Dans un environnement en pleine transformation digitale, les entreprises font face à des volumes de données toujours plus conséquents. Pour exploiter ce potentiel tout en assurant la qualité, la sécurité et la disponibilité des données, le modèle Data Mesh apparaît comme une approche innovante. Conçu pour répondre aux défis liés aux silos de données et aux goulots d’étranglement des équipes centralisées, le Data Mesh décentralise la gestion des données en confiant à chaque domaine métier la responsabilité de ses propres données.
Le Data Mesh, apparu en 2018, est une approche décentralisée de la gestion des données qui combine des aspects techniques et organisationnels. Il repose notamment sur la gouvernance fédérée, un modèle où les décisions et responsabilités sont distribuées entre plusieurs parties prenantes autonomes, tout en étant alignées sur un cadre commun de règles et de standards. Ce modèle favorise la flexibilité locale tout en garantissant une cohérence globale.
Pour en savoir plus sur les avantages du Data Mesh.
La gouvernance fédérée : l’un des 4 concepts clés du Data Mesh
La gouvernance fédérée : l’un des 4 concepts clés du Data Mesh
Un contexte favorable à l’adoption du modèle Data Mesh
Aujourd'hui, plusieurs facteurs favorisent la mise en place de la du Data Mesh et de sa gouvernance fédérée :
- La quantité de données à exploiter est devenue telle que les équipes data centralisées deviennent un goulot d’étranglement
- La complexité croissante des métiers complique la compréhension des données par une équipe data centralisée
- Les outils data sont de plus en plus abordables pour des populations non tech ce qui facilite la prise d’autonomie des métiers sur les sujets data
- Les employés sont de plus en plus à l’aise avec les outils
Voici 7 conseils pour tirer pleinement profit des avantages d'une gouvernance fédérée
1. Adopter une approche progressive : le Data Mesh en tant qu’étoile du nord
La migration vers la gouvernance fédérée du modèle Data Mesh ne se fait pas du jour au lendemain. Elle implique notamment de mettre en place une nouvelle culture d’entreprise et une architecture data adaptée. L’idée est de se concentrer dans un premier temps sur quelques domaines (Marketing, Sales, etc.) et de définir des premiers cas d'usage pour appliquer la gouvernance fédérée. C’est ce qu’a fait par exemple le groupe Kering en testant l'approche sur 3 domaines prioritaires : supply chain, customer et sales.
Conseil : adopter une approche progressive en sélectionnant un domaine critique et sensibilisé à la data pour un projet pilote. Cela permet d'expérimenter la gouvernance fédérée à petite échelle avant de l'étendre progressivement à d'autres secteurs de l'entreprise.
2. Accompagner l'évolution des équipes
La réussite d'une gouvernance Data Mesh repose sur la capacité à accompagner les équipes métier vers une autonomie accrue dans la gestion de leurs données. Un change management bien mené est crucial pour que les équipes s’approprient pleinement leur nouveau rôle et leurs responsabilités.
La gouvernance fédérée donne aux métiers l'opportunité de s'autonomiser (empowerment). Elle leur montre qu'ils peuvent souvent résoudre eux-mêmes les problèmes de données, ce qui peut être méconnu ou sous-estimé.
Prenons un exemple concret : un problème de qualité des données dans un outil de suivi des réception de matières premières peut être causé par des données de quantité incorrectes ou incomplètes saisies par les équipes opérationnelles au moment de la réception. Or ces données peuvent avoir un impact direct sur la gestion des stocks et la facturation, affectant ainsi les équipes opérationnelles elles-mêmes. Elles ne réalisent pas toujours qu'elles peuvent agir sur leurs processus métier pour améliorer leurs données. Partager clairement le flux de données avec les équipes opérationnelles et leur montrer l’impact des informations qu’elles saisissent dans les systèmes via leurs outils est un excellent moyen de les encourager à prendre en main la qualité des données.
Par ailleurs, les métiers s'appuient souvent sur une équipe data centrale pour répondre à leurs besoins. Cette dépendance peut créer des frictions : les besoins exprimés par les métiers ne sont pas toujours bien traduits, et les solutions proposées (mise en qualité, rapports, analyses) peuvent manquer de la nuance nécessaire d’un point de vue métier.
Conseil : encourager l'empowerment des équipes métier en leur fournissant les outils et connaissances nécessaires pour prendre en main la gestion de leurs données.
3. Identifier et former vos équipes
Dans une gouvernance fédérée, il est essentiel d'identifier et de former certains employés pour qu'ils prennent en charge la responsabilité des données dans leur domaine. Ces personnes, situées à l'interface entre les métiers et la data dans chaque domaine décentralisé, auront des responsabilités définies par l'entreprise. Celles-ci peuvent inclure l'identification des données critiques, la définition des critères et indicateurs de qualité des données (tels que les seuils d’exhaustivité, d’exactitude, etc.), ou encore la gestion des accès aux données dans leur périmètre.
Ces équipes, parfois appelées “data owners”, peuvent avoir différents profils :
- Il peut s'agir de membres des équipes métier qui montrent un intérêt à monter en compétence sur les sujets data. Ces personnes possèdent déjà une bonne compréhension des processus métier souvent complexes et peu documentés. Cependant, cela requiert une montée en compétence technique non négligeable.
- À l'inverse, il peut s’agir de membres de l'équipe data souhaitant approfondir leur connaissance d'un domaine métier spécifique.
- Le recrutement de nouveaux talents peut être une solution complémentaire. Embaucher des profils ayant à la fois une vision métier et une expertise data adaptée à votre contexte d'entreprise est rare. Il est donc nécessaire de bien évaluer ce qui peut être appris en interne et ce qui doit être un prérequis à l’embauche.
Conseil : favoriser la montée en compétence interne tout en complétant par des recrutements ciblés. Cela permet de combiner expertise métier et technique pour une gouvernance plus solide et autonome.
4. Définir et diffuser des standards clairs
L’un des piliers essentiels d’une gouvernance fédérée réussie repose sur la mise en place de standards clairs et partagés à l’échelle de toute l'organisation. Ces standards doivent être clairement définis et diffusés de manière cohérente pour assurer une harmonisation des pratiques entre les différents domaines métier.
La diffusion efficace des standards repose sur deux leviers clés :
- La formation des équipes fédérées : chaque équipe métier doit être formée aux standards pour s'assurer qu'ils sont bien compris et appliqués de manière uniforme.
- L’utilisation d’outils appropriés : des outils comme les data catalogs permettent de garantir que toutes les équipes respectent les mêmes définitions, standards et critères de qualité. En savoir plus sur les data catalogs.
Le Data Office, en tant qu'entité centrale, peut jouer un rôle majeur dans cette diffusion, en veillant à ce que les standards soient bien intégrés et respectés par les équipes.
Conseil : charger une équipe centrale, comme le Data Office, de piloter la diffusion des standards tout en laissant suffisamment de flexibilité pour favoriser l'innovation dans les équipes métiers.
5. Mettre en place un monitoring et des audits réguliers
Pour améliorer l'efficacité de la gouvernance fédérée, il est utile de mettre en place un monitoring rigoureux et des audits réguliers (voir l’article dédié sur Data Quality DBT Elementary). Des outils de suivi automatisés comme Elementary, ou Great Expectations permettent de vérifier que chaque domaine respecte les standards établis. Ces outils aident également à identifier rapidement les écarts et les défaillances avant qu'ils n'affectent la qualité des données ou le bon déroulement des opérations métier.
Conseil : intégrer des outils de suivi automatisés pour surveiller en continu la qualité des données et les combiner avec des audits réguliers pour pouvoir réagir rapidement aux éventuelles dérives.
6. Favoriser la collaboration avec des outils adaptés
Les outils comme les data catalogs et les systèmes de data quality sont importants pour permettre à toutes les équipes d’accéder, comprendre et utiliser les données de manière cohérente. Ils favorisent la collaboration entre les différentes activités de l’entreprise.
Ces outils aident par exemple à éviter la polysémie des termes, la duplication des données et permettent d’exposer des données claires et de qualité que les autres domaines peuvent exploiter.
Illustration de l’un des défis classiques rencontrés par les entreprise, la variation de signification des termes entre départements : au sein de Renault, le terme “effectif” ne signifiait pas exactement la même chose pour les départements finances et RH en terme de data. Dans ce cas il est important de discuter et de s’entendre sur un langage commun. Les référentiels ainsi créés rendent les données interopérables. Ces données peuvent alors alimenter divers outils et rapports (budgétaires, financiers, etc.) et diminuer les silos dans l’entreprise.
Pour en savoir plus sur l’expérience de Renault, écouter le podcast Renault : Data RH chez Renault - stratégies et défis
Conseil : intégrer des outils de collaboration adaptés et accompagner les équipes pour assurer une collaboration à travers l'organisation.
7. Considérer des solutions hybrides si nécessaire
Certaines entreprises, en fonction de leur taille ou de leur maturité data, peuvent opter pour des solutions hybrides. Ces approches combinent des éléments de gouvernance centralisée et fédérée et peuvent être plus adaptées à certains contextes.
Par exemple, nous avons conseillé une PME non data centric qui envisageait de se lancer dans le Data Mesh. Il est rapidement apparu qu'une transition directe vers un modèle puriste n’était ni viable ni pertinente, que ce soit en termes de culture, d’organisation, de dimensionnement de l’équipe data ou de technologie. Nous avons donc recommandé un modèle hybride, avec des responsables data (Data Owners) supervisant plusieurs domaines tout en restant rattachés à l’équipe data centrale. Cela permet de maintenir une cohérence dans la gestion des données tout en offrant plus d’autonomie aux équipes métier, un équilibre intéressant pour les organisations qui débutent dans leur transformation data.
Conseil : l’important est de trouver un équilibre qui apporte des bénéfices immédiats tout en étant adapté aux ressources et à la culture de l’entreprise. Une approche hybride peut être une réponse pertinente.
Conclusion
Le modèle Data Mesh offre des avantages majeurs en matière de scalabilité, réactivité, et qualité des données, mais sa mise en place nécessite une approche réfléchie. Il est crucial d’adopter une démarche progressive, en choisissant les bons outils et en accompagnant les équipes vers plus d'autonomie. Il est important de garder à l’esprit que chaque organisation est unique. Il est essentiel d’ajuster ces recommandations en fonction de la taille, de la maturité et des ressources disponibles dans votre entreprise pour une adoption réussie du Data Mesh.
Vous recherchez des experts pour implémenter le Data Mesh ? Retrouvez notre offre gouvernance data. N’hésitez pas à nous contacter !
%20(1).png){kind=logo}