Wer Daten analysieren und die dabei gewonnenen Erkenntnisse zur Verbesserung seiner Geschäftsprozesse nutzen möchte, steht vor vielfältigen Herausforderungen. Strukturierte, semistrukturierte und unstrukturierte Daten aus so unterschiedlichen internen und externen Datenquellen wie traditionellen Systems of Records, Systems of Engagement, IoT oder Social Media sollen so schnell wie möglich, nachdem sie angefallen sind, für Analysen zu Verfügung stehen.

Gleichzeitig möchte man aber sicherstellen, dass qualitativ hochwertige Daten in die Analyse einfließen und jeder Anwender auch nur die Daten sehen kann, für die er berechtigt ist.

Traditionell wurden deshalb für Decision-Support-Systeme vor allem zentrale Ansätze wie Enterprise Data Warehouses oder Data Lakes gewählt. Es hat sich aber herausgestellt, dass diese zentralen Ansätze nicht immer in der Lage sind, alle Anforderungen zu erfüllen. Deshalb kamen in letzter Zeit Architekturen und Methoden wie Data Mesh und Data Fabric auf, die versuchen, durch dezentrale Ansätze Lösungen zu bieten.

In diesem Vortrag werden zum einen die grundlegenden Konzepte dieser dezentralen Ansätze vorgestellt und zum anderen werden diese Ansätze mit den traditionellen zentralen Ansätzen verglichen. Schließlich wird versucht, zu bewerten, wann welcher Ansatz bzw. welche Kombination von Ansätzen am besten geeignet ist.