Nel corso degli ultimi anni, sotto la spinta di una crescente esigenza di riduzione dei costi e della volontà di creare un business “data driven”, molte aziende si sono orientate verso politiche di gestione unificata dei dati, investendo nella realizzazione di “data warehouse” e “data lake” gestiti da un team e una struttura centralizzate.
Un percorso che ha dato buoni frutti ma che ha sottovalutato l’entità con cui è aumentato il volume di dati prodotti, il moltiplicarsi delle fonti dati da gestire (si pensi allo sviluppo mediante micro services) e la difficoltà di eseguire analisi in tempi rapidi per prendere decisioni e restare competitivi. La conseguenza è stata che l’approccio centralizzato ha, spesso, costituito un collo di bottiglia rispetto alle richieste di analisi da parte del management e dei cosiddetti “product owner”.
Una modalità che permette di superare queste difficoltà è il data mesh, che prevede di decentralizzare la responsabilità dei dati organizzandola in domini, ognuno dei quali corrispondente a una specifica funzione operativa dell’azienda.
In un’architettura data mesh, la definizione di cosa sia un dominio non è semplice come si potrebbe pensare. Se prendessimo come esempio il processo aziendale relativo al CRM e analizzassimo la gestione dei “claims” potremmo rilevare moltiplicazioni del dominio, forse, per ogni Business Unit (BU). Questo avviene perché le BU possono trattare una criticità in modo differente e avere esigenze di trattamento totalmente diverse, basate sulle caratteristiche del prodotto, del servizio, dell’area geografica di destinazione del prodotto o del servizio offerto. Sebbene il linguaggio, quale gergo accomunante la popolazione utente cui afferisce il dominio, possa permanere comune tra gli addetti del claim, le informazioni necessarie possono discostarsi di molto tra una Business Unit e un’altra.
Un cambio di paradigma
Quello del data mesh è un approccio recente ancora non diffusamente compreso che ha come obiettivo quello di migliorare l’efficienza nell’analisi dei dati per ottenere informazioni più motivate e adattarsi meglio alle rinnovate condizioni del mercato.
Questo processo di decentralizzazione non sottrae compiti all’IT, ma introduce nuove figure professionali specifiche come i data steward e i data scientist.
“Facendo un passo retrospettivo, possiamo ricordare come il database relazionale sia stato introdotto per rispondere alle esigenze di gestione e aggiornamento dei dati transazionali – fa notare Giovanni Mazzucato, Project Leader di Axiante -. Quando si è cominciato a usare i database relazionali per scopi diversi, che si estendevano al di fuori dell’ambito transazionale, introducendo la de-normalizzazione del dato, si è in un certo senso alterata la naturale finalità di questo tipo di tecnologia, introducendo un livello intrinseco di inefficienza. Dai lontani anni ottanta, che videro la nascita del data warehousing a oggi, possiamo notare come tutte le offerte dei maggiori player in ambito database prevedano funzionalità a copertura di tale approccio applicativo.
Una situazione analoga si presenta oggi. Per rispondere all’esigenza di gestire big data strutturati e destrutturati, l’IT ha puntato sulla centralizzazione e automazione con strumenti come il data fabric, facendo in modo che le informazioni si incanalassero in un unico silos gestito centralmente. Oggi, tuttavia, l’esigenza di estrarre valore dai dati porta alla necessità di arricchire l’informazione in sintonia con le richieste di business e di farlo in tempi rapidissimi. Il data mesh si propone di scomporre il silos di dati, monolitico e centralizzato, in una pluralità di domini tematici più piccoli, per arricchire i dati sfruttando tecnologie di machine learning e intelligenza artificiale. Similmente a quanto avvenuto per il database, gli attuali player per l’offerta del data fabric amplieranno le funzionalità, già presenti, nei tool di data fabric al fine di ottemperare al meglio il data mesh.”
I 4 pilastri del data mesh
La terminologia data mesh risale al 2019 e si deve a Zhamak Dehghani, allora consulente presso l’azienda tecnologica Thoughtworks, che ne definì successivamente le caratteristiche e l’architettura logica attraverso un’organizzazione basata su 4 pilastri fondamentali.
Il primo passaggio è quello di modificare il data fabric, sposando un modello di architettura distribuita in cui i dati analitici e operativi sono composti attorno ai domini e la loro proprietà è del team del dominio anziché del team dati centrale.
Il secondo principio prevede di modificare il modo in cui il dato viene interpretato e gestito pensandolo come se fosse un prodotto da vendere a chi ne usufruirà, che ne diventa il cliente. In altre parole, significa prevedere che ci siano consumatori per i dati al di là del dominio e diventa compito del team del dominio soddisfare le esigenze degli altri domini fornendo dati di alta qualità.
Il terzo principio e quello di predisporre un’infrastruttura dati self service accessibile come piattaforma, attraverso la quale un team dedicato fornisce agli altri team una serie di funzionalità, strumenti e sistemi indipendenti per costruire e mantenere dati interoperabili per tutti i domini. Tipicamente è la figura del data scientist che sfrutta l’infrastruttura self service per arricchire il dominio e sovrintendere agli aspetti di coerenza del dato, assicurandosi che sia coretto, reperibile, comprensibile, interoperabile e che possa essere interrogato sia da altri domini di dati sia dal silos centrale. La figura del Data engineer permarrà per il soddisfacimento dell’architettura di silos mentre il Data scientist è deputato all’utilizzo delle tecnologie di machine learning e intelligenza artificiale per arricchire il dominio dei dati, avendo la conoscenza e la consapevolezza di come questi dati saranno utilizzati dal business.
Il quarto e ultimo passaggio del data mesh è di predisporre una governance federata per creare un ecosistema di dati standardizzato e interoperabile, che rispetti le regole organizzative e le normative del settore.
Axiante e il data mesh
Axiante è il Business Innovation Integrator italiano che supporta le organizzazioni di media e grande dimensione nel rivedere e ottimizzare i processi di business e sfruttare pienamente le opportunità messe a disposizione dalla trasformazione digitale in corso.
Attraverso i propri consulenti esperti è in grado di proporre la migliore tipologia di organizzazione delle risorse e dei dati per ogni specifica azienda. In questa vocazione dedita alla personalizzazione, Axiante segue le più innovative direzioni di sviluppo tecnologico, metodologico e applicativo. Tra queste vi è anche l’implementazione di modelli di data mesh, rivolti ad aziende che, per la loro struttura e organizzazione, possono usufruire appieno dei benefici offerti da questo approccio.
“Il data mesh è un approccio che va eseguito su domini di dati che mantengano valore nel tempo, che siano realizzabili e che siano utilizzabili – conclude Mazzucato -, predisposti da aziende strutturate, prevalentemente di grandi dimensioni e globali. Settori quali quello assicurativo, sanitario e finanziario sono tra i naturali destinatari di questo modello. Attraverso il Data mesh è possibile conseguire importanti elementi di vantaggio competitivo che si traducono in termini di migliore gestione delle informazioni, processi più rapidi, riduzione dei costi, aumento di efficienza e produttività e riduzione del time to market.”