Moderne datengetriebene Organisationen setzen zunehmend auf verteilte und domänenorientierte Architekturen wie das Data Mesh, um Skalierbarkeit, Agilität und Datenqualität zu verbessern. In solchen heterogenen Datenlandschaften gewinnt die Nachvollziehbarkeit der Herkunft, Verarbeitung und Nutzung von Daten, zusammengefasst als Data Provenance, an Bedeutung. Provenance-Informationen bilden eine zentrale Grundlage für Vertrauen in Datenprodukte, Data Governance, Compliance und die Bewertung der Datenqualität.

Ziel dieser Bachelorarbeit ist es, bestehende Data-Provenance-Ansätze im Kontext heterogener Data-Mesh-Umgebungen systematisch zu analysieren und vergleichend einzuordnen. Der Fokus liegt auf Provenance-Erfassung, Standardisierung und Speicherung. Diese drei Aspekte werden entlang zentraler Herausforderungen betrachtet, die sich aus der Dezentralität und Heterogenität des Data Mesh ergeben. Grundlage bildet eine strukturierte Literaturrecherche.

Die Analyse zeigt, dass bestehende Provenance-Ansätze jeweils nur Teilaspekte der Anforderungen in Data-Mesh-Architekturen abdecken. Kein einzelnes Modell oder Standard adressiert alle identifizierten Herausforderungen. Insbesondere treten Zielkonflikte zwischen Skalierbarkeit und semantischer Tiefe auf. Gleichzeitig wird deutlich, dass standardisierte Provenance-Modelle eine zentrale Rolle für die Integration und Wiederverwendung von Provenance-Informationen spielen. Formale Modelle wie W3C PROV sind vor allem in der Forschung verbreitet, während praxisnahe Standards wie OpenLineage im industriellen Umfeld dominieren. Die Literatur zeigt zudem, dass Datenkataloge häufig als Integrationsschicht für Provenance in Data-Mesh-Architekturen diskutiert werden.