La première chose à savoir à propos du maillage de données est que les attentes à son égard sont trop élevées.
Le maillage de données est souvent perçu à tort comme une technologie ou une solution spécifique, alors qu'il s'agit davantage d'un cadre conceptuel. Pour être plus précis, il s'agit d'une approche sociotechnique, comme décrite par Zhamak Dehghani, créatrice de ce concept.
De nombreuses personnes confondant le maillage de données avec une technologie spécifique miracle qu'ils peuvent acheter, les organisations disent vouloir l'adopter, puis rencontrent des difficultés pour le mettre en œuvre de manière pratique.
Le maillage de données est-il déjà en voie de disparition ? Les analystes ont suggéré que le maillage des données est une tendance qui risque de disparaître en 2024. Gartner a classé le maillage dans la catégorie « déclencheur d'innovation » du cycle de tendance pour la gestion des données, mais prédit qu'il deviendrait obsolète avant d'atteindre son niveau de stabilisation.
Cependant, nous considérons que la disparition du maillage de données est grandement exagérée. On ne lui a pas vraiment laissé sa chance. Le maillage de données n'est pas une solution, mais une stratégie. Il s'agit d'un cadre permettant de prendre des décisions. Si vous le considérez comme tel, il peut vous servir de guide utile lorsque vous réfléchissez aux changements à apporter en matière de personnel, de processus et de technologie pour assurer la réussite de votre entreprise.
À l'ère de l'IA, le maillage de données est un cadre plus utile que jamais.
Selon une étude du MIT, moins de 10 % des entreprises ont recours à l'IA générative (dans leurs processus de production. Près de 60 % des responsables de la gestion des données déclarent n'avoir apporté aucune modification à leur environnement data pour prendre en charge ou permettre l'utilisation de l'IA générative. Ces organisations ont besoin d'un cadre qui guide leur stratégie d'architecture des données pour faciliter la mise en œuvre de l'IA. C'est là qu'intervient le maillage de données.
L'objectif du maillage de données est de permettre aux experts métier de gérer leur propre pipeline de données. Et qui constitue un vivier de talents inexploités pour les cas d'usage de l'IA ? Les experts métier, évidemment.
Les utilisateurs professionnels constituent une ressource essentielle pour l'acquisition de données, l'identification des cas d'usage, l'analyse exploratoire et l'évaluation des résultats. Lorsque les utilisateurs ayant une connaissance approfondie de la logique métier sont exclus des initiatives IA, l'adoption stagne. Le maillage des données peut contribuer à garantir que les utilisateurs professionnels auront leur place dans la prise de décisions.
Une expertise métier est nécessaire à chaque étape du parcours IA/ML. Pour permettre cette participation, un cadre de données véritablement favorable aux métiers est indispensable.
Si vous envisagez d'utiliser le maillage de données pour créer une architecture de données qui prendra en charge l'adoption de l'IA à l'échelle de l'entreprise, voici quelques conseils à suivre :
À NE PAS FAIRE : adopter une plateforme de données en libre-service qui n'est pas réellement en libre-service.
Une culture de maillage des données favorise la responsabilisation des domaines. Cela passe par... une autonomisation des responsables de ces domaines. Si vous ne parvenez pas à mettre cela en place, vous passez à côté de l'essentiel. Pourtant, c'est une erreur courante.
Les responsables analytiques pourraient se passionner pour le maillage de données, adopter une nouvelle plateforme prometteuse comme Microsoft Fabric, puis se rendre compte que les analystes financiers habitués à travailler dans Excel ne peuvent pas utiliser Power Query de manière efficace. Ou bien ils migreront vers un entrepôt de données SQL, en donneront le contrôle à l'équipe commerciale, qui ne saura pas quoi faire avec un ordinateur portable.
Pour véritablement mettre en place une culture du maillage des données, il est nécessaire de rendre les tâches analytiques accessibles aux experts métier non techniques qui seront chargés du processus analytique. C'est pourquoi une plateforme en libre-service est l'un des principes fondamentaux du maillage de données.
Assurez-vous que votre plateforme analytique est réellement en libre-service. Investissez dans des solutions technologiques conçues pour être utilisées par les métiers, qu'ils disposent ou non de compétences data.
Méfiez-vous des plateformes qui prétendent proposer un libre-service, mais ne sont pas réellement adaptées aux métiers et qui exigent des connaissances techniques plus approfondies que prévu. Vos progrès seront ralentis et vous ferez partie des 90 % d'entreprises qui n'ont pas réussi à mettre en œuvre leur premier cas d'usage d'IA générative.
À FAIRE : développez une base commune de connaissances en matière de données pour tous les rôles.
Le maillage des données nécessite un niveau de data literacy à l'échelle de l'organisation. Lorsque vous passez d'une équipe data centralisée à un modèle plus décentralisé, il est nécessaire de démocratiser les connaissances fondamentales en matière de données qui étaient auparavant réservées à cette équipe centrale.
Vos experts métier possèdent déjà des compétences importantes en matière de data literacy, à savoir la maîtrise du domaine et la maîtrise des cas d'usage. Que signifient ces données dans le contexte de l'entreprise ? Que pouvez-vous faire en les utilisant ? Quels sont les résultats métier que vous pouvez obtenir ?
Cependant, les experts métier ont toujours besoin d'une compréhension fondamentale de certains concepts liés aux données :
- Accès aux données à partir de la source de stockage utilisée par votre organisation
- Traitement de différents types de données
- Identification des problèmes de qualité dans votre jeu de données
Lors de votre transition vers une culture du maillage des données, veillez à mettre en place un programme de data literacy qui investit dans la formation afin de préparer vos experts métier à réussir lorsqu'ils devront prendre en main le parcours analytique et IA.
À NE PAS FAIRE : ne négligez pas la gouvernance, car la qualité des données devient encore plus cruciale.
Il est essentiel de pouvoir se fier aux données qui sous-tendent vos modèles d'IA et de ML. Cela implique d'intégrer la gouvernance à chaque étape de votre parcours analytique, de la collecte des données à l'entraînement des modèles.
Le fait que le maillage des données implique une propriété décentralisée des données ne signifie pas pour autant que la gouvernance et les normes de qualité doivent être négligées. Au contraire, le maillage des données contribue à fournir un cadre permettant d'améliorer la qualité des données à mesure que les utilisateurs professionnels s'impliquent davantage dans le processus d'IA/ML. L'un des principes fondamentaux du maillage de données est la gouvernance fédérée, qui fournit des lignes directrices pour la mise en place d'une gouvernance entre les équipes métier.
Voici quelques suggestions pour mettre cela en pratique (chacune d'entre elles devrait faire l'objet d'une collaboration entre des experts métier et des experts data/IT) :
- Mettez en place un comité de gouvernance des données transversal
- Effectuez régulièrement des audits sur l'exactitude des données
- Définissez des normes claires en matière de données
- Préparez des politiques en matière d'utilisation des données
La plateforme Alteryx AI Platform for Enterprise Analytics ne se contente pas de s'adapter à une approche de maillage de données : elle facilite sa mise en place. Cette plateforme est véritablement en libre-service et permet aux utilisateurs métier de travailler avec des données. Les responsables de domaines disposent d'outils faciles à utiliser et de ressources d'apprentissage nécessaires pour maîtriser de manière réaliste le parcours analytique.
Par ailleurs, Alteryx prend en charge les considérations relatives à la gouvernance et à l'infrastructure qui accompagnent un modèle en libre-service. Alteryx fournit une interface analytique conviviale pour les infrastructures sous-jacentes telles que Microsoft, Databricks et Snowflake. La plateforme respecte donc les politiques de gouvernance et les contrôles d'accès basés sur les rôles associés à ces technologies. Alteryx dispose également de fonctionnalités d'audit intégrées, telles que des workflows annotés, qui facilitent la documentation des étapes de chaque transformation de données.
Vous envisagez de mettre en place une architecture de maillage des données au sein de votre organisation ? Discutez dès aujourd'hui avec un expert Alteryx de vos objectifs ou consultez les ressources supplémentaires ci-dessous.
Guide technique AWS + Snowflake + Alteryx
Cas d'usage de l'IA générative : booster l'innovation dans tous les secteurs d'activité