Démocratiser l’utilisation des données grâce aux approches data mesh et data fabric

La plupart des organisations cherchent aujourd’hui à mieux contrôler et exploiter leurs propres données. Plus le volume et la diversité des informations générées augmentent, plus elles prennent conscience de la nécessité de bien gérer la data et de la rendre accessible à grande échelle, à la fois pour les collaborateurs et pour les modèles d’IA.  

Cela implique notamment de s’assurer que leurs data stacks sont souples, agiles et capables de répondre aux besoins futurs de l’entreprise. Plusieurs systèmes d’architectures data ont ainsi émergé pour faciliter la gestion et l’accès aux données – notamment les approches data fabric et le data mesh. Longtemps considérés comme des concepts opposés, ils se révèlent en réalité complémentaires, offrant une large palette d’avantages lorsqu’ils sont mis en œuvre ensemble. 

Sur la base des présentations du Gartner Data & Analytics Summit de Londres, cet article décrit en détail ces deux architectures et montre comment elles peuvent ensemble créer un modèle performant qui place les données au cœur de l’organisation.

Face à la multiplication des sources et des systèmes de données, les organisations construisent depuis des années des stacks de données techniques afin de gérer efficacement leurs data et en tirer un avantage concurrentiel. Au départ de simples entrepôts de données, ces architectures se sont diversifiées et complexifiées à mesure que le volume de données et le nombre de systèmes ont explosé. Les données sont aujourd’hui stockées dans différents silos de l’organisation (voire en dehors) et sont extrêmement diverses, allant des systèmes ERP et CRM aux données web en temps réel en passant par les informations issues de capteurs IoT (Internet of Things). 

Pour que ces données génèrent de la valeur, elles doivent être accessibles à tous (humains et IA) au sein de l’entreprise, de manière rapide, dans des formats fiables et faciles à exploiter sans compétences techniques ni assistance particulière. Mais dans le même temps, les entreprises doivent respecter différentes exigences de gouvernance et de conformité, afin de protéger les informations sensibles telles que les données clients ou financières. 

En bref : les entreprises doivent aujourd’hui répondre à une demande croissante d’accès aux données en proposant une offre efficace, avec un juste équilibre entre flexibilité, cohérence et solide gouvernance. Cela suppose des architectures data autonomes, agiles et évolutives, où data fabric et data mesh semblent tirer leur épingle du jeu.

L’approche data fabric a pour but d’unifier les données dispersées dans différents silos pour faciliter leur découverte et améliorer leur compréhension. Elle repose sur la création d’un réseau ou « fabric » (pour « tissu ») qui relie différentes sources de données et permet de facilement les intégrer, les transformer et les partager. L’élément central de cette approche est le déploiement de métadonnées actives, qui permettent des échanges de données en temps réel et dans les deux sens entre les différents outils de l’écosystème data à l’aide d’API ouvertes et du principe de l’inférence sémantique – autrement dit la capacité des systèmes à comprendre la signification des données et à s’en servir pour générer des insights.

Selon Gartner : « L’approche data fabric joue un rôle central dans la découverte de connaissances :  elle observe les données provenant d’applications disparates et les rend disponible à des fins d’exploration. »

La démarche data fabric donc permet aux organisations d’automatiser des tâches data complexes et répétitives, tout en renforçant la confiance dans les données et leur utilisation. Mais de nombreuses entreprises rencontrent des difficultés en raison de métadonnées peu matures et d’un manque d’adoption généralisée au sein des équipes.

Le data mesh décentralise la gouvernance des données en plaçant aux commandes les différents services de l’entreprise via une approche fédérée. L’objectif est de confier la responsabilité des actifs data aux équipes qui en sont les plus proches, tout en s’appuyant sur des normes de gouvernance et de métadonnées partagées à l’échelle de l’entreprise pour garantir l’interopérabilité. Nous avons abordé plus en détail le concept de data mesh dans un article du blog Opendatasoft.

Deux aspects clés de l’approche data mesh favorisent à la fois la consommation et la conformité : les data products et la gouvernance fédérée. Les data products sont des actifs data spécifiques, directement exploitables, régulièrement mis à jour et à forte valeur, diffusés dans un format prêt à l’emploi et répondant à un besoin métier précis partagé par un large groupe d’utilisateurs. Mis à disposition via une data product marketplace, ils permettent alors aux utilisateurs non techniques d’accéder facilement aux données dont ils ont besoin pour travailler de manière plus efficace. La gouvernance fédérée rend quant à elle les data owners de l’entreprise responsables d’actifs data spécifiques, tout en garantissant le respect des règles de gouvernance définies à l’échelle de l’organisation. 

Les architectures data mesh nécessitent de solides compétences data dans l’organisation, et une culture où les différents services ont compris l’importance de la collaboration pour créer de la valeur à partir des données.

Souvent présentées comme des démarches concurrentes, Gartner les voit comme de plus en plus complémentaires :

• Data fabric : offre une architecture unifiée, des métadonnées actives et une gestion augmentée des données.
• Data mesh : apporte une diffusion décentralisée des données via les data products, une gouvernance fédérée, et l’implication maximale des experts data dans toute l’organisation.

De plus en plus d’entreprises rejoignent ce point de vue. D’après l’enquête Gartner Evolution of Data Management de 2024, 13 % des entreprises interrogées avaient mis en œuvre à la fois une démarche data fabric + data mesh. Près de 64 % des organisations ont aujourd’hui décentralisé leurs équipes de gestion des données d’une manière ou une autre, tandis que 51 % ont adopté une gouvernance fédérée. Avec plus de la moitié des organisations qui prévoient de déployer ces deux approches dans les deux à trois ans, on peut supposer que la majorité des organisations associeront des éléments fabric et mesh.

Pour Gartner, « D’ici 2028, 80 % des data products autonomes conçus pour des cas d’usage exploitant l’IA reposeront sur une architecture combinant les approches data fabric et data mesh. »

Comment les organisations peuvent-elles associer de manière intelligente les approches data fabric et data mesh pour démocratiser l’utilisation des données et améliorer leur gouvernance ? D’après Gartner, une fois qu’est bien comprise l’importance de la décentralisation, il suffit de suivre ces six recommandations :

1 Investir dans une architecture unifiée et une diffusion décentralisée

Les démarches mesh et fabric jouent des rôles complémentaires dans la gestion des données, et doivent être déployées ensemble pour mieux tirer parti de leurs atouts respectifs. Les entreprises doivent adopter le data fabric en tant que modèle de conception pour organiser la gestion des données, et s’appuyer sur le data mesh pour optimiser la diffusion des données, que cela soit à destination des équipes de collaborateurs ou des modèles d’IA. 

2 Combiner des métadonnées actives et une gouvernance fédérée

Compte tenu de la complexité des data stacks et de la multiplication des actifs data, les organisations doivent pouvoir automatiser la gestion des données tout en garantissant le meilleur niveau de sécurité. Dans ce contexte, l’adoption de métadonnées actives dans une architecture de type data fabric permet d’enrichir la gestion des données tout en renforçant l’efficacité opérationnelle. En parallèle, le mécanisme de gouvernance fédérée met à contribution les data owners et garantit à la fois plus de conformité et une meilleure gestion des données. Selon Gartner, associée la gouvernance fédérée de données à une gestion décentralisée de celles-ci génère 2,5 fois plus d’impact sur l’investissement. 

3 Allier expertise humaine et IA

En matière de gestion des données, les technologies IA telles que les graphes de connaissances intégrés dans le data fabric apportent une réelle valeur en termes d’analyse et de compréhension. Mais elles ne sont jamais aussi efficaces que lorsqu’elles sont déployées en complémentarité avec l’expertise humaine. Mettre en place des mécanismes de feedback entre humains et machines permet de capitaliser sur leurs atouts respectifs afin d’optimiser la gestion des données, renforcer leur utilisation et générer plus de valeur.

4 Nommer des data product owners

Le modèle traditionnel consistant à solliciter les experts data pour chaque demande de rapport ou d’information n’est tout simplement pas viable à grande échelle. Les data products et les data marketplaces rendent ici les utilisateurs autonomes en leur offrant un accès rapide à des données fiables, compréhensibles et directement exploitables. Si déployer des data products génère 2,9 fois plus d’impact (selon Gartner), cela nécessite néanmoins un changement de culture en interne. Les data owners doivent adopter une logique produit et collaborer avec leurs clients internes pour concevoir des produits qui répondent à leurs besoins spécifiques, en s’appuyant sur des data contracts et des modèles de data products communs à toute l’entreprise.

5 Faire évoluer l’architecture data vers un écosystème intégré et cohérent

Les organisations possèdent aujourd’hui des data stacks de plus en plus complexes, sur lesquels reposent de nombreuses solutions métier vitales. Il est essentiel de s’éloigner d’une architecture rigide au profit d’une approche basée sur le réseau, permettant plus de souplesse et d’agilité. Le maître-mot est ici « évolution » et non « révolution » : il est important de réutiliser au maximum l’architecture existante en cherchant à l’adapter plutôt que de repartir de zéro avec de nouvelles solutions coûteuses.

6 Miser sur les compétences autant que sur la technologie et la stratégie

Maximiser la consommation et la valeur des données n’est pas simplement une question de technologie. Cela repose tout autant sur vos équipes, qui doivent disposer des bonnes compétences et adhérer à une culture du partage de données. Sur le plan technique, cela implique de former les data owners afin qu’ils apprennent à gérer les données comme des produits, en développant leurs compétences et en adoptant une logique orientée client. Il est également essentiel que l’architecture, la stratégie et les processus opérationnels répondent à 100 % aux besoins de l’entreprise. Gartner recommande de constituer dans ce but des équipes « fusion » réunissant profils data, techniques et métiers, afin de piloter les avancées dans ce domaine. Enfin, la démocratisation des données suppose que chaque collaborateur se sente à l’aise et motivé pour utiliser la data et développe les compétences nécessaires pour intégrer l’utilisation des data products au quotidien.

Les Chief Data Officers et autres leaders data ont bien compris que la valeur des données dépend directement de leur degré d’utilisation. Comme le souligne Gartner, cela passe notamment par la mise en place d’architectures data souples, automatisées et agiles, capables de gérer des volumes de données croissants, de favoriser le partage et d’assurer une gouvernance rigoureuse. Les data marketplaces viennent compléter cette architecture en offrant aux utilisateurs un accès en self-service aux données via une interface intuitive de type e-commerce, qui rend possible la consommation à grande échelle des data products et autres actifs data. De quoi transformer les entreprises en organisations data-driven plus performantes, plus efficaces et plus innovantes – aujourd’hui et surtout demain.

Envie de découvrir comment Opendatasoft peut vous aider à créer une architecture data agile ? Contactez-nous pour échanger avec nos experts.