{"canonical_url":"https://engineer.company/da/glossary/data-mesh/","content_markdown":"# Data mesh\n\n## Hvad det er\n\nEt data mesh er en måde at organisere analysedata på i en stor organisation, så\nde teams, der driver hver del af forretningen, også ejer, udgiver og står inde\nfor de data, som den del frembringer. Zhamak Dehghani, dengang principal\ntechnology consultant hos Thoughtworks, beskrev idéen på Martin Fowlers site i\nen artikel, der udkom i flere dele i maj 2019. I december 2020 samlede hun den i\nfire principper: domæneorienteret ejerskab af data og deres arkitektur, data som\nprodukt, selvbetjent datainfrastruktur som platform og fødereret governance, som\nmaskinerne håndhæver, på engelsk federated computational governance. Ifølge\nhende er de fire tilsammen både nødvendige og tilstrækkelige, og hun regner med,\nat praksis og værktøjer vil skifte, mens principperne står fast.\n\nIdéen gælder analytiske data, ikke driftsdata. Dehghani trækker grænsen sådan:\nDriftsdata ligger i databaserne bag de systemer, der får forretningen til at\nkøre, de er transaktionelle og viser, hvordan tingene står lige nu. Analytiske\ndata er forretningens historik over tid, aggregeret og modelleret, og det er\ndem, rapporterne bygges på, og modellerne trænes med. Driftsdata lader hun\nblive, hvor de er, inde i hver tjeneste. Det er den analytiske side, hun vil\nhave fat i, for det er dér, hun ser friktionen, når virksomheden vokser.\n\n**Domæneejerskab.** Et data mesh skæres efter skel, organisationen allerede har.\nDehghanis gennemgående eksempel er en digital medievirksomhed med domæner som\npodcasts og kunstnere. Det team, der driver podcasts og stiller grænsefladerne\ntil at udgive dem til rådighed, bør også levere historikken over udgivne\npodcasts, og hvor mange der har lyttet til dem over tid. Skellene er hentet fra\ndomænedrevet design, hvor hvert domænes bounded context afgrænser det område,\nhvor en ændring holder sig lokal. Derfor er det også et godt sted at placere\nejerskabet af data.\n\n**Data som produkt.** Når data spredes ud over mange teams, bliver de sværere at\nfinde og at stole på. Hvert team må derfor behandle de data, det deler, som et\nprodukt og dem, der bruger dem, som kunder. Artiklen fra 2019 opregner, hvad det\nkræver: Et dataprodukt skal kunne findes, have en fast adresse, være til at\nstole på, beskrive sig selv, kunne spille sammen med andre efter fælles\nstandarder og være beskyttet af fælles adgangskontrol. En produktejer i domænet\nstår til ansvar for mål som kvaliteten, hvor længe forbrugerne venter på data,\nog hvor tilfredse de er. Ansvaret for kvaliteten rykker opstrøms, så tæt på\nkilden som muligt. Arkitektonisk er et dataprodukt den mindste enhed, der kan\nudrulles for sig, og det rummer tre dele: koden, der omformer og udstiller data\nog håndhæver reglerne for dem, selve data med tilhørende metadata og den\ninfrastruktur, der kører det hele.\n\n**En selvbetjent platform.** At bygge, drive og holde øje med et dataprodukt\nkræver specialiseret viden om infrastruktur, og den kan ikke kopieres ind i\nhvert eneste domæne. Et platformteam stiller derfor værktøjer til rådighed på et\nhøjere niveau, blandt andet til lagring, produktskemaer, deklarerede pipelines\nog sporing af datas oprindelse, så en udvikler med en bred profil kan bygge et\ndataprodukt uden den specialistviden.\n\n**Fødereret governance.** Produkterne skal stadig passe sammen, ellers kan ingen\nkombinere dem. En gruppe af produktejere fra domænerne og fra platformen afgør,\nhvilke regler der gælder overalt, og hvilke der overlades til det enkelte\ndomæne, og platformen håndhæver de fælles regler automatisk. Dehghanis eksempel\ner lyttertal: Hvordan podcastdomænet modellerer dem, er dets egen sag, men\nhvordan en lytter identificeres, er et fælles anliggende, fordi den samme person\nogså optræder som bruger i andre domæner.\n\n## Hvorfor det betyder noget\n\nDehghanis argument begynder med det, der går galt, når en stor virksomhed driver\nen central data lake eller et centralt data warehouse. Data fra alle domæner\ntrækkes ind på én platform, som ejer det hele og drives af et team af\nspecialister i dataværktøjer, der sidder langt fra både dem, der skaber data, og\ndem, der bruger dem. Hun peger på tre måder, modellen svigter på. Platformen er\ncentral og monolitisk, så den får det svært, efterhånden som kilder og\nforbrugere bliver flere. Den er delt op i pipelinetrin som indlæsning, rensning,\naggregering og udstilling, så et enkelt nyt tal, for eksempel hvor tit podcasts\nbliver afspillet, kræver en ændring i hvert trin og en udgivelse, der skal\nkoordineres på tværs af teams. Og ejerskabet er delt op i siloer og højt\nspecialiseret: De ingeniører, der skal få mening i data, ved kun lidt om de\ndomæner, data kommer fra, mens de teams, der frembringer data, ikke har nogen\ngrund til at gøre det ordentligt.\n\nEt data mesh flytter, hvem der gør rent. I den gamle model ankommer data med\nderes fejl, og et centralt team renser dem efter indlæsningen. I et data mesh\nbliver et domænes datasæt først et dataprodukt, når domænet selv har tjekket det\nop mod de aftalte kvalitetsmål og de fælles regler. De mennesker, der ved, hvad\net felt burde betyde, er også dem, der står inde for det.\n\nGovernance skifter også form. Artiklen fra 2020 stiller de to modeller over for\nhinanden i en tabel. Et centralt team har selv ansvaret for kvalitet, sikkerhed\nog overholdelse af regler. Et fødereret team fastlægger, hvordan kvalitet skal\nmodelleres, og hvilke regler for sikkerhed og lovgivning platformen skal bygge\nind og overvåge. Før blev succes målt i antallet af tabeller under governance. I\net data mesh måles den i, hvor meget produkterne faktisk bliver brugt. Manuel\nkontrol, der prøver at forhindre fejl, afløses af automatiske processer, der\nopdager fejlene og retter op efter dem.\n\nIntet af det præsenteres som et universalsvar. I artiklen fra 2019 medgiver\nDehghani, at den centrale model kan fungere i organisationer med et enklere\ndomæne og færre slags forbrugere, og hun skriver, at den kommer til kort i\nvirksomheder med rige domæner, mange kilder og forbrugere med vidt forskellige\nbehov. Om et data mesh er besværet værd, afhænger af, hvilken af de to slags\norganisationen hører til.\n\n## Sådan ser det ud i praksis\n\nEt rigtigt data mesh spænder over mange teams og mange datalagre. Skitsen\nnedenfor holder sig til én PostgreSQL-database, så hver SQL-sætning kan\nefterprøves i manualen, og den viser de to mindste træk: et domæne, der udgiver\net produkt, og en platform, der håndhæver én fælles regel.\n\nOrdreteamet ejer driftstabellerne i skemaet `orders`. Sine analysedata udgiver\ndet i et skema for sig, som et versioneret view med en beskrivelse og en\nudtrykkelig tildeling af rettigheder:\n\n```sql\n-- ordreteamet ejer dette skema og alt, hvad der ligger i det\nCREATE SCHEMA order_data;\n\nCREATE VIEW order_data.orders_by_day_v1 AS\nSELECT order_date, currency, count(*) AS orders, sum(total) AS revenue\nFROM orders.orders\nWHERE status = 'paid'\nGROUP BY order_date, currency;\n\nCOMMENT ON VIEW order_data.orders_by_day_v1 IS\n  'Betalte ordrer pr. dag og valuta. Ejer: ordreteamet.';\n\nGRANT USAGE ON SCHEMA order_data TO analysts;\nGRANT SELECT ON order_data.orders_by_day_v1 TO analysts;\n```\n\nPostgreSQL-manualen forklarer, hvorfor det er nok på forbrugerens side: Den, der\nbruger et view, skal kun have USAGE-rettigheden til det skema, viewet ligger i,\nikke til de skemaer, som viewets forespørgsel læser fra. Analytikerne kan altså\nhente data fra produktet, mens driftstabellerne bag det forbliver lukket for\ndem. Evans nævner for sin del databaseskemaer blandt de fysiske former, som\ngrænsen om en bounded context kan antage.\n\nPlatformens side er en regel, der gælder for alle domæner. Den er skrevet som en\nforespørgsel og køres ved hver udgivelse: Intet produktskema må indeholde et\nview uden beskrivelse. `obj_description` returnerer den kommentar, der er gemt\npå et objekt, og i `pg_class` betyder en `relkind` med værdien `v`, at objektet\ner et view:\n\n```sql\n-- fælles regel: hvert udgivet view har en beskrivelse\nSELECT n.nspname, c.relname\nFROM pg_class AS c\nJOIN pg_namespace AS n ON n.oid = c.relnamespace\nWHERE c.relkind = 'v'\n  AND n.nspname ~ '_data$'\n  AND obj_description(c.oid, 'pg_class') IS NULL;\n-- hver række, der kommer tilbage, standser udgivelsen\n```\n\nDen opdeling er den fødererede del i lille målestok. Hvad der tæller som en\nbetalt ordre, bestemmer ordreteamet. At hvert produkt beskriver sig selv, og at\nnavnene på produktskemaer ender på `_data`, er fælles konventioner, som\nplatformen tjekker, uden at nogen behøver at huske dem.\n\nYdelsessiden [Data governance \u0026 datakvalitet](/da/services/data-governance/)\nlover, at det skal stå klart, hvem der ejer hvert tal, og hvilken kilde det har,\nog netop det skal en produktejer for data kunne gøre rede for. Blandt det\nudførte arbejde står et funktionsbaseret datalag i PostgreSQL, bygget sådan, at\nal læsning og skrivning sker gennem funktioner, databasen kan give adgang til,\nog aldrig direkte gennem tabellerne. Det er samme tankegang som i viewet\novenfor: Forbrugerne får en grænseflade med en rettighed på, ikke tabellerne\nnedenunder.\n\nPorteføljecasen\n[Én infrastrukturplan til 14 afdelinger](/da/portfolio/one-infrastructure-plan-for-14-departments/)\nkalder sig ikke et data mesh, men den rammer den spænding, som governancegruppen\ni et data mesh lever med. På et forskningsinstitut arbejdede 14\nforskningsgrupper med hver deres datakilder, formater, skalaer og værktøjer, og\nderes tekniske kunnen og it-ressourcer var meget forskellige: Nogle få havde\nbygget deres egne løsninger, mens mange kæmpede. Planen skulle lade forskerne\nkoncentrere sig om forskningen, og den afvejede fleksibilitet mod\nstandardisering med en modulær arkitektur, veje ind for meget forskellige\ndatakilder, grænseflader til forskellige kompetenceniveauer, skalerbar lagring\nog behandling samt strategier for onboarding, support og governance. At afgøre,\nhvad hver gruppe beholder for sig selv, og hvad alle deler, er netop den\nafvejning, Dehghani lægger hos den fødererede governance, og at sænke den\nkunnen, en gruppe skal have, er det, hun forlanger af en selvbetjent platform.\n\n## Hvor det går galt\n\n**Et centralt team med et nyt navn.** Det ændrer intet at kalde\ndataplatformteamet et data mesh, hvis det samme team stadig tager imod rådata\nfra alle domæner, renser dem og står inde for kvaliteten. Dehghanis\ngovernancetabel kan bruges som tjekliste: Hvem har ansvaret for kvaliteten, hvem\nfastlægger sikkerhedsreglerne, og måles succes stadig i tabeller under\ngovernance? Flyt ejerskabet af hvert dataprodukt til det domæne, der frembringer\ndata, og behold det centrale team til platformen og reglerne.\n\n**Produkter, ingen står inde for.** Et domæne, der eksporterer tabeller uden en\nejer, en beskrivelse eller et løfte om, hvor friske data er, har blot flyttet\ndet gamle problem ind i sit eget hjørne. Dehghani beder hvert dataprodukt om at\nangive sin kvalitet som service level objectives, for eksempel aktualitet og\nfejlrater, og bemærker, at ét domæne kan tilbyde to produkter med de samme\nhændelser: et næsten i realtid, der kan miste eller gentage hændelser, og et,\nder kommer senere og er mere præcist. Udpeg en ejer for hvert produkt,\noffentliggør produktets mål, og test kvaliteten dér, hvor data opstår.\n\n**Ingen fælles identifikatorer.** Hvis hvert domæne identificerer de samme ting\npå sin egen måde, kan ingen to produkter kobles sammen. I eksemplet fra 2019 ser\nen kunstner forskellig ud i det domæne, der registrerer afspilninger, og i det\ndomæne, der betaler kunstnerne. Aftal fælles, hvordan den slags delte entiteter,\nsom Dehghani kalder polysemer, identificeres, og overlad resten af modellen til\nhvert domæne. Feltformater, konventioner for adresser og fælles metadatafelter\nhører hjemme på den samme fælles liste.\n\n**Hvert domæne bygger hele stakken om.** Uden en selvbetjent platform må hvert\ndomæne selv sætte lagring, pipelines og overvågning op, og de specialiserede\nkompetencer, der var en mangelvare i ét centralt team, skal nu findes i hvert\neneste team. Byg platformen, før domænerne bliver bedt om at udgive, og mål den\npå, hvor lidt specialistviden et domæne behøver for at levere et produkt.\n\n**Et produkt, der ændres under forbrugerne.** Et dataprodukt er en grænseflade,\nog ændrer man den på stedet, går de rapporter i stykker, der bygger på den. I\nPostgreSQL afviser `CREATE OR REPLACE VIEW` en del af den fejl: Den nye\nforespørgsel skal give de samme kolonner med samme navne, rækkefølge og\ndatatyper og må kun tilføje kolonner til sidst. En ændret betydning fanger den\nikke, for beregningen bag en kolonne må gerne være en helt anden. Læg enhver\nændring, der omdøber, fjerner eller omdefinerer en kolonne, i et nyt view,\n`orders_by_day_v2`, ved siden af det gamle, og udfas det gamle, når forbrugerne\ner flyttet.\n\n**Et data mesh, hvor der ikke er brug for et.** Fire principper, et\nplatformteam, en fødereret governancegruppe og en produktejer i hvert domæne er\nmeget maskineri. Mod slutningen af sin artikel fra 2019 indrømmer Dehghani, at\n»enterprise scale adoption still has a long way to go«. Hvis en håndfuld kilder\nog ét team dækker behovet, så behold et velfungerende centralt lager med en\nnavngiven ejer for hver tabel, og lån de dele, der betaler sig uanset størrelse:\nejere, beskrevne datasæt og regler, som maskinen tjekker.\n\n## Læs mere\n\n- [Data Mesh Principles and Logical Architecture](https://martinfowler.com/articles/data-mesh-principles.html)\n  — Zhamak Dehghani, 2020: de fire principper, et dataprodukts dele og tabellen,\n  der stiller central og fødereret governance over for hinanden.\n- [How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh](https://martinfowler.com/articles/data-monolith-to-mesh.html)\n  — den oprindelige artikel fra maj 2019 med en central dataplatforms tre\n  svagheder og de egenskaber, et dataprodukt skal have.\n- [Domain-Driven Design Reference](https://www.domainlanguage.com/wp-content/uploads/2016/05/DDD_Reference_2015-03.pdf)\n  — Eric Evans' sammenfatning af mønstrene, herunder den bounded context, hvis\n  grænser et data mesh deler ejerskabet efter.\n- [PostgreSQL: CREATE VIEW](https://www.postgresql.org/docs/current/sql-createview.html)\n  — reglerne for at erstatte et view og de rettigheder, brugerne af det skal\n  have, som i eksemplet.\n- [PostgreSQL: COMMENT](https://www.postgresql.org/docs/current/sql-comment.html)\n  — hvordan en beskrivelse gemmes på et databaseobjekt, så `obj_description` kan\n  læse den igen.\n\n\u003chttps://engineer.company/da/glossary/data-mesh/\u003e\n","date_modified":"2026-10-29T11:17:41Z","description":"Hvordan et data mesh lægger analysedata hos de teams, der skaber dem, udstiller dem som produkter på en fælles platform, og hvor idéen går galt.","formats":{"gemtext":"https://engineer.company/da/glossary/data-mesh/index.gmi","gopher":"https://engineer.company/da/glossary/data-mesh/gophermap","html":"https://engineer.company/da/glossary/data-mesh/","json":"https://engineer.company/da/glossary/data-mesh/index.json","markdown":"https://engineer.company/da/glossary/data-mesh/index.md","pdf":"https://engineer.company/da/glossary/data-mesh/index.pdf"},"kind":"page","language":"da","title":"Hvad er et data mesh?","url":"https://engineer.company/da/glossary/data-mesh/","version":1}