ACTUALITÉS / CONSEIL EN DONNÉES
28 octobre 2020
Les plateformes Data ont révolutionné la manière dont les marques stockent, analysent et utilisent data - mais pour les utiliser plus efficacement, elles doivent commencer à intégrer data governance sous forme de code, écrivent Justine Nerce, directrice du conseil Data, et Jean-Baptiste Charruey, responsable Data Engineering, chez Artefact.
Alors que les économies mondiales commencent à se remettre du choc initial causé par le coronavirus, nous pouvons nous attendre à une période de consolidation et de réévaluation par les entreprises. Cependant, le besoin d'innovation ne se dément pas, même si les budgets sont serrés. Le lancement de nouveaux produits et services est toujours d'actualité. représente plus de 25% du total des recettes et des bénéfices.
L'innovation doit être guidée par des données précises et de haute qualité data. Cependant, pour que cela soit possible, les entreprises ont besoin d'une base de data facilement accessible, documentée et normalisée à laquelle on peut faire appel. Les cycles de développement de nouveaux produits et services sont de plus en plus courts et compétitifs, et les organisations doivent donc faire évoluer leur approche de la data pour ne pas se laisser distancer.
L'essor du data platform a permis aux entreprises d'accélérer l'accès au data, en particulier celles qui cherchent à créer la prochaine génération de solutions d'intelligence artificielle. Cependant, il est clair que les marques ont désormais besoin d'une approche plus robuste, plus efficace et plus qualitative pour rendre leur cas data platforms agnostique - maintenable, opérationnel et évolutif pour toute infrastructure cloud, sur site ou hybride..
L'ascension et le déclin du data platform
Les entreprises révolutionnent constamment leur approche du data pour gagner un avantage sur le marché. Au fil des décennies, les entrepôts de data - grands dépôts de data filtré - ont cédé la place à des lacs de data - vastes entrepôts centralisés de data brut non raffiné. Cependant, ces immenses réserves de data se sont révélées peu maniables et difficiles à gérer. Les délais d'exécution ont été allongés car il n'existait pas de processus clair et agile pour rationaliser le développement.
En conséquence, nous assistons à une évolution des environnements monolithiques d'autrefois vers une architecture data plus distribuée, basée sur de multiples data platforms. Il s'agit d'ensembles de logiciels et de services qui entourent un lac data afin de le rendre plus exploitable. Les organisations construisent souvent plusieurs data platforms pour chaque domaine d'activité et pour chaque nouveau projet. Les équipes de développement disposent ainsi de un accès rapide aux data et aux informations dont ils ont besoin pour créer une nouvelle valeur commerciale qui réponde à leurs besoins actuels.
Cependant, avec la décentralisation entraîne la fragmentation et la duplication. De nombreuses entreprises consacrent énormément de temps et de ressources à la construction d'un data platform pour un environnement particulier. Elles doivent ensuite recommencer pour le projet ou le cas d'utilisation suivant, avec des écarts importants en fonction des connaissances techniques de l'équipe. Les coûts sont multipliés plusieurs fois car les équipes repartent essentiellement de zéro à chaque fois qu'un nouveau projet commence.
Une grande partie des travaux les plus utiles réalisés aujourd'hui par les entreprises - y compris autour de artificial intelligence - sont interdépartementaux et interdomaines. Un data de haute qualité doit être partagé entre les équipes et les différents data platforms pour réaliser son plein potentiel, mais comment maintenir la qualité lorsque le data est soumis à une gamme de politiques contradictoires ? Il faut trouver un compromis entre l'appropriation locale de data par les équipes pour qu'elles puissent la personnaliser et la créer, et la standardisation de l'approche pour construire une base technologique solide..
Entrez dans le maillage data
En l'absence de liens entre les différents domaines, data platforms ne parviendra pas à fournir la qualité data et la rentabilité dont les marques ont besoin pour un développement rapide. Heureusement, elles ont la possibilité de faire évoluer leur approche. Ils devraient faire évoluer leur architecture data d'une collection disparate de data platforms vers ce que l'on appelle un "système". Zhamak Dehghani définit une ‘maille data’.’.
Un maillage de data est une architecture dans laquelle des data platforms distribuées, appartenant à des équipes interfonctionnelles indépendantes, sont reliées par un ‘maillage’ de politiques, de gouvernance et d'outils communs. Cette approche apporte flexibilité et résilience à data platforms en établissant une base partagée, tout en donnant aux équipes la liberté de personnaliser leur propre domaine.
Cette approche permet de transformer un data platform d'un projet ponctuel à un actif à long terme, L'industrialisation de la maille data permet d'éliminer les doubles emplois et les pertes de ressources inutiles. Cependant, l'inconvénient du maillage data est que les équipes individuelles doivent faire beaucoup de travail pour s'assurer que l'industrialisation est terminée. Cela peut prendre beaucoup de temps pour un résultat qui est loin d'être parfait. Il est donc essentiel de disposer d'un modèle qui réponde à toutes les exigences d'une solution prête pour la production. Mais quelle forme doit prendre ce modèle ?
La composante principale est un ensemble de codes communs à tous les data platforms. Cette ‘sentinelle data’ est un ensemble de solutions qui facilitent le traitement et l'analyse de la data et la transition vers l'industrialisation. Son rôle est de superviser et de rationaliser tous les flux de data - tels que la collecte de metadata et le nettoyage - en développant des modules autour de la qualité et de la documentation de data..
Une sentinelle data libère les équipes et les spécialistes data des tâches banales et répétitives de la gestion data. Au lieu de cela, ils peuvent se concentrer sur des tâches plus stratégiques et innovantes qui créent une nouvelle valeur pour l'entreprise.
Au cœur de la sentinelle data, le code data governance devrait être fermement intégré dans la conception de la plateforme et poursuivi avec chaque nouveau cas d'utilisation. Grâce à data governance en tant que code, data est dès le départ “possédé”, de haute qualité, documenté, sécurisé et conforme, ainsi que facilement accessible par le biais de modèles data dans l'ensemble de l'organisation..
Rendre l'innovation ordinaire
Les plates-formes Data devraient être des produits évolutifs, destiné à l'activation de data et à la création rapide de valeur pour l'entreprise. Lorsqu'ils sont mutualisés entre différents cas d'utilisation et exigences, ils rendent l'innovation et l'invention plus rapides et plus rentables. En effet, la mutualisation des services peut réduire la vitesse de mise en œuvre de 40%, en aidant les départements à générer de la valeur en offrant la qualité et la variété data nécessaires à leurs cas d'utilisation..
Les entreprises ont un flux constant de nouveaux cas d'utilisation et de produits à développer, en particulier dans le climat actuel. Une approche mutualisée, data governance as code, fournit un processus de bout en bout qui leur permet d'industrialiser véritablement ces cas d'utilisation. Une solution robuste et hautement modélisée permet de partager facilement des data précises et de haute qualité entre les projets et les équipes. Vous ne perdez pas de temps lorsque vous avez besoin d'informations sur un nouveau produit..
La technologie seule ne suffit pas. Pour que le data platform fonctionne, vous devez adopter une approche itérative et transversale. C'est la seule façon de rendre l'innovation ordinaire dans votre entreprise.
Publié pour la première fois par ITPortal.com
