Data Mesh im industriellen Maschinenbau: Wenn Daten zu echten Produkten werden
Monolithische Data Lakes und zentrale BI-Teams ersticken an der Flut von IIoT-Sensorströmen. Wie domänengetriebene Datenarchitekturen und föderierte Governance den operativen Durchbruch schaffen.

In 30 Sekunden
Mitte der 2010er Jahre investierten Fertigungsunternehmen Millionen in zentrale Data Lakes und Cloud-Plattformen. Das Heilsversprechen: Wer alle Sensordaten aus allen Werken an einen zentralen Ort pumpt, wird wie von Zauberhand ungeahnte Effizienzpotenziale heben. Zehn Jahre später herrscht Ernüchterung. Die zentralen Datenpools sind unübersichtlich, veraltet und ohne Kontext. Data Mesh bietet den dringend benötigten Befreiungsschlag: Es verteilt die Verantwortung für Daten dorthin, wo sie entstehen – zu den Ingenieuren und Domänenexperten vor Ort.
Zentrale Data-Engineering-Teams sind der größte Flaschenhals bei der industriellen Skalierung von KI- und IIoT-Anwendungen.
Data Mesh bricht das Monolith-Denken auf: Jedes Werk und jede Fachdomäne (z. B. Montage, Gießerei, Qualitätskontrolle) verantwortet ihre Daten als eigenständiges Produkt.
Ein Datenprodukt umfasst nicht nur Rohdaten, sondern Code, Metadaten, APIs und garantierte Service Level Agreements (SLAs).
Wer Fabrikhallen moderner europäischer Industrieunternehmen betritt, erlebt das Wunder der Sensorik: Jede Werkzeugmaschine, jeder Roboterarm, jeder Prüfstand feuert im Millisekundentakt Telemetriedaten ab. Vibrationen, Drehmomente, Temperaturen, Stromaufnahmen und optische Scannerdaten strömen ins Netzwerk.
Doch wer danach die Vorstandsetage oder das Büro des CDO (Chief Data Officer) besucht, stößt auf paradoxe Frustration. Trotz Hunderter Terabytes an gesammelten Sensordaten scheitern Predictive-Maintenance-Projekte, Qualitätsanalysen dauern Wochen und automatisierte Produktionsoptimierungen bleiben auf wenige Pilotanlagen beschränkt.
Warum? Weil die Datenarchitektur der meisten Konzerne auf einem fundamentalen Konstruktionsfehler beruht: dem zentralen Daten-Monolithen.
Das Dilemma des zentralen Data Lake
Im traditionellen Paradigma leitet jedes Werk seine Rohdaten in einen zentralen Data Lake. Dort sitzt ein Team aus hochqualifizierten Data Engineers und Data Scientists, das die Daten bereinigen, strukturieren und für geschäftliche Analysen aufbereiten soll.
Dieses Setup scheitert unausweichlich an zwei Hürden:
- Der Kontext-Bruch: Ein Data Engineer im Headquarter versteht nicht, warum der Druckabfall an Ventil 42 im Werk Chemnitz bei einer Außentemperatur von 30 Grad normal ist, bei 10 Grad aber auf einen drohenden Lagerschaden hinweist. Den Ingenieuren vor Ort fehlt die Daten-Pipeline – den Daten-Ingenieuren im Headquarter fehlt das physikalische Verständnis der Maschine.
- Der chronische Flaschenhals: Fordern 50 verschiedene Werke neue Analysen an, wächst das Backlog des zentralen Datenteams auf Monate an. Innovation erstickt in der Warteschlange.
Die vier Prinzipien des Data Mesh in der Werkshalle
Das von Zhamak Dehghani formulierte Data-Mesh-Paradigma überträgt die Prinzipien moderner Microservice-Architekturen auf die Datenwelt:
[ Werk 1: Presswerk ] [ Werk 2: Lackiererei ] [ Werk 3: Montage ]
┌─────────────────────────┐ ┌─────────────────────────┐ ┌─────────────────────────┐
│ Datenprodukt: │ │ Datenprodukt: │ │ Datenprodukt: │
│ Hub- & Druckdynamik │ │ Schichtdicken-Telemetrie│ │ Drehmoment-Qualität │
│ [API] [Docs] [SLA: 99%] │ │ [API] [Docs] [SLA: 99%] │ │ [API] [Docs] [SLA: 99%] │
└─────────────────────────┘ └─────────────────────────┘ └─────────────────────────┘
│ │ │
└───────────────────────────────┼───────────────────────────────┘
▼
┌───────────────────────────────────────────────┐
│ Föderierte Daten-Governance & Self-Serve Infra│
│ (Katalog, Schnittstellenstandards, IAM) │
└───────────────────────────────────────────────┘
1. Domänenorientierte Verantwortung (Domain Ownership)
Nicht das IT-Headquarter besitzt die Daten, sondern das jeweilige Werk bzw. der Wertstrom. Das Team, das die Lackieranlage betreibt, ist auch Eigentümer der Lackierdaten. Es entscheidet über Struktur, Pflege und Bereitstellung.
2. Daten als Produkt (Data as a Product)
Rohdaten in ein Filesystem zu werfen, ist kein Datenprodukt. Ein vollwertiges Datenprodukt umfasst:
- Die bereinigten, semantisch annotierten Daten
- Standardisierte APIs (z. B. GraphQL, REST oder gRPC) für den Abruf
- Eine präzise Dokumentation („Data Contract“)
- Klare Service Level Agreements (z. B. garantierte Latenz < 100 ms, Aktualisierungsrate 99,9 %)
3. Self-Serve-Dateninfrastruktur
Damit Fachabteilungen nicht eigene Serverparks aufbauen müssen, stellt die zentrale IT eine Self-Service-Plattform bereit. Mit wenigen Klicks können Werksteams Daten-Pipelines, Speicherkontingente und Zugriffskontrollen nach einheitlichen Standards bereitstellen.
4. Föderierte Governance (Federated Computational Governance)
Regeln für Datensicherheit, DSGVO-Konformität und globale Datenmodelle werden nicht diktatorisch vorgegeben, sondern in einem föderierten Gremium aus Vertretern der verschiedenen Domänen gemeinsam definiert – und per Code automatisiert durchgesetzt.
Messbarer Business-Impact im Maschinenbau
Unternehmen, die ihr Betriebsmodell auf Data Mesh umgestellt haben, erzielen bemerkenswerte Resultate:
- Time-to-Insight: Die Entwicklungszeit für neue Machine-Learning-Modelle sinkt von 6 Monaten auf 10 Tage.
- Ausschussreduktion: Weil Qualitätsdaten direkt zwischen Bearbeitungsschritten in Echtzeit konsumiert werden können, sinkt die Fehlerquote bei komplexen Zerspanungsprozessen um bis zu 22 Prozent.
- Verantwortungsbewusstsein: Ingenieure entwickeln Stolz auf die Qualität „ihrer“ Datenprodukte, da Kollegen aus anderen Werken als interne Kunden darauf zugreifen.
Data Mesh ist keine reine Software-Technologie, sondern eine organisatorische Reifeprüfung für die Industrie 4.0. Wer seine Daten demokratisiert, beschleunigt die gesamte Organisation.