引言 想象Data Mesh

想象力常常會把我們帶到從未存在過的世界。但沒有它，我們無處可去。

——Carl Sagan

每個成功的公司背后都有三個失敗和被遺忘的公司。這是因為失敗人數的比例超過幸存的注1。在人工智能時代，存活下來的頭部公司已經破解了復雜性的密碼，這并不是奇怪的巧合，它們將數據驅動的實驗嵌入業務的各個方面，通過快速學習來擁抱變化，運用機器智能（Machine Intelligence）技術以超越人類邏輯和推理的能力來理解現實。

Daff注2作為一家虛構的全球音樂和音頻流媒體公司，就是此類公司的一個例子注3。Daff成功地完成了它的使命：“在生活中的每一刻，以身臨其境的藝術體驗，連接全球的藝術家和聽眾。”在Daff的使命背后，是公司對數據、分析和機器智能寄予的厚望，這通過Data Mesh方法實現。Data Mesh是Daff的數據策略、架構和運營模型的支柱，它賦予了公司使用數據和機器學習進行實驗、學習和適應的規模和速度。

我想和大家分享的是Daff實現Data Mesh后的故事。通過Daff的故事，你將了解Data Mesh的本質。你將看到Data Mesh的原則、Data Mesh的優勢、Data Mesh的實際架構以及建立和運行的組織結構。

我發現引入Data Mesh等復雜現象的最佳方法是舉例。然而，現在描述一個擁有成熟Data Mesh的公司的例子還為時過早，因為我們目前正在構建第一個Data Mesh。因此，我正在描述一個虛構的組織，它展示了我期望在幾年后看到的特征。雖然我們不期望現實會符合想象，但是我們的工作愿景中很重要的部分就是理解我們正在嘗試實現什么。為了最好地表達這幅藍圖，我虛構了這家公司，我想象它會出現在商業媒體上。

Data Mesh實踐

這是2022年。

通過利用機器學習堅持不懈地關注用戶體驗，Daff展示了其付費訂閱者的強勁增長。該公司仍然是功能豐富的最受歡迎的平臺之一，它使用數據來定制個性化身臨其境的體驗，設計了一個龐大的內容庫，并發掘新的以及正在崛起的藝術家。Daff在不斷發展，添加了新的服務，擴展到了相鄰的流播客、視頻和組織活動等領域。如今，Daff的業務幾乎遍布全球，從活動和藝術場所到健身平臺，本地和全球商業合作者的生態系統也在不斷壯大。

過去三年，Daff將它管理和使用分析型數據的方式轉變為Data Mesh方法。Data Mesh是一種從大規模分析型數據中獲取價值的新方法，它使數據和業務比以往任何時候都更加緊密合作。

Daff部署了復雜的機器學習模型，這些模型持續地在多樣化和不斷演進的數據集（來自組織內部和組織外部）中探索一些模式。Daff為聽眾提供了專門針對他們的愛好、心情、一天中不同時間和地點的音樂建議；利用數據為藝術家提供了有針對性的活動，以幫助他們擴大影響力；通過業務分析、儀表板、報告和可視化來掌握自適應業務的實時動態。這只是Daff如何從數據中獲取價值的冰山一角。

讓我們和Daff一起，看看它是如何做到的。

數據好奇心和實驗的文化

Daff最顯著的變化之一是無處不在的敢于不停發問的文化，“如果……將會怎樣”：如果我們可以做出改變讓事情變得更好將會怎樣？這是一種癡迷于進行實驗、觀察結果、分析數據、理解數據、從中學習并適應的文化。

這種文化建立在一個技術基礎之上，該基礎可以讓每個人都敢于嘗試：嘗試應用機器學習的大實驗，或者只是調整用戶界面功能的小實驗。

Daff圍繞其稱為領域的業務單元進行組織。播放器領域專注于移動設備上使用的核心音樂播放器，合作伙伴領域專注于與商業伙伴合作，如健身應用程序和藝術場所等。播放列表領域研究生成播放列表的高級方法。每個領域都結合了軟件開發和更廣泛的業務能力，并負責支持該領域的軟件組件。

走進Daff，你會注意到，在任何時間點，每個領域都在同時運行著許多實驗，以改進其應用程序和服務。例如，播放器領域團隊正在不斷嘗試更好地與用戶互動。合作伙伴領域團隊正在用從各種外部來源（如健身平臺、藝術場所等）獲取的數據做實驗。播放列表領域團隊正在不斷應用更先進的機器學習技術來策劃和推薦引人入勝的合輯。藝術家領域團隊正在利用機器學習技術來發現、吸引通常會被忽視的藝術家并讓他們入駐。

業務的每個領域及其協作技術團隊都對有意義、值得信賴和安全的數據深表贊賞。不僅如此，每個人都期望在整個組織中按需訪問數據是一種常態。他們都知道自己在實現這一目標中的作用，都對數據負責并參與其中。

只要可以利用過去的數據和模式來實現領域的特性或功能，大家就會積極地應用機器學習模型。例如，播放列表團隊正在使用生成類的機器學習模型來創建奇妙和精彩的合輯。這些合輯針對不同的活動，從跑步到學習。藝術家團隊正在利用來自社交媒體和Daff之外的其他機構的多個數據集來發現新興藝術家并讓他們入駐，讓他們與新觀眾建立聯系，然后進行推廣。

你可以感受到對數據使用的熱情，并看到一種新的現象，這里允許創建和發現一些信號，這些信號對人類感官注4來說只是噪聲譯注1。

Data Mesh之前的數據文化

現在這種文化與三年前的Daff形成了鮮明的對比。數據收集、試驗和人工智能被外包給了一個單獨的數據團隊。數據團隊承受著巨大的壓力。領域團隊不信任數據，或者經常找不到他們需要的數據。數據團隊一直在追趕，要么追逐上游應用程序及其數據庫的每一個微小變化造成的對數據流水線的破壞，要么試圖滿足昨天亟需數據解決方案的領域的需求。領域本身對數據的易于獲得、可靠和可用沒有任何責任和興趣。獲取正確數據的準備時間和摩擦導致很難在領域內想象新的可能和試驗。

比較這兩種經歷可以看出Daff在轉向Data Mesh后的三年里取得了多大的進步。

數據和機器學習的嵌入式合作伙伴關系

數據實驗文化看起來好得似乎令人難以置信。要了解它在實踐中的樣子，讓我們看看Daff最近的數據驅動業務功能的故事，并了解相關人員的經驗。

智能音樂播放列表已成為Daff平臺的一項成功功能。音樂播放列表領域已經有多個機器學習模型在工作，這些模型將各種來源的數據進行交叉關聯，從而根據聽眾的位置、行為、興趣以及所在場合為聽眾推薦更匹配的播放列表。

播放列表的機器學習模型利用來自整個組織的各種來源的分析型數據產品的數據來發現規律，例如：

?聽眾領域共享的數據，比如聽眾資料、聽眾社交網絡、聽眾位置等，以了解聽眾的背景和群組。

?播放器領域共享的數據，比如播放會話和播放事件，以了解聽眾在播放器設備上的行為和偏好。

?音樂專輯領域的數據，比如音樂曲目和音樂資料，以了解音樂曲目的資料和分類。

有多個經過訓練的機器學習模型可以生成智能播放列表，例如周一播放列表、周日早上播放列表、專注時刻播放列表等。

播放列表團隊將這些不斷改進的合輯作為數據產品分享給其他團隊。數據即產品是一個共識的概念，指的是按照Daff建立的數據共享標準共享數據。數據產品可通過全局數據發現工具自動訪問。它們共享并保證滿足一組服務水平目標（SLO），例如每個播放列表的刷新頻率、準確性和及時性等。它們擁有最新且易于理解的文檔。簡而言之，數據產品是具有正確訪問權限的用戶可以獲得的高質量數據，并且數據產品易于理解和使用。

播放器領域團隊是播放列表數據產品的主要用戶之一，該團隊專注于跨不同播放器用戶界面（如移動端、桌面、汽車等）向聽眾呈現內容。團隊持續消費最新和最優秀的播放列表并將它們呈現給聽眾。

播放列表團隊正計劃改進它們的模型，以便為不同的運動活動推薦新的播放列表，例如跑步播放列表、騎行播放列表等。團隊需要找到現有數據，其中包含有關聽眾在運動活動中喜歡和播放的音樂的信息。

首先，播放列表團隊進入Data Mesh的發現門戶并搜索所有可能與運動活動相關的數據產品。通過發現機制，該團隊發現合作伙伴領域有一些與此相關的數據。發現工具允許團隊自動訪問文檔、示例代碼以及有關數據產品的更多信息。團隊自動發送訪問請求，連接到合作伙伴數據產品，然后檢查樣本數據集。團隊雖然發現了一些涉及聯合成員（既是合作伙伴健身平臺成員，又是聽眾）的有用數據，但沒有找到任何關于他們在跑步、騎自行車或做瑜伽時在這些平臺上聽的或喜歡的音樂的信息。

播放列表團隊與合作伙伴數據產品所有者取得聯系。每個領域都有一個專門的產品所有者，他專注于該領域的數據共享。通過直接對話，他們讓合作伙伴團隊知道播放列表團隊需要訪問健身平臺在不同活動中播放的音樂曲目以及會員喜歡的音樂曲目。此對話使得創建合作伙伴播放列表數據產品的優先級大大提高。

合作伙伴業務團隊的宗旨是通過與健身平臺等合作平臺的無縫集成和音樂共享，為聽眾創造更好的體驗。創建合作伙伴播放列表數據產品符合該團隊的業務目標。合作伙伴團隊最適合創建這個數據產品，它們與合作伙伴平臺合作最密切，并了解它們的集成API和這些API的生命周期，這些API直接為合作伙伴播放列表數據產品提供數據。

鑒于Daff在過去三年中建立的自助數據基礎設施和平臺功能，合作伙伴團隊可以相當容易地創建新的數據產品。它們開始與最受歡迎的騎行和健身合作伙伴合作，并使用他們的API訪問其會員播放和喜歡的曲目。

合作伙伴團隊使用平臺數據產品生命周期管理工具構建轉換邏輯，并將這些數據呈現為多種模式的數據產品，其中最初只是近實時增量快照文件的模式。為了使合作伙伴播放列表與其他數據產品的集成更容易，轉換代碼著重于協調音樂曲目ID與Daff所有數據產品中使用的全局曲目ID系統（不同系統的ID映射問題）。在幾個小時內，團隊構建了新的合作伙伴播放列表數據產品并將其部署到網格中，并提供給播放列表團隊以繼續實驗。

在這個簡單的場景中，有一些Data Mesh的基本原則在發揮作用。一個原則是分布式的數據領域所有權注5，以消除數據用戶和數據提供者之間的隔閡，在這種情況下，允許播放列表領域直接與合作伙伴領域一起工作，每個團隊都為提供數據、播放列表和合作伙伴播放列表等功能長期負責。

數據即產品注6的文化和技術是Data Mesh的第二個原則。團隊有責任提供易于發現、易于理解、可訪問和可用的數據，我們稱之為數據產品。每個跨職能領域團隊中都有既定的角色，例如數據產品所有者，他對數據和數據的成功分享負責。

在幾個小時（最多一兩天）的時間內驗證共享新的合作伙伴播放列表數據產品的可行性，以及發現正確數據并無摩擦地使用它的可能性，都依賴于自助數據平臺注7。平臺為跨功能團隊提供數據共享和數據使用的服務，并為高效、安全地創建和共享數據產品鋪平了道路。例如，自動訪問控制、默認加密個人信息以及使用全局發現工具注冊所有數據產品等都是平臺提供的服務。

Daff依靠一套完善的治理策略來自信和有效地共享數據。例如，對于誰應該擁有哪些數據的集體統一共識就是這種策略的一個例子。在這種情況下，合作伙伴團隊就是合作伙伴播放列表的所有者。它們是最接近源頭的團隊，控制著與合作伙伴的關系，非常了解影響合作伙伴數據的因素。雖然這似乎是一個簡單而自然的決定，但它是基于Daff為管理“給數據產品分配長期所有者”策略而建立的一套啟發式方法。一個來自多個領域的聯合代表小組負責定義這些策略，數據平臺負責將它們自動化。這就是Data Mesh的聯邦計算治理原則注8。

Daff走了很長一段路才實現這一無縫且無摩擦的旅程。圖P-1展示了這種點對點和去中心化的協作方式。

Data Mesh之前的數據工作

如果是三年前，在相似的場景下，我們將面臨數周的工作、許多摩擦和瓶頸，以及跨多個團隊的多次交接，這些都可能導致數據質量不佳。在三年前，預期的代價和所有摩擦可能會阻礙該計劃的啟動，也可能中途放棄，即使最好的情況下也需要花費更多成本。

三年前，播放列表團隊需要請求中央數據和AI團隊進行優先構建并訓練新的運動播放列表模型。中央數據和AI團隊中的數據科學家需要排列整個組織范圍內的基于機器學習的項目的優先級。在優先考慮播放列表請求的最好情況下，數據科學家將不得不去一個集中的數據湖團隊或數據倉庫團隊獲取數據，并向一個集中的治理團隊請求訪問數據。

這會增加幾天工作量。即便如此，在找到數據之后，數據科學家很可能還不能完全理解這些數據。數據可能已經過時了，因為合作伙伴團隊已經建立了許多新的應用集成，但是它們尚未進入中央倉庫或數據湖。中央數據科學家團隊也因此可能降低對數據源的信任。

在意識到數據科學家需要更多來自合作伙伴的音樂相關數據后，數據湖團隊將需要去找一個負責流水線的數據工程團隊來建立新的提取、轉換、加載或者提取、加載、轉換（ETL或者ELT）流水線，以便從合作伙伴集成API獲取數據并將它們存儲到數據倉庫或數據湖中，但又卡在了另一個工作上。

集中式數據工程團隊不得不花費數天時間來協商和理解一個全新的領域，即合作伙伴領域，以便將數據從它們的應用程序數據庫納入流水線，然后再進入數據湖。集中式數據工程團隊必須了解內部的數據庫，找出它與其他內部應用程序之間的細微差別，才能將內部音樂ID映射到全局ID。這些都需要更多時間。

在沒有直接參與和理解業務用例的情況下，合作伙伴團隊沒有動力優先考慮高質量的合作伙伴音樂集成注9，并支持數據工程師的ETL流水線。臨時集成需要經過幾天調試才會有一些數據流到數據湖中。這樣的冒險還在繼續。

Daff按功能劃分的組織設計和技術根本不利于數據驅動的實驗注10。

圖P-2展示了Daff在Data Mesh之前的組織結構和架構。它們擁有現代化的軟件開發架構和組織結構，因為其業務和技術開發團隊已經圍繞自治領域進行了調整。然而，它們的數據和分析團隊及其架構是按照功能劃分的，并被集中放在了一起使用了數據湖和數據倉庫的單體架構。

中央數據團隊和單體架構已成為應對公司內部和外部數據源激增及其用例多樣性的瓶頸。數據團隊一直承受著巨大的壓力，對Daff增長的響應也持續放緩。投資回報率已經很難上升。

簡而言之，Daff的數據團隊結構和架構已經與其抱負和組織的發展格格不入了注11。

隱形的平臺與策略

在我剛剛與大家分享的運動播放列表場景中，應用Data Mesh后，數據用戶和數據提供者的體驗會很神奇：沒有摩擦、快速的端到端的結果、共享的責任感和明確的責任邊界。

為了使這些成為可能，Daff創建了一套自助服務技術和自動化工具，這些技術和自動化工具看起來原生可用，并且幾乎對用戶透明。

在滿足數據提供者和數據用戶的體驗的背后，為了快速、自主地共享數據，有一個由自助服務功能組成的平臺，它實現了一系列關鍵體驗。

構建、部署、監控和演進數據產品的體驗

在此示例中，數據平臺提升了在短時間內創建和演進合作伙伴播放列表和運動播放列表數據產品的無摩擦體驗，包括與源集成、構建和測試數據轉換代碼以及提供數據。

將數據產品網格作為一個整體的體驗

在這個場景下，平臺服務支持搜索和發現數據產品、連接數據產品、查詢它們的數據、訂閱持續更新的數據，以及連接和關聯多個數據產品以創建新穎的播放列表。

該平臺的這些基于體驗的功能針對用戶（數據產品開發人員、數據所有者、數據用戶）進行了優化，以最大限度地減少他們在數據共享和實驗中的學習成本。

對于Daff來說，以機器層面的逆優化為代價來優化用戶（數據產品開發人員和數據用戶）層面的體驗是不可接受的。平臺的不可見部分更靠近物理層，遠離用戶，負責物理和機器優化。平臺的體驗平面（一組內聚的服務）負責優化用戶體驗來使其自主使用和連接數據產品，而平臺的工具平面負責優化物理和機器層面的性能注12。例如，它支持：

?數據產品的高效多格式存儲

?跨數據產品的高效查詢和工作負載處理

?高效的搜索和索引

?縮減的數據移動

播放列表團隊使用和關聯來自不同團隊（如合作伙伴、聽眾和音樂資料）的多個數據產品，它們提供一致的無縫體驗，這些體驗是由一套管理所有數據產品的全局標準策略決定的注13。

?數據共享API的標準化

?元數據標準化，包括SLO、文檔和數據建模語言

?共享數據實體ID的標準化

自主數據產品的無限擴展

Data Mesh通過可以橫向擴展的組織和技術結構滿足了Daff的增長愿望。正如你在智能播放列表示例中看到的，引入新播放列表或改進現有播放列表只是添加更多數據產品并將它們連接起來的問題，例如，跑步播放列表、騎行播放列表、健身平臺X合作伙伴播放列表、健身平臺Y合作伙伴播放列表等。這是一種橫向擴展的架構，你可以通過添加更多同等節點并將它們相互連接來實現無限擴展。數據產品是作為架構量子實現的，這是架構中可以獨立部署并且仍然擁有所有結構組件來完成其工作的最小單元。

該架構確保每個數據產品都實現了一組標準的數據訪問和共享契約，每個產品都可以連接到網格上的其他數據量子以共享數據和語義。每個數據產品都封裝了管理其數據的轉換邏輯和策略。面向數據產品的分布式架構匹配了面向領域的組織自治。

Daff的數據產品標準化加快了其發展速度，擴大了其規模注14。

積極的網絡效應

Daff在使用數據和分析方面的成功可以總結如下：通過領域間的點對點連接，以數據產品為單元進行價值交換，從而產生積極的網絡效應。網絡越大，建立的連接越多，領域之間共享的數據就越多，以此產生智能應用和高階洞察力，并最終改善業務。

Daff投入巨資來執行其Data Mesh戰略，進行組織和文化變革，并搭建基礎設施和平臺底座。但它也一直在努力通過可衡量的收益來跟蹤投資回報。

根據衡量結果，在外部，Daff創造了更深層次的用戶參與度，并通過應用機器學習和數據來改善聽眾在多個觸點的體驗，從而增加了活躍聽眾的數量。在內部，Daff通過消除中心化和中間人的瓶頸減少了訪問數據的準備時間，通過創建用于發現和共享數據產品的標準契約和接口來降低數據變更的風險，通過對數據產品采用自動化持續交付實踐，減少了開發數據產品的浪費。Daff增加了數據在整個業務中的應用，這可以通過數據產品之間的連接量來度量。Daff在每個領域和團隊中嵌入數據所有權，從而增加了參與創建數據驅動解決方案的團隊的數量。Daff還利用平臺的服務和聚焦數據開發人員的體驗，降低了擁有數據的成本和創建端到端數據解決方案的成本。

Daff對投資Data Mesh所產生的一些改進的方面進行了度量注15。

為什么要轉向Data Mesh

讓我們回到2019年，那是Daff的拐點之年注16。

在那過去的幾年里，Daff對數據解決方案進行了大量投資，例如數據湖和數據倉庫，以大規模捕獲數據。Daff在首席數據和人工智能官的領導下建立了一個大型數據和人工智能團隊，負責組織范圍內的數據采集、建模和服務，以及構建業務所需的分析和機器學習解決方案。Daff采用的組織架構和運營模式是當時行業內的標準做法。

這一年，Daff反思并意識到它們對數據的渴望已經超出了其執行能力。集中式數據團隊和單體架構已成為應對公司內部和外部數據源激增及其用例多樣性的瓶頸。數據團隊承受著巨大的壓力，對Daff的增長的響應也持續放緩。投資回報率已很難提升。

Daff需要改變，并在那時發現了Data Mesh。

在開始應用Data Mesh之前，Daff仔細研究了它們的業務（目標、組織、技術能力）和Data Mesh是否匹配。

Data Mesh的預期結果與它們要解決的痛點一致：

快速的增長和增加的復雜性

Daff發展迅速，業務變得越來越復雜，對多樣化和大膽的分析愿望的實現變得越來越慢。Data Mesh旨在從數據中獲取價值并在復雜和大型環境中保持敏捷性。

從大規模數據中獲取價值

Daff在數據和分析的基礎技術上進行了大量投資，但結果卻停滯不前。Data Mesh通過調動更多的通才型技術人員成為數據開發人員和用戶，從而更經濟地從數據中獲取價值。

Data Mesh的目標和影響的總體范圍聽起來很有前途。然而，基于Daff的背景，現在有一個問題：這是否就是Daff正確的選擇。

這個問題的答案是肯定的。

Data Mesh與Daff現有的面向領域的組織設計相兼容。這是對它們現有設計和架構的擴展。Data Mesh建立在去中心化的數據所有權模型之上，該模型只是擴展了它們現有的業務相關的開發團隊。

實際上，集中式數據團隊是最后按功能劃分的團隊之一，這與Daff當前面向領域的業務和技術組織設計有些不一致。鑒于它們希望使每個領域都由數據驅動并在其中嵌入智能決策，因此將數據和分析的所有權轉移到領域是有意義的。該公司已由領域對齊的業務-開發-運維團隊一起運營，因此這些團隊很自然地可以擴展數據能力和職責，實現數據訪問的自治。誠然，治理也需要考慮組織內部的各個銜接處的問題。

Daff知道，作為Data Mesh的主要采用者，它需要投入時間和資源來構建基礎技術和支持平臺。Daff將自己視為一家以技術為核心的軟件公司，不僅支持其業務，而且還塑造和擴展了技術本身。Daff從沒有回避技術投資注17。

Daff意識到實施一種新方法將是一個持續數年的轉型，它包括對數據文化、數據組織結構、數據角色、數據架構和技術的改變。

因此，Daff在接下來的三年中致力于逐步轉向Data Mesh。在整個旅程中，它們交付了精心挑選的數據驅動用例，同時進行了組織轉型并建立了平臺和技術注18。

前方的路

盡管在業務、文化和技術方面取得了成功，但Daff仍有一段路要走。它們對Data Mesh實現的演進當然已經度過了探索階段，建立了工作方式和基礎平臺。它們已經將Data Mesh擴展到了眾多領域。然而，為了繼續從Data Mesh中提取價值，還需要不斷優化和完善方法。還有一些領域未進入Data Mesh，它們需要向這些領域擴展，并將它們的平臺功能擴展到可以與遺留系統一起工作但無法與面向領域的跨職能團隊一起工作的領域。

這就是Data Mesh轉型的預期軌跡：一條演進路徑，不時出現探索、擴展和提取的重復循環注19。

我希望Daff的Data Mesh故事已經說服了你，讓你愿意繼續閱讀下去，我們下一章見。

---

注1：根據美國勞工統計局（BLS）的數據（https://oreil.ly/SrQSC），只有25%的新企業能夠活到15年或更長時間。隨著時間的推移，這些統計數據也沒有太大變化，自1990年以來一直基本一致。

注2：虛構公司的名稱“Daff”來自一種可追溯到3000多年前的波斯打擊樂器的名稱，該樂器至今仍在演奏，象征著某種經久不衰的東西。

注3：Daff的靈感來自我作為Spotify聽眾的經歷（https://oreil.ly/rzLnp）。公司內部運作及其服務的例子都是虛構的。

注4：請參閱第16章，其中使用此處引入的Daff的例子討論了Data Mesh組織中的價值觀、文化、激勵和責任。

譯注1：通過機器學習和數據可以發現很多通過人類的感官很難發現的洞見。

注5：第2章介紹了Data Mesh組織中的長期數據產品所有權。

注6：第3章介紹了數據共享即產品在Data Mesh組織中的概念。

注7：第4章介紹了Data Mesh基礎設施服務作為自助平臺的目的和特征。

注8：第5章描述了在跨數據產品網格層面建立全局策略的運作模型和方法。

注9：第16章描述了團隊共享數據的內在動機。

注10：第8章描述了Data Mesh之前數據團隊的性質。

注11：第8章詳細介紹了當今企業現有架構和組織方法的瓶頸和不足之處。

注12：第10章更詳細地描述了平臺的不同平面。

注13：第四部分描述了作為網格上架構量子的數據產品共享的各個方面。

注14：第11章描述了數據量子的設計和功能。

注15：請參閱第15章以了解如何度量和監控Data Mesh的執行進度。

注16：第6章介紹了行業范圍內需要采用新方法來管理和使用數據的主要驅動因素，類似于此處為Daff提出的方法。

注17：第五部分介紹了一種自我評估工具，用于評估在撰寫本文時Data Mesh是否適合你的公司。

注18：如果我將Daff多年的旅程都包括在內，這將是一個很長的故事。但是，如果你想閱讀關于執行和轉型的方法，請參見第15章和第16章。

注19：第15章介紹了一種在演進式轉型中建立Data Mesh的方法。