung von Daten und Schaffung der Grundlage für die zunehmenden Nutzung von KI