CET ARTICLE A INITIALEMENT ÉTÉ PUBLIÉ DANS ARCHIMAG N°377
Au sommaire :
- Dossier : data gouvernance : prenez le pouvoir sur vos données !
- Méthode : les 7 points clés de la data gouvernance
- Les outils pour un data management : du stockage à l'analyse de la donnée
- Conseil Départemental du 64 : valoriser la donnée pour une meilleure stratégie data
Découvrez Le Brief de l'IT, la newsletter thématique gratuite d'Archimag dédiée aux professionnels des data, de l'IT, de la digitalisation et de la transformation numérique !
S’interrogeant sur sa gouvernance des données, chaque organisation est plongée dans son contexte, doit faire face à des enjeux : on veut améliorer les produits et services, affronter la concurrence, décider mieux et plus vite… Ce à quoi se greffent des impératifs de conformité liés à tel ou tel secteur (la banque, par exemple) ou plus transversaux, comme la protection des données personnelles (RGPD). La gouvernance des données répond à cela, comme à la nécessité de mettre de l’ordre dans les données qui s’accumulent ici et là de façon contre-productive (il y a parfois urgence).
1. Définir une vision et des objectifs clairs
Décider d’une gouvernance des données pour plus d’efficacité, de valeur ou de sécurité ne suffit pas à tracer une vision. Cela doit être inscrit en cohérence avec la stratégie globale de l’organisation pour venir la renforcer.
Par exemple, une entreprise automobile aura pour premier objectif d’analyser les données de performance des véhicules pour réduire les rappels de produits de 25 % sur les trois prochaines années et comme second de mettre en place un système de retour client automatisé pour obtenir des feedbacks en temps réel. De ces deux objectifs découle une vision : utiliser ses données pour améliorer la qualité de ses véhicules et l’expérience de ses clients.
Autre exemple, un hôpital visera l’optimisation de la qualité des soins aux patients grâce à une gestion intégrée et sécurisée des données médicales, ceci avec aussi deux objectifs : centraliser les dossiers médicaux électroniques de tous les patients d’ici deux ans, et réduire les erreurs médicales de 20 % en utilisant des outils d’analyse des données pour identifier les risques potentiels.
Les objectifs sont « SMART » : spécifiques, mesurables, atteignables, réalistes et temporels. La gouvernance des données en apportera une appréhension commune, notamment en les affranchissant des limites de leurs silos métiers.
Lire aussi : Cybercriminalité : Les hôpitaux sécurisent leurs systèmes d'information
2. Nommer un chief data officer (CDO)
Pour incarner la gouvernance des données, un chief data officer (CDO) doit être nommé. À la lumière de la stratégie data, à lui de définir, déployer et suivre la politique choisie. C’est un poste de haut niveau, généralement impliqué dans le comité de direction.
Le CDO s’entoure d’une équipe avec des profils orientés vers la structuration des données (data architect, data steward, ingénieur des données), mais aussi vers le traitement (data scientist pour le data mining et l’analyse prédictive, business analyst). Leur leitmotiv est de s’assurer de la fiabilité des données afin d’obtenir des retombées positives pour l’organisation. Des indicateurs clés de performance (KPI) seront d’ailleurs posés. Leur évolution renseignera aussi sur l’efficacité du CDO !
Lire aussi : Qui fait quoi pour la data ?
3. Nommer un délégué à la protection des données
Concernant les données personnelles, un délégué à la protection des données (DPO) peut ou doit être nommé (c’est notamment obligatoire pour les autorités et organismes publics et pour ceux dont les activités de base les amènent à réaliser un suivi régulier et systématique des personnes à grande échelle). Il veillera à la conformité en fonction des lois et réglementations et selon des critères géographiques.
4. Gérer les données et les processus
Les données ont une existence multiple. Dans l’organisation, elles sont manipulées par des dizaines, voire des centaines d’applications. Elles sont créées en une source, nettoyées, mises à jour, stockées, analysées, transmises, sauvegardées, supprimées… Soit autant d’étapes dans leur cycle de vie. De plus, elles n’ont pas toutes la même importance.
- Faut-il lancer un audit complet pour chaque donnée ?
Il est plus réaliste et efficace de s’en tenir d’abord à un cas d’usage, soit un prototype gérable dont on pourra tirer des enseignements avant de l’étendre dans l’organisation. Ce prototype peut partir des données jugées les plus critiques au regard de la vision de sa data gouvernance. On cerne ainsi l’étendue des données concernées et leurs emplacements. On peut s’aider d’un outil de data discovery. Cela permet d’identifier des éléments clés, de remonter à la source en sachant qui est propriétaire de la donnée, qui en a le droit de modification. Toutes les données sont à prendre en compte, structurées ou non structurées, ainsi que les métadonnées. Ainsi, on connaît les données, leurs catégories, leurs niveaux de sensibilité, et on peut alors établir un accès centralisé de type catalogue. Il est organisé selon une taxonomie et des règles métier.
- Les avantages de ce dispositif
Il facilite l’accès aux données de l’ensemble de l’organisation, ce qui évite toute confusion sur l’emplacement des données ; il fixe les règles d’accès selon des profils ; il fournit les données selon le besoin d’en connaître.
Les données sont suivies tout au long de leur cycle de vie. À chaque étape, elles sont gérées conformément à des politiques d’acquisition, de stockage, de transfert et d’élimination. Il est conseillé de nommer un responsable des données dans chaque département. Il pourra notamment guider la mise en place de ces politiques, ce que le DPO fera pour son domaine. Ces différents responsables sont regroupés en un comité de gouvernance des données qui remplit un rôle de supervision.
5. Choisir ses technologies data
On ne peut pas se passer d’outils data spécifiques et des choix sont à opérer pour faciliter l’accès aux données et leur partage, ceci en toute sécurité. Le CDO est à la manœuvre, coordonné avec le DSI et le RSSI. Il est conseillé de respecter les standards de son SI. La stratégie logicielle orientera vers une configuration on-premise ou vers le cloud.
- Data lake ou data mesh ?
Un débat a parfois lieu entre choisir un modèle data centralisé (de type data lake ou data warehouse) et un modèle décentralisé (de type data mesh). Le premier peut nuire au ruissellement de la pratique data dans l’organisation et en limiter l’appropriation. Le second vise la démultiplication, l’appropriation par le plus grand nombre d’utilisateurs, au risque de faire perdurer une logique de silos. On peut alors préférer un modèle fédéré, comme le propose le Cigref. Coupler par exemple un data lake avec une approche data mesh est tout à fait possible. En tout cas, on oublie l’entrepôt de données traditionnel (BDD relationnelle).
L’architecture data peut alors se bâtir sur ses différents axes : captation et stockage (data lake, data warehouse, data hub), management (dictionnaires de données, catalogues, gestion des données de références ou MDM) et exploitation (de la business intelligence à la visualisation). Attention à ne pas sombrer dans trop de complexité — cela coûte. On préférera des solutions interopérables aux fonctionnalités riches.
Lire aussi : Data mesh : quel est réellement l’intérêt de cette approche ?
6. Promouvoir une culture de la donnée
Le CDO doit chercher l’assentiment des personnes impliquées. Pas toujours facile : une transformation vers des processus data driven amène à transformer aussi des métiers. Le changement est à bien conduire et passe par des sessions de formation. Les collaborateurs devront partager une définition commune de la donnée, apprendre à les manipuler et à les analyser. Par exemple, dans les médias, les rédacteurs sont encouragés à utiliser les analyses de données pour orienter la stratégie éditoriale et la création de contenu, basées sur les tendances et les attentes des lecteurs.
Lire aussi : Organisation data-driven : maîtrisez vos données !
7. Mesurer
On a fixé des objectifs, il ne faut pas oublier de mesurer les résultats ! On définit des KPI clairs. De nouveau dans le secteur automobile, par exemple, on suivra des KPI tels que la réduction des erreurs de production ou l’amélioration de la satisfaction client en lien avec l’utilisation de données précises et à jour. Des mécanismes et des mesures permettent de contrôler, d’évaluer et d’améliorer les processus au fil du temps.
