Data mesh i praktiken: Domänägarskap, federated governance och svenska bolag

Data mesh är ett av de begrepp som låter mer revolutionerande än det är, och som ofta missförstås. Det handlar inte om en ny produkt du köper, utan om hur du organiserar ägarskapet av data. Jag har sett det lösa verkliga problem och jag har sett det införas för tidigt och skapa nya. Här reder jag ut vad data mesh faktiskt innebär och hur jag avgör om ett svenskt bolag är redo för det.

Problemet data mesh adresserar

I många organisationer äger ett centralt datateam allt. Det blir en flaskhals, för teamet kan omöjligt förstå varje del av verksamheten lika väl som de som jobbar i den. Data mesh vänder på det och flyttar ägarskapet ut till de domäner som kan datan bäst, medan vissa gemensamma regler hålls centralt.

Domänägarskap

Kärnan är att varje domän äger sin data, från källa till färdig produkt. Säljteamet äger säljdatan, ekonomiteamet äger ekonomidatan. De som kan datan bäst ansvarar för dess kvalitet och tillgänglighet, i stället för att ett centralt team gissar sig fram. Det är en kraftfull idé när den fungerar.

Data som produkt

En annan bärande tanke är att behandla data som en produkt med riktiga konsumenter. En domän som äger data ska leverera den med dokumentation, tydliga garantier och omsorg om dem som använder den. Det är skillnaden mellan att slänga ut en tabell och att leverera något andra kan lita på.

• Varje domän äger sin data hela vägen, inte bara delar av den.
• Data behandlas som en produkt med dokumentation och garantier.
• Gemensamma spelregler hålls centralt så att domänerna inte glider isär.

Att avgöra om en organisation har den mognad som krävs är något av det viktigaste jag bidrar med i vårt arbete med dataplattform, eftersom data mesh ställer höga krav på både team och kultur.

Federated governance

Frihet utan gemensamma regler blir kaos. Federated governance betyder att domänerna har frihet inom ramar som bestäms gemensamt: hur data beskrivs, hur den delas och vilka standarder som gäller. Balansen mellan autonomi och samordning är det svåraste och viktigaste att få rätt, och det är ofta här försök misslyckas.

Plattformen som gör självbetjäning möjlig

En förutsättning som ofta underskattas i data mesh är att domänerna behöver en gemensam plattform att bygga sina dataprodukter på. Om varje domän ska uppfinna sin egen infrastruktur uppstår kaos och dubbelarbete, vilket motverkar hela idén. Därför hör det till data mesh att ett centralt team tillhandahåller en självbetjäningsplattform med gemensamma verktyg, mallar och standarder, så att domänerna kan fokusera på sin data i stället för på infrastruktur. Det centrala teamet byter alltså roll, från att äga all data till att möjliggöra för andra att äga sin. Den förskjutningen är subtil men avgörande, och missförstås den blir resultatet antingen fortsatt centralisering eller fullt kaos.

När data mesh inte passar

Data mesh kräver mogna team som kan och vill äga sin data. Ett mindre bolag med ett enda datateam har sällan något att vinna och mycket att förlora på att fördela ut ansvar som ingen är redo att bära. Jag avråder ofta från data mesh just därför, eftersom prematur införsel skapar fler flaskhalsar än den löser.

Mätbarhet och att veta om det fungerar

Eftersom data mesh är lika mycket organisation som teknik är det lätt att tappa bort om förändringen faktiskt ger resultat. Jag försöker därför etablera enkla sätt att mäta om det blir bättre: levererar domänerna data snabbare än förr, minskar antalet incidenter, hittar konsumenterna det de behöver utan att fråga ett centralt team? Utan sådana mått blir data mesh lätt en trosfråga där förespråkare och skeptiker talar förbi varandra. Med mått kan ni se var det fungerar och var det skaver, och justera därefter. Jag brukar också vara ärlig om att det tar tid innan vinsterna syns, eftersom det handlar om att förändra hur människor arbetar och inte bara om att installera ny teknik.

Hur jag närmar mig det

När data mesh är rätt inför jag det stegvis. Jag börjar med en eller två domäner som är mogna och motiverade, etablerar de gemensamma reglerna i liten skala och låter det växa när det bevisat sig. Att försöka mesh-a hela organisationen på en gång är nästan alltid ett misstag som bränner förtroende. Fler exempel finns i vår casebook.

Relaterat

• BI-val: Looker vs Power BI vs Metabase vs Lightdash
• Data quality-ramverk: Great Expectations + dbt tests i CI/CD
• Semantic layer 2026: dbt Semantic Layer vs Cube vs LookML

Vill du ta det vidare?

Om du undrar om data mesh är rätt för er organisation eller bara en trend att låta bli, hör av dig via kontaktsidan. Jag ger dig en ärlig bedömning av er mognad innan ni satsar.