Data Mesh : Exemples et retours d’expérience concrets

Maîtriser les données et leurs usages pour créer de la valeur est une ambition de plus en plus partagée. Pourtant, les organisations continuent de se heurter à des obstacles que le Data Mesh pourrait aider à surmonter. Dans cet article, nous vous donnons quelques orientations pour démarrer et quelques retours d’expérience d’entreprises qui se lancent avec succès sur un ou plusieurs des 4 piliers du Data Mesh.

Selon IDC (Source : European Future Enterprise Resilience Survey, août 2021), l’analyse des données représente une priorité en termes d’investissement technologique pour 61% des entreprises européennes. Ces dépenses visent notamment à leur permettre de faire face au tsunami de données (180 Zo de données générées dans le monde en 2025, dont 13,6 Zo par les organisations).

Pour autant, seulement 0,8 Zo de données est exploité au niveau mondial par les entreprises (source : IDC Worldwide Global DataSphere Forecast). Et c’est encore plus faible en ce qui concerne les pratiques les plus puissantes à base d’IA ou de Machine Learning (ML).

Pour valoriser efficacement ce patrimoine en constante croissance, il faut donc que les organisations parviennent à s’extraire du Data Chaos et de la tragédie des silos. C’est la finalité du Data Mesh, concept que nous avons détaillé dans ce dossier et pour lequel nous éclairons ici les pratiques par des retours d’expérience concrets.

Le Data Mesh pour passer l’analytique à l’échelle

Encore un chiffre : IDC estime que d’ici trois ans, le volume de données utilisées grimpera à 3,1 Zo, dont 2,8 Zo de données non structurées. Cette progression est une réponse à la volonté des entreprises d’accélérer sur la Data et le passage à l’échelle. Le Data Mesh permet de concrétiser ces ambitions au travers de sa démarche structurée autour de la gouvernance, de l’organisation par domaines, de l’infrastructure et des produits.

En proposant de multiples bonnes pratiques et un cadre de travail global, le Data Mesh peut être comparé à ITIL (Information Technology Infrastructure Library). En outre, il paraît complexe d’envisager un succès simultané des entreprises sur l’ensemble des piliers. Ces dernières peuvent s’attaquer dans un premier temps à un ou deux des fondamentaux du Data Mesh, pour ensuite étendre progressivement son empreinte.

S’engager sur la trajectoire du Data Mesh, c’est comme suivre l’étoile du Nord. C’est une orientation. Atteindre la destination est utopique, mais à chaque fois qu’on s’en approchera, on aura fait un pas vers l’entreprise data driven.

En effet, chaque réalisation sur un des piliers permettra à l’entreprise de dégager des bénéfices. Il n’est pas nécessaire de faire aboutir les quatre pour créer de la valeur grâce à une maturité accrue de l’organisation. De telles transformations sont complexes.

Mettre en œuvre une logique Data Product à 100% est un vrai challenge. Il en va de même sur les autres grands piliers. Il faut donc appréhender le Data Mesh avant comme tout une trajectoire, à entreprendre par étape dont chacune apportera des bénéfices incrémentaux. S’engager sur la trajectoire du Data Mesh, c’est comme suivre l’étoile du Nord. C’est une orientation. Atteindre la destination est utopique, ce n’est pas l’enjeu de ce concept, mais à chaque fois qu’on s’en approchera, on aura fait un pas vers l’entreprise data driven et créé de la valeur.

Ceci posé, par quoi commencer ? Comment se lancer ? Quelle est la trajectoire concrète à suivre ? La réponse ne peut pas être unique. Elle dépend notamment des priorités et de la roadmap en matière d’IT, de digital et de Data de l’entreprise.

Des premiers pas Data Mesh axés valeur

Au fil des chapitres précédents, nous avons identifié plusieurs étapes pertinentes afin de tisser la toile du Data Mesh. Lister les actions prioritaires sur chacun des piliers constitue ainsi un bon point de départ. Parmi celles-ci, on peut par exemple citer :

• L’organisation d’un premier domaine de données. Il faut alors trouver un métier mature sur la gestion des données et en demande d’une plus forte autonomie dans leur valorisation. En s’appuyant sur ce métier motivé, on pourra mettre en place toutes les bases du fonctionnement du Data Mesh.
• La réalisation d’un pilote de produit Data. C’est un moyen de diffuser la culture produit au sein des équipes et d’amorcer des initiatives sur les trois autres piliers. Après la création de premiers produits dans un domaine, il sera alors envisageable de rendre celui-ci autonome et d’appliquer le découpage en domaines. De plus, l’implémentation du Data as a Product est sans doute le chantier le plus engageant pour les métiers et le plus générateur de valeur business.
• La création d’une Data Platform. Indépendamment du Data Mesh, les entreprises sont nombreuses aujourd’hui à engager ce projet d’envergure et de modernisation dans une optique d’industrialisation. L’enjeu avec le Data Mesh est de concevoir cette plateforme pour servir tous les besoins et supporter le mode self-service pour les domaines de données.
• L’application de principes d’une gouvernance fédérée en s’appuyant sur les fonctions de Data Owner et de Data Steward. C’est l’opportunité de responsabiliser les métiers, voire d’intégrer des objectifs Data mesurables à leurs enjeux business. 

L’implémentation du Data as a Product est sans doute le chantier le plus engageant pour les métiers et le plus générateur de valeur business.

Les ateliers collaboratifs réunissant des membres de l’IT, de la Data et des métiers, à l’image des Data Mesh Bootcamp que nous organisons, sont aussi l’opportunité d’acculturer et de fédérer. Ces rendez-vous doivent en outre aboutir à la définition d’un plan d’actions  et d’une feuille de route qui fixent les priorités et la planification des actions sur les 4 piliers du Data Mesh.

En route pour le Data Mesh : quelques exemples issus de notre expérience

🔎 Du Data Hub à la Data Plaform as a Service

Dans son cheminement vers le Data Mesh, les équipes IT se veulent précurseurs et souhaitent tout préparer pour la transformation des métiers. Elles prévoient ainsi de passer d’un mode Data Factory (où elles faisaient tout) à un mode Data Platform Owner. Dans ce dernier, la plateforme data est gérée comme un produit par l’IT, qui la fait évoluer au gré des besoins qui seront exprimés par les métiers. Ce mode permet en outre une distribution des responsabilités, notamment pour la gouvernance et la valorisation des données. Une fois que les domaines de données seront déployés, tout sera donc prêt pour passer à la logique data platform as a service promue par le Data Mesh.

🔎 Données pour un, données pour tous

🔎 Plateforme, gouvernance, produit… autant de chemins vers le Data Mesh

Dans une autre société du même secteur, c’est la gouvernance des données qui a été développée en priorité suite à la sollicitation de la direction marketing. Celle-ci a en effet compris que la maîtrise de son patrimoine de données était stratégique pour créer de la valeur pour toute l’entreprise. L’organisation travaille par conséquent au déploiement d’un catalogue de données, à la nomination de Data Owners et à la mise en place d’une communauté fédérée tournée vers la gouvernance et directement rattachée aux métiers. Dans ce cadre, la structure a fait le choix d’adopter les concepts de gouvernance fédérée du Data Mesh associant le Data Office, puis à terme des domaines de données.

Autre contexte : une grande banque qui a pris comme point d’entrée la valorisation des données stockée s’est emparée du Data Mesh : méthode/roadmap et témoignages concrets s dans son Data Hub. Rencontrant de multiples freins dans cette exploitation, le groupe bancaire a décidé de déclencher un pilote sur le Data Product. Faisant la part belle aux méthodes agiles et s’appuyant sur la nomination d’un Data Product Manager, les résultats ne se font pas attendre. Après ce pilote concluant, de multiples initiatives sont lancées sur d’autres produits de données.   

Roadmap Data Mesh et KPI de maturité

Comme nous l’avons souligné à de multiples reprises, l’approche Data Mesh s’opère par itérations via des initiatives conduites sur les différents piliers. Et cela passe donc par une feuille de route et une vision intégrant des objectifs à des échéances court terme (3 mois) et d’autres plus moyen et long termes (1 à 3, voire 5 ans).

Des premiers pas sont donc largement accessibles sur le Data Mesh et peuvent ainsi permettre d’apporter de la valeur dès les premières semaines. Cependant, ce concept implique une transformation et nécessite donc de se projeter à plus long terme.

Afin de vérifier les bénéfices générés par les initiatives Data Mesh et l’alignement avec la roadmap initiale, il convient naturellement de définir et suivre des indicateurs. Le KPI principal est sans conteste l’usage, et en premier lieu le taux d’utilisation des données, c’est-à-dire des produits Data. L’usage est mesurable via par exemple le nombre de requêtes sur les API, les téléchargements depuis la data marketplace ou les évaluations laissées par les consommateurs sur celle-ci et qui peuvent tenir lieu de NPS (Net Promoter Score).

Il est également cohérent de mesurer la portion du capital de données partagée entre les domaines. Les méthodologies existantes de mesure de la maturité Data des entreprises fournissent aussi différentes métriques adaptées aux enjeux du Data Mesh et de son déploiement.

Le Data Mesh définit donc un chemin de transformation pour les entreprises qui veulent devenir data-driven. De multiples itinéraires sont possibles. Vous pouvez vous inspirer de ceux présentés dans cet article pour définir celui qui sera le plus efficace pour votre organisation.

💡 Mode d’emploi du Data Mesh : ce qu’il faut retenir
📌 Acculturer et fédérer tout au long de la démarche
📌 Construire une trajectoire dédiée à construire par chaque entreprise
📌 Définir une feuille de route comprenant des résultats court-terme et inscrite dans une vision à long terme
📌 Identifier des KPI pour piloter le déploiement et mesurer la valeur générée à chaque étape de maturité
📌 Fédérer la démarche autour de briques applicatives partagées telles qu’une data marketplace
📌 Déployer un catalogue de données fédéré et nommer des Data Owners

👉 Retrouvez toute notre actu en temps réel en nous suivant sur LinkedIn 👈

Cet article a été rédigé en collaboration avec Christophe Auffray.