Leestijd 3 min

Tom De Wolf

Maak het concreet voor alle belanghebbenden Data Mesh wordt vaak gezien als iets zeer abstract en theoretisch, waardoor belanghebbenden onzeker zijn over de precieze implicaties en mogelijke oplossingen ervan. Daarom willen we het bij ACA Group zo concreet mogelijk maken voor business stakeholders, technische stakeholders en andere belanghebbenden in de organisatie. Wij raden aan om drie belangrijke uitdagingen tegelijkertijd aan te pakken: IDENTIFICEER BEDRIJFSWAARDE – Definieer hoe Data Mesh exact bijdraagt ​​aan de bedrijfswaarde door data als een product te beschouwen. ORGANISEER TEAMS – Specificeer de rol van elk team, teamlid en persona binnen de context van Data Mesh. BUILD PLATFORM – Laat zien hoe data mesh de technische architectuur beïnvloedt. Uitdaging 1: De bedrijfswaarde van Data Mesh identificeren Een van de eerste uitdagingen bij de introductie van Data Mesh is het uitleggen en bewijzen van de waarde voor de business. Bij ACA Group beginnen we met het identificeren van potentiële dataproducten, domeinen en use cases. Dit proces is gebaseerd op zakelijke input en resulteert in een dataproductlandschap. De figuur hieronder geeft een voorbeeld vanuit een e-commerce bedrijf (rechthoeken zijn applicaties, hexagonen zijn data producten, kleuren geven domeinen die ownership nemen). Dit landschap dient als navigatiekaart, inspireert nieuwe innovatieve zakelijke ideeën en laat de meerwaarde zien die Data Mesh voor de organisatie kan bieden. Door te laten zien hoe Data Mesh nieuwe mogelijkheden kan creëren, verduidelijken we de relevantie ervan voor zakelijke belanghebbenden. Data Mesh Oplossingen Afstemmen op Organisatiedoelen Om het maximale uit Data Mesh te halen, is afstemming op de algemene doelstellingen en strategie van de organisatie van het grootste belang. Het is cruciaal om ervoor te zorgen dat de investering in technologie en processen aansluit bij de bredere bedrijfsdoelstellingen. Door deze afstemming blijft de steun en het momentum behouden, wat cruciaal is voor het succes van een Data Mesh-initiatief. Data Mesh Opportuniteiten Identificeren met Gamestorming Bij ACA Group passen we gamestorming-technieken toe om domeinen en dataproducten te ontdekken. Dit proces begint met de identificatie van business mogelijkheden en datagebruiksscenario's. Dat doen we aan de hand van workshops, zoals het in kaart brengen van de impact. Door Data Mesh op deze aspecten af ​​te stemmen, identificeren we een dataproductlandschap vanuit twee perspectieven. Een inventarisatie van beschikbare data en potentiële dataproducten inspireert en genereert nieuwe zakelijke ideeën, terwijl de gewenste zakelijke impact en doelstellingen helpen bij het identificeren van de benodigde data en dataproducten. Uitdaging 2: Teams Organiseren en Individuen Empoweren Data Mesh gaat niet alleen over technologie; het gaat over het transformeren van de manier waarop teams en teamleden binnen de organisatie opereren. ACA Group gelooft in het effectief organiseren van teams om de kracht van Data Mesh te benutten. We gaan in gesprek met bestaande teams en teamleden en positioneren hun waardevolle rollen en expertise binnen een Data Mesh-teamorganisatie. Meestal zijn hierbij platformteams, domeinteams, faciliterende teams en een gefedereerd governanceteam betrokken. Daarnaast onderzoeken we de verschillende gebruikerstrajecten en ervaringen voor elke persona, om ervoor te zorgen dat Data Mesh een positieve invloed heeft op de organisatie, haar mensen en hun rollen. Uitdaging 3: De technische architectuur opzetten Het invoeren van Data Mesh is een transformerend traject voor elke organisatie. Door de uitdagingen op te splitsen in uitvoerbare stappen, zoals ACA Group doet, kan je Data Mesh tastbaarder maken, de waarde ervan verduidelijken en de oplossing afstemmen op de doelstellingen van je organisatie. Deze incrementele acties dienen om het mysterie weg te nemen rond Data Mesh, waardoor het begrijpelijk wordt voor een breed scala aan stakeholders en het pad wordt geëffend voor goed geïnformeerde beslissingen. Het omarmen van Data Mesh betekent het omarmen van de toekomst van datamanagement, en biedt een scala aan opportuniteiten voor je organisatie. Dit traject gaat over het praktisch realiseren van Data Mesh en tegelijkertijd zorgen voor afstemming op je organisatiedoelstellingen. Conclusie Het invoeren van Data Mesh is een transformerend traject voor elke organisatie. Door de uitdagingen op te splitsen in uitvoerbare stappen, zoals ACA Group doet, kan je Data Mesh tastbaarder maken, de waarde ervan verduidelijken en de oplossing afstemmen op de doelstellingen van je organisatie. Deze incrementele acties dienen om het mysterie weg te nemen rond Data Mesh, waardoor het begrijpelijk wordt voor een breed scala aan stakeholders en het pad wordt geëffend voor goed geïnformeerde beslissingen. Het omarmen van Data Mesh betekent het omarmen van de toekomst van datamanagement, en biedt een scala aan opportuniteiten voor je organisatie. Dit traject gaat over het praktisch realiseren van Data Mesh en tegelijkertijd zorgen voor afstemming op je organisatiedoelstellingen. Nieuwsgierig naar wat Data Mesh nog meer te bieden heeft? Ontdek het hier ✅

Leestijd 5 min

Tom De Wolf

In het steeds veranderende landschap van datamanagement is het investeren in platforms en het navigeren tussen deze platforms een terugkerend thema in veel datastrategieën. Hoe kunnen we ervoor zorgen dat deze investeringen relevant blijven en in de loop van de tijd kunnen evolueren, zodat eindeloze migratieprojecten worden vermeden? Het antwoord ligt in het omarmen van 'samenstelbaarheid' - een belangrijk principe voor het ontwerpen van robuuste, toekomstbestendige data(mesh)platforms. Is er een wondermiddel dat we kant-en-klaar kunnen kopen? De markt voor dataoplossingen wordt overspoeld met tools van dataleveranciers die zichzelf positioneren als het platform voor alles, als de alles-in-één zilveren kogel. Het is belangrijk om te weten dat er geen wondermiddel bestaat. Kiezen voor één enkel off-the-shelf platform lijkt in eerste instantie misschien een snelle en gemakkelijke oplossing, maar kan later tot problemen leiden. Deze monolithische off-the-shelf platformen zijn vaak niet flexibel genoeg om alle use cases te ondersteunen, zijn niet aanpasbaar genoeg en raken uiteindelijk verouderd. Dit resulteert in grote ingewikkelde migratieprojecten naar het volgende silver bullet platform en organisaties eindigen met meerdere all-in-one platformen, wat verstoringen veroorzaakt in de dagelijkse activiteiten en de algemene vooruitgang belemmert. Flexibiliteit is de sleutel tot de architectuur van uw data mesh-platform Een compleet dataplatform moet tal van aspecten aanpakken: dataopslag, query engines, beveiliging, datatoegang, ontdekking, observeerbaarheid, governance, ontwikkelaarservaring, automatisering, een marktplaats, datakwaliteit, enz. Sommige leveranciers beweren dat hun alles-in-één data-oplossing al deze aspecten kan aanpakken. Meestal blinkt zo'n platform echter uit in bepaalde aspecten, maar schiet het tekort in andere. Een platform kan bijvoorbeeld een high-end query engine bieden, maar mist diepgang in de functies van de datamarktplaats die deel uitmaakt van hun oplossing. Om uw platform klaar te maken voor de toekomst, moet het de beste tools voor elk aspect bevatten en mee evolueren met nieuwe technologieën. De geavanceerde oplossingen van vandaag kunnen morgen verouderd zijn, dus flexibiliteit en evolueerbaarheid zijn essentieel voor de architectuur van je data mesh-platform. Omarm combineerbaarheid: Bedenk uw toekomst Stelt u zich een platform voor waar verschillende technologieën en tools naadloos kunnen worden geïntegreerd, vervangen of geëvolueerd, met daarbovenop een geïntegreerde en geautomatiseerde self-service ervaring. Een platform dat zowel generiek is in de kern als flexibel genoeg om het steeds veranderende landschap van dataoplossingen en -vereisten aan te kunnen. Een platform met een rendement op investering op de lange termijn doordat u de mogelijkheden stapsgewijs kunt uitbreiden en kostbare grootschalige migraties kunt vermijden. Samengesteldheid stelt u in staat om uw platformmogelijkheden voortdurend aan te passen door nieuwe technologieën toe te voegen onder de paraplu van één stabiele kernplatformlaag. Twee belangrijke ingrediënten van combineerbaarheid Bouwstenen: Dit zijn de individuele componenten waaruit uw platform is opgebouwd. Interoperabiliteit: Alle bouwstenen moeten naadloos samenwerken om een samenhangend systeem te creëren. Een ecosysteem van bouwstenen Bij het bouwen van samengestelde dataplatformen ligt de sleutel in het vinden van de juiste bouwstenen. Maar waar halen we die vandaan? Traditionele monolithische dataplatformen proberen alle problemen in één pakket op te lossen, maar dit belemmert de flexibiliteit die composeerbaarheid vereist. In plaats daarvan moeten leveranciers zich richten op het ontleden van deze platformen in gespecialiseerde, kosteneffectieve componenten die uitblinken in het aanpakken van specifieke uitdagingen. Door gerichte oplossingen als bouwstenen aan te bieden, stellen ze organisaties in staat om een dataplatform samen te stellen dat is afgestemd op hun unieke behoeften. Naast oplossingen van leveranciers bieden ook open datatechnologieën een schat aan bouwstenen. Het moet mogelijk zijn om zowel leverancierspecifieke als open-source tools te combineren tot een dataplatform op maat van uw behoeften. Deze aanpak verbetert de wendbaarheid, bevordert innovatie en maakt continue evolutie mogelijk door de nieuwste en meest relevante technologieën te integreren. Standaardisatie als lijm tussen bouwstenen Om een echt samenstelbaar ecosysteem te creëren, moeten de bouwstenen met elkaar kunnen samenwerken, oftewel interoperabiliteit. Dit is waar standaarden om de hoek komen kijken, die een naadloze integratie tussen de bouwstenen van het dataplatform mogelijk maken. Standaardisatie zorgt ervoor dat verschillende tools in harmonie kunnen werken, waardoor een flexibel, interoperabel platform ontstaat. Stel je een standaard voor voor datatoegangbeheer die naadloze integratie tussen verschillende componenten mogelijk maakt. Het zou een bouwsteen voor toegangsbeheer in staat stellen om dataproducten op te sommen en op uniforme wijze toegang te verlenen. Tegelijkertijd zouden bouwblokken voor gegevensopslag en -services hun gegevens- en rechtenmodellen kunnen integreren, zodat elke oplossing voor toegangsbeheer er moeiteloos mee kan worden samengesteld. Dit creëert een flexibel ecosysteem waarin gegevenstoegang consistent wordt beheerd in verschillende systemen. De ontdekking van dataproducten in een catalogus of marktplaats kan sterk worden verbeterd door een standaardspecificatie voor dataproducten te gebruiken. Met deze standaard kan elk gegevensproduct op een generieke manier vindbaar worden gemaakt. Wanneer datacatalogi of marktplaatsen deze standaard adopteren, biedt dit de flexibiliteit om elke bouwsteen voor een catalogus of marktplaats te kiezen en te integreren in uw platform, waardoor een meer aanpasbaar en interoperabel data-ecosysteem wordt bevorderd. Met een standaard voor datacontracten kunnen dataproducten hun kwaliteitscontroles, SLO's en SLA's in een generiek formaat specificeren, waardoor een soepele integratie van tools voor datakwaliteit met elk dataproduct mogelijk wordt. Hierdoor kun je de beste oplossingen combineren om de betrouwbaarheid van data op verschillende platforms te garanderen. Breed geaccepteerde standaarden zijn essentieel om interoperabiliteit te garanderen door middel van overeengekomen API's, SPI's, contracten en plugin-mechanismen. In essentie fungeren standaarden als de lijm die een samenstelbaar data-ecosysteem bindt. Een sterk geloof in evolutionaire architecturen Bij ACA Group geloven we sterk in evolutionaire architecturen en platformengineering, principes die naadloos doorlopen naar datameshplatformen. Het gaat er niet om jezelf vast te zetten in een rigide structuur, maar om een ecosysteem te creëren dat kan evolueren en voorop kan blijven lopen in innovatie. Dat is waar composeerbaarheid om de hoek komt kijken. Wilt u een dataplatform dat niet alleen voldoet aan uw huidige behoeften, maar ook de weg vrijmaakt voor de uitdagingen en kansen van morgen? Laten we het samen ontwikkelen Wilt u meer weten over combineerbaarheid in data mesh-oplossingen? {% module_block module "widget_f1f5c870-47cf-4a61-9810-b273e8d58226" %}{% module_attribute "buttons" is_json="true" %}{% raw %}[{"appearance":{"link_color":"light","primary_color":"primary","secondary_color":"primary","tertiary_color":"light","tertiary_icon_accent_color":"dark","tertiary_text_color":"dark","variant":"primary"},"content":{"arrow":"right","icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"tertiary_icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"text":"Contact us now!"},"target":{"link":{"no_follow":false,"open_in_new_tab":false,"rel":"","sponsored":false,"url":{"content_id":230950468795,"href":"https://25145356.hs-sites-eu1.com/en/contact","href_with_scheme":null,"type":"CONTENT"},"user_generated_content":false}},"type":"normal"}]{% endraw %}{% end_module_attribute %}{% module_attribute "child_css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "definition_id" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "field_types" is_json="true" %}{% raw %}{"buttons":"group","styles":"group"}{% endraw %}{% end_module_attribute %}{% module_attribute "isJsModule" is_json="true" %}{% raw %}true{% endraw %}{% end_module_attribute %}{% module_attribute "label" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "module_id" is_json="true" %}{% raw %}201493994716{% endraw %}{% end_module_attribute %}{% module_attribute "path" is_json="true" %}{% raw %}"@projects/aca-group-project/aca-group-app/components/modules/ButtonGroup"{% endraw %}{% end_module_attribute %}{% module_attribute "schema_version" is_json="true" %}{% raw %}2{% endraw %}{% end_module_attribute %}{% module_attribute "smart_objects" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "smart_type" is_json="true" %}{% raw %}"NOT_SMART"{% endraw %}{% end_module_attribute %}{% module_attribute "tag" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "type" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "wrap_field_tag" is_json="true" %}{% raw %}"div"{% endraw %}{% end_module_attribute %}{% end_module_block %}

Leestijd 4 min

Stijn Vandereyken

Je bent misschien wel bekend met de term 'data mesh'. Het is een van die modewoorden over data die al een tijdje de ronde doen. Hoewel data mesh het potentieel heeft om een organisatie in heel wat situaties veel waarde te bieden, moeten we ons niet blind staren op alle mooie terminologie. Als je een goede datastrategie wilt ontwikkelen, doe je er goed aan om jezelf eerst de volgende vragen te stellen: wat is de uitdaging die we met data willen aangaan? En hoe kan een oplossing bijdragen aan het bereiken van onze bedrijfsdoelstellingen? Er is zeker niets nieuws aan het gebruik van data door organisaties, maar we hebben wel een lange weg afgelegd. Aanvankelijk verzamelden bedrijven gegevens uit verschillende systemen in een datawarehouse. Het nadeel was dat het databeheer door een centraal team werd gedaan en dat de doorlooptijd van rapporten ernstig opliep . Bovendien moesten deze data engineers een goed begrip hebben van het hele bedrijf. In de jaren die volgden, zorgde de opkomst van sociale media ervoor dat de hoeveelheid gegevens als paddenstoelen uit de grond schoten, wat op zijn beurt leidde tot de term Big Data. Als gevolg hiervan werden tools ontwikkeld om enorme hoeveelheden gegevens te analyseren, waarbij de focus steeds meer verschoof naar selfservice. Deze laatste trend betekent nu dat het bedrijf zelf steeds beter in staat is om op eigen kracht met gegevens om te gaan. En dat brengt weer een nieuwe uitdaging met zich mee: zoals vaak het geval is, zijn we niet in staat om technologie los te koppelen van de processen in het bedrijf of van de mensen die deze gegevens gebruiken. Zijn deze mensen klaar om gegevens te gaan gebruiken? Hebben ze de juiste vaardigheden en heb je nagedacht over het soort vaardigheden dat je morgen nodig zult hebben? Wat zijn de doelen van het bedrijf en hoe kunnen werknemers bijdragen aan het bereiken ervan? Het menselijke aspect is een cruciaal onderdeel van elke krachtige datastrategie. Hoe maak je het verschil met data? In de praktijk blijkt dat veel bedrijven op het gebied van datastrategieën niet verder zijn gekomen dan een paar jaar geleden. Onnodig te zeggen dat dit nauwelijks een solide basis is om door te gaan naar de volgende stap. Laten we ons daarom richten op enkele van de belangrijkste elementen in een datastrategie: Gegevens moeten aanzetten tot actie: het is niet genoeg om alleen maar een paar cijfers te vergelijken; een kwalitatief hoogstaand rapport leidt tot een beslissing of moet op zijn minst duidelijk maken welke actie nodig is. Sharing is caring: als je toch gegevens hebt, waarom zou je ze dan niet delen? Niet alleen met je eigen interne afdelingen, maar ook met de buitenwereld. Als je erin slaagt om gegevens weer beschikbaar te maken voor de klant, is er een echt concurrentievoordeel te behalen. Visualiseren: gegevens worden vaak verzameld in slecht georganiseerde tabellen zonder goede lay-out. Studies tonen aan dat het menselijk brein moeite heeft om dit soort tabellen te lezen. Door gegevens te visualiseren (bijvoorbeeld met GeoMapping) kun je tot inzichten komen waar je eerder niet aan had gedacht. Verbind datasets: in het geval van datasets moet 1+1 altijd gelijk zijn aan 3. Als je bijvoorbeeld de effectiviteit van een marketingcampagne meet, kijk dan niet alleen naar het aantal kliks. De echte toegevoegde waarde zit in het correleren van de gegevens die je hebt met gegevens over het bedrijf, zoals (toegenomen) verkoopcijfers. Maak gegevens transparant: wees duidelijk over je bedrijfsdoelen en KPI's, zodat iedereen in de organisatie de gegevens kan gebruiken en zo kan bijdragen aan het behalen van een benchmark. Train mensen: zorg ervoor dat je mensen begrijpen hoe ze technologie moeten gebruiken, maar ook hoe gegevens hun taken kunnen vereenvoudigen en hoe gegevens bijdragen aan het behalen van de bedrijfsdoelen. Welk probleem wil je oplossen met data? Als je de basis eenmaal op orde hebt, kunnen we een stappenplan opstellen. Een oplossing mag nooit uitgaan van de gegevens zelf, maar moet altijd gekoppeld zijn aan een uitdaging of een doel. Daarom organiseert ACA Group altijd eerst een workshop om te achterhalen wat de doelstellingen van de klant zijn. Op basis van de uitkomst van deze workshop komen we tot een concrete probleemstelling, die ons op het juiste spoor zet om voor elke situatie een oplossing te vinden. De integratie van datasets zal in de nabije toekomst nog belangrijker worden, onder andere als onderdeel van duurzaamheidsrapportage. Om bedrijven zo goed mogelijk voor te bereiden en te begeleiden, zullen we in de loop van dit jaar met een reeks blogs dieper ingaan op enkele belangrijke terminologieën, methoden en uitdagingen rond gegevens. Bent u in de tussentijd benieuwd wat 'Data Mesh' precies inhoudt en waarom dit lonend kan zijn voor uw organisatie? {% module_block module "widget_1aee89e6-fefb-47ef-92d6-45fc3014a2b0" %}{% module_attribute "child_css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "definition_id" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "field_types" is_json="true" %}{% raw %}{"buttons":"group","styles":"group"}{% endraw %}{% end_module_attribute %}{% module_attribute "isJsModule" is_json="true" %}{% raw %}true{% endraw %}{% end_module_attribute %}{% module_attribute "label" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "module_id" is_json="true" %}{% raw %}201493994716{% endraw %}{% end_module_attribute %}{% module_attribute "path" is_json="true" %}{% raw %}"@projects/aca-group-project/aca-group-app/components/modules/ButtonGroup"{% endraw %}{% end_module_attribute %}{% module_attribute "schema_version" is_json="true" %}{% raw %}2{% endraw %}{% end_module_attribute %}{% module_attribute "smart_objects" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "smart_type" is_json="true" %}{% raw %}"NOT_SMART"{% endraw %}{% end_module_attribute %}{% module_attribute "tag" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "type" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "wrap_field_tag" is_json="true" %}{% raw %}"div"{% endraw %}{% end_module_attribute %}{% end_module_block %}

Leestijd 6 min

Tom De Wolf

In de afgelopen jaren heeft de exponentiële groei van gegevens geleid tot een toenemende vraag naar effectievere manieren om deze te beheren. Het opbouwen van een datagestuurd bedrijf blijft een van de belangrijkste strategische doelen van veel zakelijke belanghebbenden. En hoewel het logisch lijkt voor bedrijven om het idee van datagestuurd zijn te omarmen, is het veel moeilijker om dat idee uit te voeren. Data Mesh en Data Lakes zijn twee belangrijke concepten in de wereld van data-architecturen die samen kunnen zorgen voor een flexibele en schaalbare aanpak van datamanagement. Data Lakes hebben al bewezen een populaire oplossing te zijn, maar een nieuwere aanpak, Data Mesh, krijgt steeds meer aandacht. In deze blog duiken we in de twee concepten en onderzoeken we hoe ze elkaar kunnen aanvullen . Datameren Een data lake is een grote en centrale opslagplaats die enorme hoeveelheden gegevens bevat, uit verschillende bronnen en in verschillende gegevensformaten. Het kan gestructureerde, semigestructureerde en ongestructureerde gegevens opslaan (bijv. afbeeldingen). Zie het als een enorme plas water, waarin je allerlei soorten gegevens kunt opslaan, zoals klantgegevens, transactiegegevens, social media-feeds, afbeeldingen, video's en nog veel meer. Het is een kosteneffectieve en toegankelijke oplossing voor bedrijven die te maken hebben met grote gegevensvolumes en verschillende gegevensformaten . Bovendien stellen data lakes teams in staat om met ruwe data te werken , zonder dat uitgebreide voorbewerking of normalisatie nodig is. Data Mesh Data Mesh is een relatief nieuw concept dat gegevensbeheer decentraal benadert . Het behandelt data als een product en wordt beheerd door autonome teams die verantwoordelijk zijn voor een bepaald domein. Data Mesh pleit ervoor dat gegevens eigendom zijn van en beheerd worden door de mensen die er het meeste verstand van hebben - de domeinexperts - en behandeld worden als een product. Dit betekent dat elk team verantwoordelijk is voor de kwaliteit, betrouwbaarheid en toegankelijkheid van de gegevens binnen zijn domein. Dit zorgt voor een meer schaalbare en flexibele benadering van datamanagement, waarbij teams zelfstandig beslissingen kunnen nemen over hun data, zonder dat er interventie nodig is van een gecentraliseerd datateam. Hoe kan data lake-technologie worden gebruikt in een data mesh-benadering? In het kort is Data Mesh een architectuur waarbij data eigendom is van en beheerd wordt door individuele productteams, waardoor een gedecentraliseerde aanpak van datamanagement ontstaat. Een data lake is een technologie die een gecentraliseerde opslagoplossing biedt, waardoor teams grote hoeveelheden gegevens kunnen opslaan en beheren zonder zich zorgen te hoeven maken over de structuur of het formaat van de gegevens. Decentralisatie in Data Mesh gaat over het nemen van verantwoordelijkheid voor het delen van gegevens als producten op een gedecentraliseerde manier. Het gaat niet om het opgeven van gecentraliseerde opslagoplossingen, zoals Data Lakes, maar om het gebruik ervan op een manier die voldoet aan de principes van Data Mesh. Data Mesh draait om het definiëren en beheren van Data Producten als een bouwsteen om data eenvoudig toegankelijk en herbruikbaar te maken voor verschillende use cases. Elk "Data Product" moet zijn gegevens op meerdere manieren kunnen aanbieden via verschillende uitvoerpoorten . Een uitvoerpoort is bedoeld om gegevens direct toegankelijk te maken voor een specifieke use case. Voorbeelden van use cases zijn analyse en rapportage, machine learning, real-time verwerking, enz. Daarom hebben meerdere soorten uitvoerpoorten overeenkomstige gegevenstechnologieën nodig die een specifieke toegangsmodus mogelijk maken. Een technologie die een Data Mesh-architectuur kan ondersteunen is een data lake. De gegevens in een uitvoerpoort voor een gegevensproduct kunnen worden opgeslagen in een data lake . Dit type uitvoerpoort krijgt dan alle voordelen die de data lake-technologie biedt. In een Data Mesh-architectuur krijgt elk dataproduct zijn eigen segment in het data lake (bijvoorbeeld een S3 Bucket). Dit segment fungeert als uitvoerpoort voor het dataproduct, waar het team dat verantwoordelijk is voor het dataproduct zijn gegevens naar het meer kan schrijven. Door het data lake op deze manier te segmenteren, kunnen teams hun eigen data beheren en beveiligen zonder zich zorgen te maken over conflicten met andere teams. Op deze manier wordt gedecentraliseerd eigenaarschap mogelijk, zelfs als er gebruik wordt gemaakt van een meer gecentraliseerde opslagtechnologie . Hoewel een data lake een belangrijke technologie is om een Data Mesh architectuur te ondersteunen, is het misschien niet de ideale oplossing voor elke use case . Het gebruik van een data lake als enige type dataopslagtechnologie kan de flexibiliteit van het Data Mesh-platform beperken, omdat het slechts één type opslag biedt. Als het bijvoorbeeld gaat om business intelligence en rapportage, kan een datawarehousetechnologie met tabelvormige opslag geschikter zijn. Een ander voorbeeld is wanneer tijdreeksdatabases of grafiekdatabases een betere optie zijn vanwege het type gegevens dat we direct herbruikbaar willen maken. Om het Data Mesh-platform flexibeler te maken, moet het de mogelijkheid bieden om verschillende soorten gegevensopslagtechnologie in te pluggen . Elk daarvan is een ander type uitvoerpoort. Op deze manier kan elk gegevensproduct zijn eigen uitvoerpoorten hebben, met verschillende soorten gegevensopslagtechnologieën, gericht op specifieke gebruikspatronen van gegevens. We hebben gemerkt dat cloudleveranciers vaak aanbevelen om een Data Mesh-oplossing te implementeren met behulp van een van hun bestaande data lake-services . Meestal bestaat hun aanpak uit het definiëren van beveiligingsgrenzen om segmenten binnen deze services te scheiden, die eigendom kunnen zijn van verschillende domeinen om verschillende dataproducten te maken. De referentiearchitecturen die ze leveren bevatten echter maar één opslagtechnologie , namelijk hun eigen data lake-technologie. Bijgevolg is het resulterende Data Mesh-platform minder aanpasbaar en gebonden aan één enkele technologie. Wat ontbreekt is een expliciete 'Data Product' abstractie die verder gaat dan alleen het afdwingen van beveiligingsgrenzen en die de integratie van verschillende dataopslagtechnologieën en -oplossingen mogelijk maakt. Conclusie Datamanagement is een cruciaal onderdeel van elke organisatie. Er zijn verschillende technologieën en benaderingen beschikbaar, zoals data lakes, data warehouses, data vaults, tijdreeksdatabases, grafiekdatabases, enz. Ze hebben allemaal hun unieke sterke punten en beperkingen. Uiteindelijk biedt een succesvolle Data Mesh-architectuur de flexibiliteit om gegevens te delen en te hergebruiken met de juiste technologie voor de juiste use case . Hoewel een data lake een krachtig hulpmiddel is voor het beheren van ruwe data, is het misschien niet de beste oplossing voor alle soorten datagebruik. Door verschillende soorten dataopslagtechnologieën te overwegen, kunnen teams de oplossing kiezen die het beste aansluit bij hun specifieke behoeften en hun workflows voor datamanagement optimaliseren. Door dataproducten in een Data Mesh te gebruiken, kunnen teams een flexibele en schaalbare architectuur creëren die zich kan aanpassen aan veranderende behoeften op het gebied van datamanagement . Meer weten over Data Mesh of Data Lakes? {% module_block module "widget_9cdc4a9f-7cb9-4bf2-a07a-3fd969809937" %}{% module_attribute "buttons" is_json="true" %}{% raw %}[{"appearance":{"link_color":"light","primary_color":"primary","secondary_color":"primary","tertiary_color":"light","tertiary_icon_accent_color":"dark","tertiary_text_color":"dark","variant":"primary"},"content":{"arrow":"right","icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"tertiary_icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"text":"Discover data mesh"},"target":{"link":{"no_follow":false,"open_in_new_tab":false,"rel":"","sponsored":false,"url":{"content_id":null,"href":"","href_with_scheme":"","type":"CONTENT"},"user_generated_content":false}},"type":"normal"}]{% endraw %}{% end_module_attribute %}{% module_attribute "child_css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "definition_id" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "field_types" is_json="true" %}{% raw %}{"buttons":"group","styles":"group"}{% endraw %}{% end_module_attribute %}{% module_attribute "isJsModule" is_json="true" %}{% raw %}true{% endraw %}{% end_module_attribute %}{% module_attribute "label" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "module_id" is_json="true" %}{% raw %}201493994716{% endraw %}{% end_module_attribute %}{% module_attribute "path" is_json="true" %}{% raw %}"@projects/aca-group-project/aca-group-app/components/modules/ButtonGroup"{% endraw %}{% end_module_attribute %}{% module_attribute "schema_version" is_json="true" %}{% raw %}2{% endraw %}{% end_module_attribute %}{% module_attribute "smart_objects" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "smart_type" is_json="true" %}{% raw %}"NOT_SMART"{% endraw %}{% end_module_attribute %}{% module_attribute "tag" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "type" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "wrap_field_tag" is_json="true" %}{% raw %}"div"{% endraw %}{% end_module_attribute %}{% end_module_block %}

Leestijd 11 min

Marnick Vanloffelt

Data mesh verandert de manier waarop organisaties gegevens beheren. In tegenstelling tot traditionele gecentraliseerde modellen, maakt data mesh gebruik van een gedecentraliseerde, domeingeoriënteerde structuur. Maar hoe werkt governance in zo'n gedistribueerd systeem? Bij ACA Group geloven we dat data mesh een antwoord is op de uitdaging van het beheren van data door zich te richten op het bouwen van een gedecentraliseerd, zelfbedienend data-ecosysteem. Het doel is om datagestuurde innovatie in te bedden in elke afdeling of elk team, waardoor iedereen in de organisatie verantwoordelijk wordt voor het creëren van herbruikbare data die nieuwe producten en diensten voor alle afdelingen voedt. In een data mesh is niet alleen het beheer van eigendom en infrastructuur anders. De sleutel tot succes is de transformatie van data governance zelf. In plaats van een gecentraliseerd IT-team verantwoordelijk te maken voor data governance, verdeelt data mesh de verantwoordelijkheid over verschillende teams. Deze aanpak, die bekend staat als "federated computational governance", zorgt voor actieve deelname van zowel data-producerende als data-consumerende teams bij het opstellen en goedkeuren van het governancebeleid. Vier pijlers van data mesh en hun governance-uitdagingen Om het belang van governance in een data mesh te begrijpen, moeten we de kernprincipes van een data mesh opsplitsen en nagaan hoe ze zich verhouden tot de uitdagingen op het vlak van data governance: 1. Decentralisatie In een data mesh worden eigenaarschap en verantwoordelijkheid van data verdeeld over verschillende bedrijfsdomeinen of -teams. Elk domein wordt een zelfstandige eenheid die zijn eigen dataproducten beheert. Dit betekent ook dat elk dataproduct en -domein op zichzelf staat, maar wel interoperabel moet zijn met andere dataproducten en -domeinen. 2. Domeingeoriënteerde aanpak In plaats van een monolithisch datawarehouse bestaat een data mesh uit onderling verbonden dataproducten. Dit impliceert dat elk gegevensproduct zijn eigen "lokale dialect" kan hebben. De uitdaging hier is hoe je dezelfde taal spreekt, zonder dezelfde taal te spreken. 3. Gegevens als product Deze benadering behandelt gegevens als een product, waarbij elk domein gegevensproducten creëert en onderhoudt die vindbaar, toegankelijk en herbruikbaar zijn. Metadatabeheer wordt een belangrijk onderwerp, omdat metadata worden gebruikt om de gegevens die in een gegevensproduct zijn opgenomen te ontdekken, er toegang toe te krijgen, ermee te integreren en ze te gebruiken. 4. Zelfbedieningsplatform Deze engine en bedieningspaneel stelt zowel dataproducenten als -consumenten in staat om zelf gegevens te produceren. Portalen voor ontwikkelaars, datacatalogi, lineage tools en samenwerkingsruimten vergemakkelijken naadloze navigatie, terwijl geautomatiseerde beleidshandhaving en regelmatige audits worden gebruikt om naleving te garanderen en de kwaliteit van dataproducten te bevorderen zonder handmatige tussenkomst. Automatisering van governance is een van de belangrijkste uitdagingen van het self-serve platform. Nu je een beter inzicht hebt in de centrale bouwstenen en uitdagingen van data governance in een data mesh, gaan we dieper in op elk van deze uitdagingen afzonderlijk. Gefederaliseerd bestuur Een opvallend kenmerk van data mesh is federated governance . Maar wat betekent dat eigenlijk? "Federated" verwijst naar het feit dat elk domein (en dataproduct binnen die domeinen) zijn eigen autonomie heeft, maar dat ze samenkomen om een paar dingen uit te werken die relevant en waardevol zijn voor iedereen. Je zou het kunnen zien als een parlementaire democratie, waar vertegenwoordigers samenkomen om gezamenlijke beslissingen te nemen, die vervolgens breed geïmplementeerd moeten worden. Deze domeinoverschrijdende samenwerking betekent dat er heel wat teams bij betrokken zullen zijn. Federaal bestuursteam Dit is een groep domeinvertegenwoordigers en experts die samenwerken met verschillende business units en expertisegebieden. Ze zorgen voor datakwaliteit, compliance en afstemming op de organisatiedoelen. Ze zien toe op taken zoals: Geautomatiseerde beoordelingen van gegevenskwaliteit Datatoegang en privacybeheer Ervoor zorgen dat dataproducten en datasets kunnen worden gedeeld en hergebruikt. Dit team definieert een gestandaardiseerd beleid voor datagovernance en zorgt ervoor dat dataproducten en datasets kunnen worden gedeeld en hergebruikt, terwijl de algehele kwaliteit gewaarborgd blijft. Om onze eerdere vergelijking door te trekken: het Governance-team is als een "parlement" dat "wetten" bespreekt en aanneemt. Platform-team Dit team is essentieel voor het automatiseren en afdwingen van het door het Governance Team gedefinieerde governancebeleid op het self-serve platform. Ze zorgen ervoor dat beleidsregels kunnen worden overgenomen door Data Products op een low-effort basis, wat interoperabiliteit en samenwerking bevordert zonder onnodige overhead te introduceren. Domeinen Domeineams zijn afgestemd op business units en houden zich bezig met operationele data governance binnen hun eigen domein. De verantwoordelijkheden omvatten: Datamapping en -documentatie Datakwaliteit garanderen Standaarden implementeren die zijn gedefinieerd door het federatieve governanceteam Belangrijk is dat elk domeinteam de autonomie en de middelen heeft om de standaarden uit te voeren die zijn gedefinieerd door het federatieve governanceteam. Samengevat Terwijl lokale domeinen beslissingen nemen die specifiek zijn voor hun domein, zorgt federated data governance ervoor dat globale regels worden toegepast op alle dataproducten en hun interfaces. Deze regels moeten zorgen voor een gezond en interoperabel ecosysteem. Hoe werkt federatieve data governance? Laten we beginnen met een belangrijke opmerking: federated governance vereist een andere manier van denken dan de meer traditionele governance-aanpak . Federated governance is gericht op het zo veel mogelijk bevorderen van autonomie en interoperabiliteit, waarbij de bemoeienis van een gecentraliseerd team tot een absoluut minimum wordt beperkt. Wil je federated data governance succesvol implementeren in je organisatie? Zorg er dan voor dat je de volgende belangrijke fundamenten legt: Cultuur van eigenaarschap Teams moeten zich verantwoordelijk voelen voor hun data. Dit vereist een hoge mate van volwassenheid op het gebied van datageletterdheid en de bereidheid om te investeren in training en voortdurende bijscholing op het gebied van best practices voor datamanagement en -governance. Robuuste data-infrastructuur Je moet bereid zijn om te investeren in een schaalbare en flexibele data-infrastructuur die decentraal datamanagement ondersteunt. Governance-raamwerk Je hebt een duidelijk governance framework nodig dat rollen, verantwoordelijkheden en processen definieert. Dit raamwerk moet flexibel genoeg zijn om te kunnen worden aangepast aan de behoeften van verschillende domeinen, terwijl de algehele samenhang behouden blijft. Functionele samenwerking Samenwerking tussen IT, dataprofessionals en bedrijfsonderdelen is essentieel. Bedrijfsontologie: domeinspecifieke taalkloven overbruggen Elk domein kan zijn eigen specifieke lingo hebben, waardoor er uitdagingen ontstaan als de definitie van termen verschilt tussen teams. Om de kloven tussen domeinen te overbruggen, hebben we een solide basis nodig voor "vertaling" en een gemeenschappelijk begrip van termen. Dit is waar de bedrijfsontologie om de hoek komt kijken. Wat is een bedrijfsontologie? Je kunt het zien als een groot, hiërarchisch gestructureerd "woordenboek" dat concepten uit verschillende domeinen aan elkaar koppelt op basis van een gemeenschappelijke noemer. Bijvoorbeeld: een verkoopteam en een financieel team gebruiken allebei de term "klant", maar de definities voor deze term die elk team gebruikt, zijn enigszins verschillend. Het verkoopteam noemt mensen die een offerte hebben ontvangen een klant. Het financiële team definieert een "klant" als iemand met een ondertekend contract en factuurgegevens. Anderen worden "prospects" genoemd. Zonder een gedeelde ontologie zou het combineren van de gegevensproducten van deze teams inconsistente resultaten opleveren, wat de behoefte aan duidelijkheid onderstreept. Hoe een bedrijfsontologie werkt Door domeinspecifieke termen te taggen naar een eenduidig concept (bijvoorbeeld "klant") in de ontologie, kunnen teams verschillen overbruggen en domeinoverschrijdend begrip mogelijk maken. Om de gaten tussen domeinspecifieke termen te overbruggen: Tag termen aan een gemeenschappelijke ontologie : Termen uit elk domein worden gekoppeld aan een eenduidig concept in de bedrijfsontologie met behulp van tags. Bijvoorbeeld, "verkoopklant" en "financiële klant" kunnen beide worden gekoppeld aan een universele term "klant". Gebruik unieke identificaties : Wanneer u de ontologie raadpleegt, kunt u ontdekken dat de unieke identifier voor alle "klanten" hun e-mailadres is. Bovendien is het vinden van een unieke identifier voor termen die gekoppeld zijn aan hetzelfde concept waardevol, omdat het je in staat stelt om gegevens met betrekking tot dezelfde term te correleren over domeinen heen. Metagegevens: Preventie, validatie en controle mogelijk maken Metadata, vaak omschreven als "data over data", speelt een cruciale rol in Federated Data Governance binnen een data mesh. Het biedt de noodzakelijke context om gegevens begrijpelijk, toegankelijk en bruikbaar te maken voor verschillende domeinen. Belangrijkste rollen van metadata in gefedereerde data governance De vindbaarheid van gegevens verbeteren Met behulp van metadata kunnen gebruikers gegevens in de hele organisatie gemakkelijk vinden en begrijpen. Het bevat praktische informatie zoals de gegevensbron(nen), de aanmaakdatum, het formaat en gebruiksinstructies, maar ook informatie die specifiek gekoppeld is aan vindbaarheid, zoals welke enterprise ontologie-tags van toepassing zijn, wie de eigenaar is of geassocieerde dataproducten. Dit maakt het makkelijker voor teams om relevante dataproducten te vinden (en ermee te integreren). Datakwaliteit en -vertrouwen verbeteren Metadata bevatten (of zouden dat moeten bevatten) metrics voor datakwaliteit en informatie over de herkomst van data, waardoor teams de nauwkeurigheid en betrouwbaarheid van data kunnen garanderen. Het stelt gebruikers in staat om gegevens terug te voeren naar hun oorsprong, inzicht te krijgen in de transformaties die ze hebben ondergaan en de kwaliteit ervan te beoordelen. Compliance en beveiliging vergemakkelijken Metadata helpt bij het naleven van de regelgeving voor dataprivacy en -beveiliging. Het dataproductteam kan specificeren wie of welke rollen toegang hebben tot de gegevens en met welk doel, zodat verantwoording en transparantie gewaarborgd zijn. Bovendien helpt het taggen van gevoelige data-elementen bij het automatisch toepassen van beleid voor gegevensprivacy en -afscherming, waardoor naleving van de regelgeving wordt gewaarborgd. Interoperabiliteit mogelijk maken Metadata zorgt ervoor dat gegevens uit verschillende domeinen geïntegreerd en samen gebruikt kunnen worden. Gestandaardiseerde metadata formaten en definities maken naadloze gegevensuitwisseling en interoperabiliteit mogelijk. Best practices voor metadatabeheer in data mesh In een datanetwerk moeten metadata zo dicht mogelijk bij de bron worden beheerd. Elk gegevensproductteam is verantwoordelijk voor het zorgvuldig schrijven en beheren van de metadata die bij hun gegevensproduct horen. Uitzonderingen, zoals de geautomatiseerde toevoeging van datakwaliteitsmetriek van het selfserviceplatform, kunnen van toepassing zijn, maar het dataproduct zelf blijft de bron van de waarheid en moet als zodanig worden beheerd. Kortom, metadata moeten decentraal beheerd worden, maar centraal gebruikt kunnen worden. Het beheer van metadata moet zo veel als redelijkerwijs mogelijk is worden geautomatiseerd en geïntegreerd met tools voor datagovernance om nauwkeurigheid en consistentie te garanderen. De belangrijkste praktijken zijn: Zorgvuldige metadata authorisatie en curatie: Gebruik tools die metadata automatisch vastleggen en bijwerken. Introduceer processen en praktijken die eigenaren van dataproducten motiveren om speciale zorg te besteden aan het maken en wijzigen van de metadata die bij hun dataproduct horen. De eigenaar van het gegevensproduct moet ervoor zorgen dat de metagegevens die aan consumenten worden gepresenteerd een waarheidsgetrouwe weergave zijn van de inhoud van het gegevensproduct, zodat deze consumenten een geïnformeerde beslissing kunnen nemen over de waarde van het product voor hun use case. Standaardisatie: Implementeer gestandaardiseerde metadata formaten en definities in alle domeinen (waar van toepassing) om maximale interoperabiliteit en gebruiksgemak te garanderen. Geautomatiseerde validatie: Definieer procedures en beleidsregels om metadata automatisch te valideren, om fouten en inconsistenties in een vroeg stadium op te sporen en te voorkomen dat fouten zich door het hele systeem verspreiden. Zoals altijd komen preventie en validatie op de eerste plaats, audits op de tweede. Regelmatige audits: Voer regelmatig geautomatiseerde audits uit om de nauwkeurigheid van de metadata en de naleving van het governancebeleid te garanderen. Het selfserviceplatform: governance automatiseren Het self-serve platform belichaamt "Federated Computational Governance". Het biedt tools en infrastructuur waarmee zowel gebruikers als makers onafhankelijk toegang kunnen krijgen tot dataproducten en deze kunnen beheren zonder afhankelijk te zijn van een centraal IT-team. Belangrijkste kenmerken van een self-serve platform Domeinteams de mogelijkheid geven: Selfserviceplatforms stellen domeinteams in staat om eigenaar te worden van hun gegevens. Ze kunnen onafhankelijk dataproducten maken, beheren en gebruiken, wat een gevoel van verantwoordelijkheid stimuleert. Naleving garanderen: Selfserviceplatforms integreren governancecontroles en zorgen ervoor dat het gebruik van data voldoet aan het beleid en de regelgeving van de organisatie. Beheer van metadata: Door het gebruik van de juiste tooling kan het self-serve platform de zorgvuldige curatie en geautomatiseerde validatie van metadata faciliteren. Dit vergemakkelijkt zowel de integratie met het self-serve platform als het beheer van metadata binnen de afzonderlijke dataproducten. Beleidsbeheer: Beleidsregels kunnen worden vertaald naar geautomatiseerde processen, die via het platform kunnen worden afgedwongen. Geautomatiseerde beleidshandhaving zorgt ervoor dat het gebruik van gegevens voldoet aan interne richtlijnen en externe regelgeving. Monitoring en auditing: Mogelijkheden voor monitoring en auditing kunnen worden gebruikt om gegevensgebruik bij te houden en naleving te garanderen. Regelmatige audits helpen bij het identificeren en aanpakken van governanceproblemen. Door dataproduct- of -domeinteams te waarschuwen voor deze problemen en de gevolgen ervan, kunnen ze ze op hun eigen manier en op hun eigen tijd aanpakken. Conclusie: de balans vinden tussen autonomie en overzicht Het omarmen van een data mesh architectuur vereist een andere benadering van governance. Het traditionele gecentraliseerde model voor het beheren van data voldoet niet langer in een wereld waar wendbaarheid, autonomie en cross-functionele samenwerking van het grootste belang zijn. Gefedereerde datagovernance stelt domeinteams in staat om eigenaar te zijn van hun dataproducten en tegelijkertijd te zorgen voor afstemming op wereldwijde organisatiestandaarden. Door verantwoordelijkheden te verdelen over domeinen, ondersteund door een zelfbedieningsplatform en sterke metadatamanagementpraktijken, kunnen organisaties de datakwaliteit, interoperabiliteit en compliance verbeteren zonder onnodige complexiteit toe te voegen. Het succes van data mesh governance hangt echter af van het stimuleren van een sterke cultuur van data-eigenaarschap, het bouwen van een robuust self-service platform en het opzetten van duidelijke kaders die naadloze domeinoverstijgende samenwerking bevorderen. Dat zijn veel modewoorden voor één zin, maar het is wel waar: Data-eigendom houdt mensen verantwoordelijk voor de data die ze creëren en onderhouden, terwijl ze tegelijkertijd de volledige controle krijgen over hun dataproducten. Er is een sterke infrastructuur en een selfserviceplatform nodig om deze praktijk van eigenaarschap te faciliteren, zodat dataproductteams de autonomie krijgen die ze nodig hebben om hun product op de markt te brengen, terwijl ze ook kunnen samenwerken en delen. Duidelijke raamwerken voor governance zijn nodig om vast te stellen hoe kwaliteit eruit ziet en begeleiden dataproductteams bij het implementeren van best practices met betrekking tot integratie, samenwerking en meer. De sleutel tot succes in data mesh is een governancemodel dat de juiste balans vindt tussen autonomie en overzicht - zodat teams kunnen produceren en tegelijkertijd de integriteit en waarde van het data-ecosysteem van de organisatie kunnen waarborgen . Klaar om data mesh te omarmen? Neem contact met ons op voor deskundige begeleiding en oplossingen op maat! {% module_block module "widget_82e3f15a-94e5-4379-b5f9-0c6ba5bd6db7" %}{% module_attribute "buttons" is_json="true" %}{% raw %}[{"appearance":{"link_color":"light","primary_color":"primary","secondary_color":"primary","tertiary_color":"light","tertiary_icon_accent_color":"dark","tertiary_text_color":"dark","variant":"primary"},"content":{"arrow":"right","icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"tertiary_icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"text":"Reach out now"},"target":{"link":{"no_follow":false,"open_in_new_tab":false,"rel":"","sponsored":false,"url":{"content_id":220624043195,"href":"https://25145356.hs-sites-eu1.com/en/services/data-solutions","href_with_scheme":null,"type":"CONTENT"},"user_generated_content":false}},"type":"normal"}]{% endraw %}{% end_module_attribute %}{% module_attribute "child_css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "definition_id" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "field_types" is_json="true" %}{% raw %}{"buttons":"group","styles":"group"}{% endraw %}{% end_module_attribute %}{% module_attribute "isJsModule" is_json="true" %}{% raw %}true{% endraw %}{% end_module_attribute %}{% module_attribute "label" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "module_id" is_json="true" %}{% raw %}201493994716{% endraw %}{% end_module_attribute %}{% module_attribute "path" is_json="true" %}{% raw %}"@projects/aca-group-project/aca-group-app/components/modules/ButtonGroup"{% endraw %}{% end_module_attribute %}{% module_attribute "schema_version" is_json="true" %}{% raw %}2{% endraw %}{% end_module_attribute %}{% module_attribute "smart_objects" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "smart_type" is_json="true" %}{% raw %}"NOT_SMART"{% endraw %}{% end_module_attribute %}{% module_attribute "tag" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "type" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "wrap_field_tag" is_json="true" %}{% raw %}"div"{% endraw %}{% end_module_attribute %}{% end_module_block %}