Approche sociotechnique pour la création d'une architecture de données décentralisée : Data Mesh

Les nouvelles sources de données et les multiples formats de données font de la gestion des données un défi complexe pour les entreprises. Diverses solutions isolées, des temps de développement longs et une vague valeur ajoutée sont des problèmes souvent déplorés. Les cadres informatiques et les responsables SAP doivent donc se poser la question : Comment faire en sorte que les données apportent la valeur ajoutée souhaitée ?

La solution est une chaîne de création de valeur des données efficace, effective et pérenne. La chaîne de valeur des données est un modèle idéal qui montre le parcours des données dans l'entreprise, depuis la création des données brutes jusqu'à la prise de décisions commerciales éclairées. Elle se compose de quatre phases :

Dans la première phase, celle de la création des données, des données brutes sont générées manuellement ou automatiquement, par exemple des justificatifs numérisés, des transactions numériques ou des données d'appareils IoT. Ces données sont ensuite traitées de manière opérationnelle lors de la deuxième phase et utilisées dans les étapes de travail correspondantes. La planification des ressources ou des capacités pour les machines de production ou les stocks dans les solutions ERP de SAP en est un exemple.

Après le traitement opérationnel des données brutes, le traitement analytique entre en jeu dans la troisième phase. C'est là que les outils et les méthodes les plus modernes traduisent les données en connaissances supplémentaires qui peuvent être directement utilisées.

Dans un environnement SAP, cela peut par exemple se présenter comme suit : Diverses sources de données, qui peuvent également être des solutions d'autres fournisseurs de cloud, sont connectées à la base de données SAP, par exemple avec le cloud SAP Hana. SAP Data-sphere peut être utilisé comme solution d'entrepôt, SAP Data Intelligence Cloud pour l'orchestration et le pipelining des données. SAP Analytics Cloud permet ensuite d'effectuer des analyses et de réaliser des scénarios de planification avancés. Les données ainsi traitées constituent à leur tour la base de la quatrième phase, au cours de laquelle elles sont utilisées pour une aide à la décision basée sur les données, voire pour prendre des décisions de manière autonome. Orienter stratégiquement l'entreprise sur la base de données opérationnelles et analytiques affinées relève également de cette phase.

Chaîne de valeur des données

Pour organiser la chaîne de valeur des données de manière à ce qu'elles apportent réellement une valeur commerciale, des efforts de transformation importants sont généralement nécessaires. On peut distinguer les aspects mous ou socioculturels des aspects durs ou techniques.

Si les entreprises mettent l'accent sur des aspects doux, elles poursuivent l'objectif d'offrir aux collaborateurs des capacités ou des conditions générales dans lesquelles ils ont des droits et des devoirs en tant que société de données. Concrètement, il s'agit ici de programmes de "data-lite-racy" qui forment les collaborateurs à l'utilisation des données. Ou de l'établissement d'une culture de l'innovation pour le monde numérique. En revanche, si les entreprises mettent l'accent sur les aspects durs de la transformation, l'accent est mis sur la mise en place d'une plateforme unifiée qui permet de stocker, de traiter et d'interroger les données de manière transparente.

Prises séparément, ces deux approches négligent toutefois les effets de synergie qui peuvent se produire lorsque les aspects doux et durs sont combinés. Le Data Mesh est une telle approche combinée qui permet à différentes unités organisationnelles ou domaines de produire, de posséder, d'utiliser et de partager des produits de données. Dans le même temps, les lacunes en matière d'intégration technique et d'acceptation culturelle sont comblées.

Comment fonctionne Data Mesh ?

Au cœur du concept de Data Mesh se trouvent d'une part des domaines organisés de manière décentralisée, orientés vers le contexte commercial des données qui leur sont attribuées, et d'autre part des produits de données dont les ensembles de données génèrent une utilité. Cette approche est soutenue par une gouvernance fédérale exécutable de manière aussi automatisée que possible et par l'existence d'un libre-service basé sur une plate-forme technologique harmonisée.

En combinant ces quatre principes, le concept de data mesh associe habilement les aspects décentralisés et centralisés de la gestion des données. Ainsi, la responsabilité de la création, de la publication et de la maintenance des produits de données est confiée aux domaines, c'est-à-dire aux unités fonctionnelles d'une entreprise. C'est en effet là que se trouvent à la fois le besoin et l'expertise en matière de contenu.

Par exemple, un plan financier pour une période tactique de six mois, mis à disposition sous forme de produit de données, peut être attribué au domaine des données financières. En outre, les équipes techniques sont réorganisées en équipes de plateforme et de domaine. Cela permet - sans le goulot d'étranglement d'un service informatique/de développement central - de développer de manière décentralisée des produits de données selon des directives approuvées au niveau central. L'équilibre entre l'autonomie des domaines et la divisibilité ou la réutilisation des produits de données est ainsi atteint.

L'introduction d'une maille de données nécessite des changements importants dans différents domaines. L'expérience pratique montre que les facteurs suivants sont essentiels pour une mise en œuvre réussie de l'approche du data mesh : vision et stratégie ; droits et responsabilités ; volonté de changement ; gouvernance et normes ; technologie et infrastructure ; compétences et capacités ; et communication et collaboration. Les entreprises devraient considérer le maillage de données comme un voyage au cours duquel le concept peut être développé individuellement et continuellement sur la base d'objectifs d'étape initiaux. En conséquence, les facteurs décrits ne doivent pas être considérés comme exhaustifs, mais ils donnent un bon aperçu des aspects particulièrement critiques pour la réussite.