Valoriser les données avec le Data Mesh 1/4
En janvier 2022, McKinsey a publié un ensemble de caractéristiques décrivant une entreprise typique orientée données en 2025. La plupart d’entre elles soulignent la nécessité pour les organisations de traiter efficacement les données afin de maximiser la création de valeur et leur conversion en insights pertinents. Cependant, aujourd’hui, les données ne sont pas systématiquement traitées de manière efficace, ce qui entraîne des opportunités manquées ainsi qu’une perte de temps et d’argent. Si la centralisation des données semble être un choix naturel, le Data Mesh tend à bouleverser le domaine de la gestion des données, en offrant une alternative intéressante. Cette série d’articles explore les avantages de la mise en œuvre d’une approche Data Mesh.
Le Data Mesh est un paradigme de décentralisation basé sur une architecture socio-technique. Il repose sur quatre principes :
- La connaissance spécifique au domaine
- Les données considérées comme des produits
- Une gouvernance computationnelle fédérée
- Des données disponibles sur une plateforme en libre-service
Examinons notre cas d’usage pour illustrer le principe de « connaissance spécifique au domaine
Notre équipe marketing TelCo souhaite lancer une campagne multicanale ciblant un type spécifique de clients. L’équipe marketing a transmis les spécifications et les exigences à l’équipe data. L’équipe data est chargée de construire les pipelines de données et les jeux de données. Les données sont centralisées dans un entrepôt de données (data warehouse) maintenu par l’équipe infrastructure. Des sources de données supplémentaires sont nécessaires et sont gérées par d’autres équipes : le CRM et les opérations pour les données mobiles.
’expertise ne se concentre pas sur la réponse aux besoins métiers.
Ce cas d’usage simple met en évidence plusieurs défis et points de blocage :
- Un processus fastidieux impliquant plusieurs équipes peut entraîner une perte d’information.
- Les données sont « verrouillées » par l’équipe infrastructure, car celle-ci maintient le data warehouse.
- L’équipe marketing ne voit jamais les données.
Mais le défi le plus important est probablement que l’équipe data ne dispose pas nécessairement des compétences appropriées pour attribuer la bonne signification aux différentes sources de données utilisées. C’est ici que la connaissance spécifique au domaine entre en jeu.
Rapprocher l’expertise métier des données
Au lieu de confier la valorisation des données à l’équipe data, nous créons des squads dédiées composées d’une combinaison d’experts métier et de spécialistes IT. Cela permet non seulement de supprimer les intermédiaires et d’éviter les problèmes de mauvaise interprétation, mais aussi de faire intervenir directement les experts du domaine, ce qui fait gagner du temps et facilite la maintenance.
ans notre cas, le squad marketing inclura des analystes de données et des experts marketing, mais aussi des spécialistes des opérations capables de comprendre les données d’usage mobile ainsi qu’un expert CRM. Ce principe de connaissance spécifique au domaine facilite la collaboration au sein de l’organisation et permet d’améliorer la qualité et la disponibilité des données en les considérant comme un produit.
[La disponibilité et la qualité des données seront abordées dans le prochain article]