Introduction
De nombreux articles théoriques ont été écrits sur data governance. Chez Artefact, nous souhaitons aborder ce sujet d'un point de vue opérationnel avec notre série d'articles, “Insights from the field”, afin d'apporter à nos lecteurs des éclairages pragmatiques et exploitables. Cette série sera composée d'observations et de retours d'expérience de Artefact sur des sujets clés du data governance (par exemple les modèles opérationnels), de réponses à des questions fréquemment posées par nos clients et prospects (par exemple comment mesurer l'impact du data governance), et d'interviews d'acteurs clés du data governance (par exemple les Chief Data Officers, les Chief Governance Officers, les custodians du data, les éditeurs de logiciels, etc). Notre ambition est de créer des conversations et des opportunités de partage d'expériences au sein de la communauté data governance.
Comprendre ce qu'est le data governance, pourquoi il est sur le chemin critique de la valeur et comment le déployer concrètement dans votre organisation peut être un long chemin. Lorsque les entreprises ont lancé leurs premiers grands programmes de transformation avec l'IA et les cas d'utilisation data, elles ont rapidement réalisé que ces programmes nécessitaient des catalyseurs clés tels que data platforms, les lacs data, la gestion de la qualité data et le MDM, qui permettent d'exposer la qualité data aux cas d'utilisation. Ce n'est que récemment que le data governance est apparu comme une priorité au regard de la myriade de systèmes complexes créés.
Comprendre ce qu'est le data governance, pourquoi il est sur le chemin critique de la valeur et comment le déployer concrètement dans votre organisation peut être un long chemin. Lorsque les entreprises ont lancé leurs premiers grands programmes de transformation avec l'IA et les cas d'utilisation data, elles ont rapidement réalisé que ces programmes nécessitaient des catalyseurs clés tels que data platforms, les lacs data, la gestion de la qualité data et le MDM, qui permettent d'exposer la qualité data aux cas d'utilisation. Ce n'est que récemment que le data governance est apparu comme une priorité au regard de la myriade de systèmes complexes créés.
Aujourd'hui, presque tous les acteurs de l'écosystème CDO/CTO comprennent que le data governance est une condition préalable à la transformation de l'IA. Ils connaissent tous les concepts organisationnels et opérationnels de base, mais les mettre en musique pour apporter une valeur concrète est une tâche bien plus complexe. Par conséquent, le data governance est souvent réduit à des initiatives de documentation isolées ayant peu d'impact. Nous voyons de nombreux programmes lancés et de nombreux responsables de data governance apparaître dans les organisations de nos clients. Au début, ils ont tous rencontré les mêmes difficultés à convaincre leurs sponsors et partenaires commerciaux d'investir dans ces activités. Pourquoi ? Parce que le déploiement de data governance est un processus d'apprentissage complet que l'organisation doit traverser, et que chaque étape du chemin est importante.
Ce rapport a pour objectif de vous aider à comprendre ce qu’est le modèle data governance dans la pratique, en vous guidant à travers le processus d’apprentissage data governance que chaque entreprise traverse inévitablement. Cette nouvelle prise de conscience permettra aux entreprises de passer plus rapidement d’une étape à l’autre.
Nous y parviendrons en expliquant en détail chaque étape du processus d'apprentissage, à l'aide d'exemples opérationnels tirés du terrain :
- Première étape - Incompétence inconsciente : quels sont les “symptômes” d'un manque de data governance ?
- Étape 2 - Incompétence consciente : quels sont les défis rencontrés par une entreprise lorsqu'elle entame une démarche data governance ?
- Étape 3 - Compétence consciente : quelles sont les étapes généralement suivies par les entreprises lors du lancement d'un programme data governance ?
- Étape 4 - Compétence inconsciente : que se passe-t-il lorsque data governance devient la nouvelle norme ?
Cet article sera suivi d'autres, plus opérationnels, destinés à offrir des conseils pragmatiques aux dirigeants du data governance dans leur parcours.
Conclusion
En suivant ces quatre étapes d'apprentissage, les entreprises commenceront à pratiquer le data governance sans même s'en rendre compte.
Bien que la majorité des acteurs que nous avons accompagnés aujourd'hui se situent encore entre la deuxième et la troisième étape, ils ressentent tous l'urgence pour l'entreprise de progresser dans ce processus d'apprentissage.
Nous voyons trois arguments principaux qui justifient cette urgence. Tout d'abord, la transformation data est un levier essentiel dans tous les secteurs d'activité pour atteindre des objectifs ambitieux : Le data et l'IA sont mis à profit pour optimiser le cœur de métier des entreprises et contribuer au développement de nouveaux relais de croissance. Devenir mature en data et en IA est une exigence pour rester à la pointe, et la transformation data n'est pas durable sans data governance. Le deuxième argument est que nous vivons dans un monde qui évolue rapidement. Pour réagir rapidement, il est essentiel d'obtenir un accès rapide à data et de développer la capacité d'analyser et d'exploiter rapidement cette data. Enfin, les entreprises doivent attirer de nouveaux talents qui sont de plus en plus disposés à être data-driven.
L'un des premiers défis pour toute entreprise au début de son parcours data governance est de démontrer cette urgence et de convaincre les parties prenantes internes de l'intérêt de lancer concrètement un programme data governance.
Dans ce premier rapport, nous avons présenté le parcours data governance “dans les règles de l'art”. Il s'agit du contenu introductif d'une série qui vise à aborder les aspects opérationnels de la mise en œuvre du data governance sur le terrain. Notre prochain article abordera le pont complexe entre votre stratégie data governance et le besoin opérationnel d'un cas d'utilisation.
