Data Mesh : comment la décentralisation démocratise l'utilisation de data dans l'entreprise

Tout d'abord, un rapide récapitulatif du qui, du quoi et du pourquoi de la Maille dataLe concept a été conçu par Zhamak Dehghani de ThoughtWorks comme un moyen d'améliorer l'accessibilité de data et de simplifier l'organisation dans des structures data centralisées et monolithiques. L'explosion de data pendant la pandémie de COVID-19 a accentué ces besoins, et le maillage de data a évolué d'un concept à un modèle d'architecture distribuée pour rendre data utilisable par tous au sein d'une organisation.

Johan Picard de Google a quelques idées : “Il s'agit en partie d'un simple problème de maturité de data. Pendant vingt ans, les entreprises ont créé et centralisé leur data sur des plateformes, des lacs de data, des entrepôts de data. C'est ce qui leur a permis d'exploiter leur data. Mais les domaines devaient faire la queue pour accéder à ce data, ce qui provoquait des retards et des goulets d'étranglement. 

“Certains sont allés jusqu'à créer leur propre département informatique fantôme, car les équipes informatiques comprennent la technologie mais pas la qualité du data. Et l'inverse est vrai pour le domaine. Mais aujourd'hui, avec le cloud, les technologies évoluent et permettent de décentraliser le data vers les domaines. Il est important de se rappeler qu'il s'agit d'une approche inspirante. Chaque entreprise est différente et doit viser la décentralisation à sa manière, en tenant compte de son contexte, de sa vitesse et de ses ambitions.”

A Orange, Brice Miranda ont connu ce phénomène de concentration et de fragmentation data. “Notre data platform historique n'étant pas orienté vers le libre-service, de nombreuses équipes ont créé leur propre mini data platforms ; nous avons fini par en avoir entre 40 et 60.” L'opérateur a construit une plateforme pour servir ses équipes de domaine avec Google Cloud Platform. “ Et maintenant, nous entrons dans la logique de la démocratie data ”.

Avant de créer son entreprise à la fin de cette année, Jean-Christophe Brun a été directeur technique de Carrefour. “En 2015, nous savions que nous devions transformer notre vision de data, pour centrer notre activité de vente au détail autour de data. Jusqu'en 2018, nous construisions une plateforme sur site pour devenir plus centrés sur data. Et en 2018, nous sommes devenus un partenaire de Google pour en faire plus avec les algorithmes. Avant même de connaître la notion de maillage data, notre objectif était de multiplier les usages métiers. Ce que j'aime dans le maillage data, c'est qu'il permet de formaliser... des choses que nous n'avions pas normalisées, de mettre des mots sur les principes”.”    

Jean-Noël Lucas chez L'Oréal a entamé la même démarche il y a trois ans. Jean-Paul Agon, alors PDG, a fixé le cap : être le champion des technologies de la beauté. Pour ce faire, nous devions orchestrer le data et briser les silos fonctionnels ; identifier les responsables du data, convenir d'un langage commun et structurer le data, afin de construire un système de référence mondial. Et cela nécessite des ressources : “Vous devez gagner du temps pour rendre le data disponible. Nous avons évalué la dette de gouvernance (deux ou trois ans) et estimé les ressources nécessaires pour gérer l'entreprise autour du data. Nous avons consacré une équipe de 100 personnes à la préparation du data. Nous avons intégré de nouvelles compétences dans le groupe. Nous faisons aussi beaucoup d'évangélisation répétée pour conserver le budget qui nous permet de faire cet effort. Car les L'Oréaliens ne sont pas conceptuels. Il faut traduire le concept en termes concrets”.

L'Oréal énumère 50 cas d'utilisation qui exploitent le produit data. De la gestion du portefeuille de produits à l'amélioration de la distribution, en passant par la gestion des stocks. “Avec data comme stratégie produit, data est distribué aux différents domaines et sa préparation est confiée aux spécialistes de chaque marque, ce qui résout le problème du goulot d'étranglement”, conclut Jean-Noël.

Même si Orange dispose d'un studio data pour la consultation et de Collibra pour la recherche du data, cela ne suffit pas : “ Quand on fait des dépôts de data, on se retrouve avec des doublons et cela pose des problèmes. Si vous demandez l'équipement haut débit des clients, vous obtenez 800 réponses’. Le client est-il équipé en fixe, en mobile, en fibre ? L'outil ne le sait pas. Le client a-t-il donné son accord ? Nous ne le savons pas non plus. Il n'existe pas de source unique de vérité ou de data fiable. Par conséquent, des POC sont menés sur ces questions (” Qu'est-ce qu'un client Orange ? “, ” Qu'est-ce que l'autorisation ? “).

Orange est un peu en avance sur L'Oréal, où 40% de data sont disponibles dans le cloud. La condition préalable est que data soit disponible et consultable“, explique Jean-Noël, ”nous devons faire le dernier pas en matière d'intelligence économique. “Ensuite, nous devons remonter les domaines de la chaîne de valeur du data, avec la consommation de data comme critère de performance (KPI), pour nous rapprocher des cas d'utilisation des entreprises. Derrière cela, il y a le défi de la culture data, qui consiste à amener les gens à adopter des solutions plus standardisées et à en voir la valeur réelle.”

“Chez Carrefour, nous avons choisi de responsabiliser les propriétaires de nos produits data”, explique Jean-Christophe. Ils comprennent l'utilité du data et en assurent la communication : “Les produits Data doivent être utilisés. Les propriétaires de produits Data doivent s'intéresser à l'utilisation de leurs produits. Dans le passé, le service de veille stratégique rendait compte aux domaines. Aujourd'hui, ce sont les domaines eux-mêmes qui s'en chargent, avec le soutien de la BI. Soixante pour cent des personnes formées par Carrefour à data venaient des domaines.‘

Johan Picard explique qu'il s'agit d'un processus de va-et-vient entre l'analyse et les opérations : “Le data doit remonter vers l'analytique et redescendre vers l'opérationnel. Dans le passé, les bases data ne pouvaient pas intégrer l'analyse, nous avons donc créé le lac data. Dans le nouveau paradigme, nous sommes plus proches des sources data et nous les comprenons mieux. Par conséquent, nous n'avons plus besoin de séparer les opérations et l'analyse. Certains de nos clients les ont placés sur le même plateau. Les spécialistes SAP côtoient les spécialistes data. Brice Miranda partage cet avis et ajoute : “Nous devons effacer les anciennes frontières entre l'analyse et les opérations et aller à la source”.”

Pour Jean-Noël Lucas, “les opérationnels doivent comprendre sur quoi data ils s'appuient (en réfléchissant à leurs processus) et s'efforcer d'améliorer la qualité de data.” Par exemple, pour approvisionner les magasins et mieux gérer les stocks, L'Oréal a ajouté une couche à la GCP. Nous voulons “API-iser‘ nos systèmes. L'Oréal a beaucoup travaillé sur le produit data afin de mettre une vision à 360° à la disposition des détaillants et des consommateurs. Pour mieux gérer sa chaîne d'approvisionnement, L'Oréal doit mieux segmenter ses catalogues. Et la nouvelle organisation permet d'être plus réactif, de passer des ordres de production de produits sur une base hebdomadaire, lorsque la demande augmente.

Carrefour est allé le plus loin dans la convergence de l'analyse et des opérations : dans ce nouveau monde, l'analyse devient un outil opérationnel en temps réel, au même niveau de service que les opérations. “La fiche produit doit enregistrer toutes les data, y compris les chiffres de vente. Cela permet d'établir des scores de substitution entre les produits, au cas où un produit viendrait à manquer. C'était impensable il y a trois ans”, conclut Jean-Christophe.