{"canonical_url":"https://engineer.company/sv/glossary/data-mesh/","content_markdown":"# Data mesh\n\n## Vad det är\n\nEtt data mesh är ett sätt att organisera analysdata i en stor organisation så\natt teamen som driver varje del av verksamheten också äger, publicerar och\nansvarar för de data som den delen producerar. Zhamak Dehghani, då principal\ntechnology consultant på Thoughtworks, lade fram idén på Martin Fowlers\nwebbplats i en artikel som publicerades i flera delar i maj 2019. I december\n2020 formulerade hon om den som fyra principer: domänorienterat ägarskap av data\noch arkitekturen kring dem, data som produkt, självbetjänad datainfrastruktur\nsom plattform och federerad styrning som maskinerna upprätthåller, på engelska\nfederated computational governance. Enligt henne är de fyra tillsammans både\nnödvändiga och tillräckliga, och hon räknar med att metoder och verktyg kommer\natt förändras medan principerna ligger fast.\n\nIdén gäller analytiska data, inte operativa. Dehghani drar gränsen så här:\nOperativa data ligger i databaserna bakom de system som håller verksamheten\nigång, de är transaktionella och visar hur läget är just nu. Analytiska data är\nverksamhetens historik över tid, aggregerad och modellerad, och det är på dem\nrapporterna bygger och modellerna tränas. De operativa data låter hon ligga kvar\ndär de är, inne i varje tjänst. Det är den analytiska sidan hon vill åt, för det\när där hon ser friktionen när verksamheten växer.\n\n**Domänägarskap.** Ett data mesh delas upp längs gränser som organisationen\nredan har. Dehghanis genomgående exempel är ett digitalt medieföretag med\ndomäner som poddar och artister. Teamet som driver poddarna och erbjuder\ngränssnitten för att publicera dem bör också leverera historiken över\npublicerade poddar och hur många som har lyssnat på dem över tid. Gränserna är\nhämtade från domändriven design, där varje domäns bounded context avgränsar det\nområde där en ändring stannar lokalt. Därför är det också ett bra ställe att\nlägga ägarskapet till data.\n\n**Data som produkt.** När data sprids över många team blir de svårare att hitta\noch att lita på. Varje team måste därför behandla de data det delar som en\nprodukt, och dem som använder dem som kunder. Artikeln från 2019 räknar upp vad\nsom krävs: En dataprodukt ska gå att hitta, ha en fast adress, vara pålitlig,\nbeskriva sig själv, kunna samverka med andra enligt gemensamma standarder och\nskyddas av gemensam åtkomstkontroll. En produktägare i domänen ansvarar för mått\nsom kvalitet, hur länge konsumenterna får vänta på data och hur nöjda de är.\nAnsvaret för kvaliteten flyttas uppströms, så nära källan som möjligt.\nArkitektoniskt är en dataprodukt den minsta enhet som kan driftsättas för sig,\noch den består av tre delar: koden som transformerar och levererar data och\nupprätthåller reglerna för dem, själva data tillsammans med deras metadata och\ninfrastrukturen som kör alltihop.\n\n**En självbetjäningsplattform.** Att bygga, driva och övervaka en dataprodukt\nkräver specialiserad infrastrukturkompetens, och den går inte att kopiera in i\nvarenda domän. Ett plattformsteam erbjuder därför verktyg på en högre nivå,\nbland annat för lagring, produktscheman, deklarerade datapipelines och spårning\nav varifrån data kommer, så att en utvecklare med bred profil kan bygga en\ndataprodukt utan den specialistkunskapen.\n\n**Federerad styrning.** Produkterna måste ändå passa ihop, annars kan ingen\nkombinera dem. En grupp produktägare från domänerna och från plattformen avgör\nvilka regler som ska gälla överallt och vilka som lämnas åt den enskilda\ndomänen, och plattformen upprätthåller de gemensamma reglerna automatiskt.\nDehghanis exempel är lyssningssiffror: Hur domänen för poddar modellerar dem är\ndomänens egen sak, men hur en lyssnare identifieras är en gemensam fråga,\neftersom samma person också dyker upp som användare i andra domäner.\n\n## Varför det spelar roll\n\nDehghanis argument börjar i det som går fel när ett stort företag driver en\ncentral datasjö eller ett centralt analysdatalager. Data från alla domäner dras\nin i en plattform som äger alltihop, och den drivs av ett team specialister på\ndataverktyg som sitter långt från både dem som skapar data och dem som använder\ndem. Hon pekar på tre sätt som det fallerar på. Plattformen är central och\nmonolitisk, så den får det svårt när källorna och konsumenterna blir fler. Den\när uppdelad i pipelinesteg som inläsning, rensning, aggregering och leverans, så\nett enda nytt mått, till exempel hur ofta poddar spelas upp, kräver en ändring i\nvarje steg och en release som måste samordnas mellan team. Och ägarskapet är\nuppdelat i silor och högt specialiserat: Ingenjörerna som ska få ut något av\ndata känner inte domänerna de kommer ifrån särskilt väl, medan teamen som\nproducerar data inte har något incitament att göra dem korrekta.\n\nEtt data mesh ändrar vem som städar. I den gamla modellen kommer data in med\nsina fel, och ett centralt team tvättar dem efter inläsningen. I ett data mesh\nblir en domäns datamängd en dataprodukt först när domänen själv har kontrollerat\nden mot de överenskomna kvalitetsmålen och de gemensamma reglerna. De som vet\nvad ett fält ska betyda är också de som står för det.\n\nStyrningen byter också form. Artikeln från 2020 ställer de två modellerna mot\nvarandra i en tabell. Ett centralt team ansvarar självt för kvalitet, säkerhet\noch regelefterlevnad. Ett federerat team bestämmer hur kvalitet ska modelleras\noch vilka säkerhets- och regelkrav plattformen ska bygga in och övervaka. Förr\nmättes framgång i antalet tabeller under styrning. I ett data mesh mäts den i\nhur mycket produkterna faktiskt används. Manuella kontroller som försöker\nförhindra fel ersätts av automatiserade processer som upptäcker fel och rättar\ntill dem i efterhand.\n\nInget av detta framställs som ett universalsvar. I artikeln från 2019 medger\nDehghani att den centrala modellen kan fungera för organisationer med en enklare\ndomän och färre slags konsumenter, och skriver att den fallerar i verksamheter\nmed rika domäner, många källor och konsumenter med mycket olika behov. Om ett\ndata mesh är mödan värt beror på vilken av de två sorterna organisationen\ntillhör.\n\n## Så ser det ut i praktiken\n\nEtt riktigt data mesh sträcker sig över många team och många datalager. Skissen\nnedan håller sig till en enda PostgreSQL-databas, så att varje SQL-sats kan\nkontrolleras mot manualen, och den visar de två minsta greppen: en domän som\npublicerar en produkt och en plattform som upprätthåller en gemensam regel.\n\nOrderteamet äger driftstabellerna i schemat `orders`. Sina analysdata publicerar\ndet i ett eget schema, som en versionerad vy med en beskrivning och en\nuttrycklig tilldelning av behörigheter:\n\n```sql\n-- orderteamet äger det här schemat och allt som 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  'Betalda order per dag och valuta. Ägare: orderteamet.';\n\nGRANT USAGE ON SCHEMA order_data TO analysts;\nGRANT SELECT ON order_data.orders_by_day_v1 TO analysts;\n```\n\nPostgreSQL-manualen förklarar varför det räcker på konsumentsidan: Den som\nanvänder en vy behöver bara USAGE-privilegiet på schemat där vyn ligger, inte på\nde scheman som vyns fråga läser från. Analytikerna kan alltså hämta data ur\nprodukten medan driftstabellerna bakom den förblir stängda för dem. Evans räknar\ni sin tur databasscheman till de fysiska former som gränsen kring en bounded\ncontext kan ta.\n\nPlattformens sida är en regel som gäller för alla domäner. Den är skriven som en\nSQL-fråga och körs vid varje release: Inga produktscheman får innehålla en vy\nutan beskrivning. `obj_description` returnerar kommentaren som är lagrad på ett\nobjekt, och i `pg_class` betyder en `relkind` med värdet `v` att objektet är en\nvy:\n\n```sql\n-- gemensam regel: varje publicerad vy har en beskrivning\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-- varje rad som returneras stoppar releasen\n```\n\nDen uppdelningen är den federerade delen i miniatyr. Vad som räknas som en\nbetald order bestämmer orderteamet. Att varje produkt beskriver sig själv och\natt namnen på produktscheman slutar på `_data` är gemensamma konventioner som\nplattformen kontrollerar utan att någon behöver komma ihåg dem.\n\nTjänstesidan [Datastyrning och datakvalitet](/sv/services/data-governance/)\nutlovar att varje siffra ska ha en känd ägare och en känd källa, och det är just\nvad en produktägare för data måste kunna redogöra för. Bland det levererade\narbetet finns ett funktionsbaserat dataskikt i PostgreSQL, byggt så att all\nläsning och skrivning går genom funktioner som databasen kan ge behörighet till,\noch aldrig direkt mot tabellerna. Det är samma tankesätt som i vyn ovan:\nKonsumenterna får ett gränssnitt med en behörighet knuten till sig, inte\ntabellerna under.\n\nUppdraget\n[En infrastrukturplan för 14 avdelningar](/sv/portfolio/one-infrastructure-plan-for-14-departments/)\nbeskrivs inte som ett data mesh, men det möter samma spänning som\nstyrningsgruppen i ett data mesh lever med. Vid ett forskningsinstitut arbetade\n14 forskargrupper med var sina datakällor, format, skalor och verktyg, och både\nden tekniska kompetensen och IT-resurserna varierade kraftigt: Ett fåtal hade\nbyggt egna lösningar, medan många hade det svårt. Planen skulle låta forskarna\nägna sig åt forskningen, och den vägde flexibilitet mot standardisering, med\nmodulär arkitektur, integrationsvägar för mycket olika datakällor,\nanvändarvänliga gränssnitt för olika kunskapsnivåer, skalbar lagring och\nbearbetning och strategier för onboarding, support och styrning. Att avgöra vad\nvarje grupp behåller för sig själv och vad alla delar är just den avvägning\nDehghani lägger på den federerade styrningen, och att sänka kompetenskravet för\nen grupp är vad hon kräver av en självbetjäningsplattform.\n\n## Var det går fel\n\n**Ett centralt team med nytt namn.** Det ändrar ingenting att kalla\ndataplattformsteamet ett data mesh om samma team fortfarande tar emot rådata\nfrån alla domäner, tvättar dem och ansvarar för kvaliteten. Dehghanis\nstyrningstabell fungerar som checklista: Vem ansvarar för kvaliteten, vem\nbestämmer säkerhetsreglerna, och mäts framgång fortfarande i tabeller under\nstyrning? Flytta ägarskapet för varje dataprodukt till domänen som producerar\ndata, och låt det centrala teamet behålla plattformen och reglerna.\n\n**Produkter som ingen står för.** En domän som exporterar tabeller utan ägare,\nbeskrivning eller löfte om hur färska data är har bara flyttat det gamla\nproblemet till sitt eget hörn. Dehghani vill att varje dataprodukt anger sin\nkvalitet som servicenivåmål, till exempel aktualitet och felfrekvens, och\npåpekar att en domän kan erbjuda två produkter med samma händelser: en nästan i\nrealtid som kan tappa eller upprepa händelser, och en som kommer senare och är\nmer exakt. Utse en ägare för varje produkt, publicera målen och testa kvaliteten\ndär data uppstår.\n\n**Inga gemensamma identifierare.** Om varje domän identifierar samma saker på\nsitt eget sätt går inga två produkter att koppla ihop. I exemplet från 2019 ser\nen artist olika ut i domänen som registrerar uppspelningar och i domänen som\nbetalar artisterna. Kom överens över domängränserna om hur sådana delade\nentiteter, som Dehghani kallar polysemer, ska identifieras, och lämna resten av\nmodellen åt varje domän. Fältformat, adresskonventioner och gemensamma\nmetadatafält hör hemma på samma gemensamma lista.\n\n**Varje domän bygger hela stacken på nytt.** Utan en självbetjäningsplattform\nmåste varje domän själv sätta upp lagring, datapipelines och övervakning, och\nden specialiserade kompetens som var en bristvara i ett enda centralt team måste\nnu finnas i vartenda team. Bygg plattformen innan domänerna ombeds publicera,\noch mät den på hur lite specialistkunskap en domän behöver för att leverera en\nprodukt.\n\n**En produkt som ändras under konsumenterna.** En dataprodukt är ett gränssnitt,\noch ändrar man den på plats går rapporterna som bygger på den sönder. I\nPostgreSQL avvisar `CREATE OR REPLACE VIEW` en del av det felet: Den nya frågan\nmåste ge samma kolumner med samma namn, ordning och datatyper och får bara lägga\ntill kolumner i slutet. En ändrad betydelse fångar den inte, för beräkningen\nbakom en kolumn kan mycket väl vara en helt annan. Lägg varje ändring som byter\nnamn på, tar bort eller omdefinierar en kolumn i en ny vy, `orders_by_day_v2`,\nbredvid den gamla, och avveckla den gamla när konsumenterna har flyttat över.\n\n**Ett data mesh där det inte behövs.** Fyra principer, ett plattformsteam, en\nfedererad styrningsgrupp och en produktägare i varje domän är mycket maskineri.\nMot slutet av artikeln från 2019 medger Dehghani att ”enterprise scale adoption\nstill has a long way to go”. Räcker en handfull källor och ett team, så behåll\nett välfungerande centralt lager med en namngiven ägare för varje tabell, och\nlåna de delar som lönar sig oavsett storlek: ägare, beskrivna datamängder och\nregler som maskinen kontrollerar.\n\n## Läs mer\n\n- [Data Mesh Principles and Logical Architecture](https://martinfowler.com/articles/data-mesh-principles.html)\n  — Zhamak Dehghani, 2020: de fyra principerna, delarna i en dataprodukt och\n  tabellen som ställer central och federerad styrning mot varandra.\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 ursprungliga artikeln från maj 2019, med den centrala dataplattformens\n  tre svagheter och de egenskaper en dataprodukt måste ha.\n- [Domain-Driven Design Reference](https://www.domainlanguage.com/wp-content/uploads/2016/05/DDD_Reference_2015-03.pdf)\n  — Eric Evans sammanfattning av mönstren, bland dem bounded context, längs vars\n  gränser ett data mesh delar upp ägarskapet.\n- [PostgreSQL: CREATE VIEW](https://www.postgresql.org/docs/current/sql-createview.html)\n  — reglerna för att ersätta en vy och de privilegier som användarna av den\n  behöver, så som exemplet använder dem.\n- [PostgreSQL: COMMENT](https://www.postgresql.org/docs/current/sql-comment.html)\n  — hur en beskrivning lagras på ett databasobjekt så att `obj_description` kan\n  läsa tillbaka den.\n\n\u003chttps://engineer.company/sv/glossary/data-mesh/\u003e\n","date_modified":"2026-10-29T11:17:41Z","description":"Hur ett data mesh lägger analysdata hos teamen som skapar dem, levererar dem som produkter på en gemensam plattform, och var idén går snett.","formats":{"gemtext":"https://engineer.company/sv/glossary/data-mesh/index.gmi","gopher":"https://engineer.company/sv/glossary/data-mesh/gophermap","html":"https://engineer.company/sv/glossary/data-mesh/","json":"https://engineer.company/sv/glossary/data-mesh/index.json","markdown":"https://engineer.company/sv/glossary/data-mesh/index.md","pdf":"https://engineer.company/sv/glossary/data-mesh/index.pdf"},"kind":"page","language":"sv","title":"Vad är ett data mesh?","url":"https://engineer.company/sv/glossary/data-mesh/","version":1}