Data Mesh et SAP Datasphere : Une nouvelle valeur ajoutée à partir des données pour tous les domaines spécialisés

L'évolution du stockage et de l'évaluation des données commerciales va des premiers entrepôts de données des années 1980 aux concepts de lacs de données, de hubs et de lakehouses. Au début, les entreprises pouvaient lire le passé et tirer des conclusions à partir des chiffres, grâce à des données propres, des rapports et des évaluations rapides. Depuis les années 2010, la puissance des ordinateurs et des applications a atteint un niveau où il est également possible de faire des prévisions (Predictive Analytics) et de recommander des actions (Prescriptive Analytics).

De nombreuses opportunités, des obstacles importants

Les données et les analyses de données sont considérées comme le carburant de la transformation numérique et de l'évolution vers une entreprise intelligente. Mais les obstacles sont nombreux :

• Les silos de données rendent difficile la recherche et l'accès aux données pertinentes.
• Les architectures physiques centralisées limitent l'utilisation des données, créent des goulets d'étranglement pour la puissance de calcul nécessaire.
• L'intégration traditionnelle des données nécessite beaucoup de travail, est complexe et retarde l'accès à de nouvelles sources de données importantes.
• Les équipes chargées des données sont souvent surchargées de travail de base et doivent gérer en parallèle les demandes liées aux activités quotidiennes.

Ces obstacles peuvent être surmontés techniquement, nous y reviendrons plus tard. Mais une condition préalable est d'abord une culture des données au sein de l'entreprise, qui souhaite encourager l'utilisation efficace et éthique des données pour la prise de décision et l'innovation. Sans une culture des données positive, les organisations ne pourront pas devenir des entreprises pilotées par les données.

Souvent, une culture positive des données commence par un changement de mentalité au niveau des principes organisationnels. Par exemple, peu d'entreprises offrent actuellement à tous leurs collaborateurs la possibilité de réaliser des analyses de données de manière autonome (en libre-service). Or, c'est justement dans l'initiative personnelle et la créativité des services spécialisés que réside la clé de la nouvelle création de valeur à partir des données. En règle générale, une organisation devrait prendre conscience de l'attitude, des pratiques et des valeurs qui favorisent une utilisation efficace et responsable des données - parmi lesquelles la transparence, la confiance, la compétence en matière de données, l'éthique et la collaboration.

Data Mesh : analyses de données autonomes et décentralisées

Par le passé, de nombreuses entreprises ont investi dans un data lake central et une équipe de données, s'attendant à faire progresser leur activité sur la base des données. Après quelques succès initiaux, elles constatent toutefois que l'équipe centrale de données devient souvent un goulot d'étranglement : L'équipe ne peut pas répondre assez rapidement à toutes les questions analytiques posées par la direction, les responsables de produits et les services spécialisés. Or, les décisions basées sur les données prises en temps réel sont justement décisives pour la compétitivité. Les questions typiques sont les suivantes :

• Un prix plus élevé peut-il être imposé avec un délai de livraison plus court ? Les clients acceptent-ils des délais de livraison plus longs, mais plus fiables ?
• Devons-nous limiter ou élargir notre portefeuille sur certains marchés ?

L'équipe chargée des données souhaite répondre rapidement à toutes ces questions. Mais dans la pratique, elle rencontre des difficultés car elle passe trop de temps à adapter les pipelines de données et, le cas échéant, à effectuer des modifications opérationnelles de la base de données. Dans le peu de temps qui lui reste, l'équipe chargée des données doit identifier et comprendre les données de domaine nécessaires.

Bien que les services spécialisés connaissent leurs domaines et les besoins d'information pertinents, ils doivent se tourner vers l'équipe centrale de données, surchargée, pour obtenir des connaissances basées sur les données.

Une solution consiste à transférer la responsabilité des données de l'équipe centrale de données vers les équipes de domaine. C'est l'idée centrale du concept de data mesh : la décentralisation orientée domaine pour les données analytiques. Une architecture Data Mesh permet aux départements et aux équipes de domaine d'effectuer eux-mêmes des analyses de données inter-domaines et de relier les données entre elles, à l'instar des API dans une architecture de microservices.

Les quatre principes de base du Data Mesh

Le principe de propriété de domaine oblige les équipes de domaine à assumer la responsabilité de leurs données. Selon ce principe, les données analytiques doivent être construites autour de domaines, à l'instar des frontières des équipes, qui s'adaptent au contexte limité du système. Dans le cadre de l'architecture distribuée axée sur les domaines, la responsabilité des données analytiques et opérationnelles est transférée d'une équipe de données centrale aux équipes de domaines.

Le principe Data-as-a-Product projette la pensée du produit sur les données analytiques. Ce principe signifie qu'il existe des consommateurs pour les données en dehors du domaine. L'équipe du domaine est chargée de répondre aux besoins des autres domaines en leur fournissant des données de qualité. En fait, les données de domaine devraient être traitées comme n'importe quelle autre API publique.

L'idée derrière la plateforme de données en libre-service est d'appliquer l'idée de plateforme à l'infrastructure de données. Une équipe spécialisée dans les plateformes de données fournit des fonctions, des outils et des systèmes indépendants des domaines pour créer, exécuter et maintenir des produits de données interopérables pour tous les domaines. Une plateforme de données moderne permet aux équipes de domaine d'utiliser et de créer des produits de données de manière transparente.

Une gouvernance fédérée permet l'interopérabilité de tous les produits de données grâce à la standardisation. L'objectif est de créer un écosystème de données en respectant les règles organisationnelles et les règles sectorielles.

Pourquoi Data Mesh avec SAP Datasphere ?

Outre les critères organisationnels mentionnés, une nouvelle création de valeur des données nécessite une base technologique - comme par exemple le système de gestion des données SAP Datasphere, performant et intuitif.

Celle-ci permet un accès transparent et évolutif aux données critiques de l'entreprise en créant une couche de données harmonisée pour toutes les sources de données SAP et non SAP, qu'elles soient dans le nuage, sur site ou hybrides. D'un point de vue fonctionnel, la solution combine l'intégration des données, le catalogage des données, la modélisation sémantique, le data warehousing, la fédération et la virtualisation des données.

Les lacs de données, les applications, les services web et d'autres sources de données peuvent en constituer la base. La combinaison et la consolidation permettent de créer un point unique de vérité. En arrière-plan, la solution combine des technologies en mémoire avec une série de puissants moteurs de données. Les utilisateurs des équipes sectorielles peuvent modéliser et étendre leurs données à l'aide d'outils graphiques intuitifs. Ils créent ainsi des connaissances précieuses pour leur entreprise.

SAP Datasphere maintient ainsi l'équilibre entre les besoins en données des utilisateurs et les exigences de gouvernance de l'entreprise. Comme la solution fonctionne en mode cloud, elle évolue avec les besoins et convient également aux entreprises de moins de 1000 collaborateurs.

Vers l'inscription du partenaire :