Was unterscheidet Data-Mesh von Data-Lake / Data-Warehouse?

Data-Warehouse

• Strukturierte Daten in Tabellen.

• SQL-orientiert.

• Hohe Performance für Analytics.

• Anbieter: Snowflake, BigQuery, Redshift, Databricks SQL.

• Standard seit 1990er.

Data-Lake

• Roh-Daten in beliebigem Format.

• Schema-on-Read.

• Skalierbar + günstig.

• Anbieter: S3, Azure Data Lake, GCP Cloud Storage.

• Standard seit 2010er.

Lakehouse

• Hybrid: Lake-Storage + Warehouse-Logik.

• Databricks + Delta Lake.

• Apache Iceberg, Hudi.

• Beste Fähigkeiten kombiniert.

• Marktdurchbruch 2020+.

Data-Mesh

1. Dezentrale Daten-Produkte pro Domain.

2. Domain-Ownership.

3. Self-Service-Daten-Plattform.

4. Federated Computational Governance.

5. Standard für komplexe Org.

Wann was

• KMU: Warehouse oder Lakehouse reicht.

• Mittel: + Data-Lake für Roh-Daten.

• Gross + komplex: Data-Mesh evaluieren.

• Streaming-Bedarf: Kappa-Architecture.

• Reife wichtiger als Architektur.

Aufbau-Reihenfolge

1. Strategie + Use-Cases.

2. Daten-Quellen identifizieren.

3. Plattform wählen.

4. Daten-Modelle.

5. Governance + Qualität.

6. Self-Service-Tools.

Anti-Patterns

• Data-Lake ohne Governance = Data-Swamp.

• Mesh ohne Reife = Chaos.

• Tool zuerst, Strategie später.

• Daten-Qualität ignoriert.

• Kein Owner pro Daten-Domain.