Konzeption einer Self-Service Data Platform: Wie Data Mesh die Finanzwelt modernisiert

Die Herausforderung: Der Flaschenhals zentraler Datenarchitekturen

Viele Unternehmen, insbesondere im stark regulierten Finanzsektor, kämpfen mit denselben Problemen:

• Datensilos: Wertvolle Informationen sind in isolierten Systemen gefangen.
• Lange Wartezeiten: Fachbereiche müssen oft Wochen auf Reports von zentralen IT-Teams warten.
• Fehlende Transparenz: Es fehlt ein unternehmensweiter Datenkatalog und klare Verantwortlichkeiten (Data Ownership).

Die traditionelle, zentralisierte Datenarchitektur stösst hier an ihre Grenzen. Unser Ziel war es daher, eine Plattform zu entwerfen, die diese Engpässe auflöst und das Mindset «Data as a Product» etabliert.

Die Lösung: Ein Data-Mesh-Ansatz

Anstatt alle Daten in einen zentralen See zu pumpen, verlagert der Data-Mesh-Ansatz die Verantwortung zurück in die Fachdomänen. Die Idee: Diejenigen, die die Daten generieren, wissen am besten, wie man sie nutzt und pflegt.

Für das Finanzinstitut haben wir eine Architektur entwickelt, die auf folgenden Säulen ruht:

• Dezentrale Data Ownership: Fachbereiche bieten ihre Daten als Produkte an.
• Self-Service Infrastruktur: Eine Plattform, die es Teams ermöglicht, ohne tiefes technisches Spezialwissen Daten bereitzustellen und zu konsumieren.
• Föderierte Governance: Globale Standards sorgen für Sicherheit und Interoperabilität, ohne die Agilität zu bremsen.

Der Proof-of-Concept: Die «360-Grad-Kundensicht»

Theorie ist gut, Praxis ist besser. Um die Machbarkeit unserer Konzeption zu beweisen, haben wir einen konkreten Use Case – die 360-Grad-Kundensicht – als Minimum Viable Product (MVP) definiert. Ziel war es, Kundendaten aus verschiedenen Quellen sicher und compliant zusammenzuführen, um eine ganzheitliche Betreuung zu ermöglichen.

Technologischer Deep-Dive: Open Source als Basis

Unsere Evaluation und Nutzwertanalyse identifizierte eine Kombination aus leistungsstarken Open-Source-Komponenten als beste Lösung für echte Self-Service-Fähigkeit:

• Apache Iceberg: Als offene Tabellenschicht ermöglicht es performante Analysen auf riesigen Datenmengen und verhindert Vendor-Lock-in.
• Trino: Diese föderierte Abfrage-Engine erlaubt SQL-Abfragen über verschiedene Datenquellen hinweg, ohne dass Daten aufwändig kopiert werden müssen.
• Apache Kafka & Flink: Für die Echtzeit-Datenintegration und -verarbeitung.

Diese Architektur bietet nicht nur einen hohen Automatisierungsgrad, sondern legt auch das Fundament für Skalierbarkeit in der Zukunft.

Fazit: Agilität durch Dezentralisierung

Die Ergebnisse unserer Arbeit zeigen deutlich: Eine reine Optimierung bestehender Tools reicht oft nicht aus. Der Wechsel zu einem Data-Mesh-Konzept mit einer dedizierten Governance-Engine ermöglicht es Unternehmen, Datenprodukte schneller bereitzustellen und die «Time-to-Market» für Analysen drastisch zu verkürzen.

Bei Swissware IT verstehen wir, dass Technologie immer einem Zweck dienen muss: Prozesse zu vereinfachen und echten Mehrwert zu schaffen. Dieses Projekt unterstreicht unsere Kompetenz, komplexe technische Herausforderungen zu analysieren und zukunftsfähige Lösungen zu konzipieren – sei es im grossen Stil für Finanzinstitute oder massgeschneidert für Ihr KMU.

Autoren des Projekts: Giuseppe Scavetta, Marco Stomaci, Mirjam Islamovic & Nevzat Abduli (2025)