Les data fabrics et les data meshes aident les entreprises à gérer et à analyser leurs données plus rapidement et plus efficacement. Il s’agit de deux approches différentes de la gestion des données, qui visent à mettre à la disposition des utilisateurs métier des données plus précises, plus rapidement. Les data fabrics sont conçus pour éliminer les silos d’information, tandis que les data meshes sont structurés pour réduire les goulets d’étranglement dans les processus d’analyse des données des entreprises. Bien qu’ils puissent tous deux être déployés au sein d’une même organisation, leurs objectifs diffèrent.
Ce guide analyse les avantages des data fabrics et des data meshes, ainsi que leurs inconvénients et les obstacles potentiels à leur mise en œuvre.
Qu’est-ce qu’un data fabric ?
Un data fabric est une architecture de gestion des données qui utilise des systèmes automatisés et intelligents pour connecter des données stockées à plusieurs endroits et dans plusieurs formats. En extrayant les données de différentes sources de stockage et en les centralisant, le data fabric permet aux équipes d’étudier les données compilées de manière globale et d’obtenir de meilleures informations.
Un data fabric est conçu pour être flexible, standardiser la gestion des données, analyser les informations et aider les équipes à prendre de meilleures décisions métier. Par exemple, une même entreprise peut stocker ses données dans une base de données, un système de gestion de la relation client (CRM) et une baie de stockage en réseau (NAS). La mise en œuvre d’un data fabric permettrait aux équipes de mieux comprendre l’ensemble de ces données et d’éviter la création de silos entre les trois systèmes.
En général, un data fabric regroupe plusieurs solutions qui fonctionnent ensemble. Un fabric complet intègre les solutions de gestion ou de stockage des données de plusieurs fournisseurs ; par exemple, vous pouvez utiliser la plateforme Data Fabric de Talend pour intégrer les données de votre base MongoDB et de votre plateforme NetSuite. Il peut également extraire des informations de data lakes, de data warehouses et d’applications.
Les plateformes de data fabric unifient les informations provenant de sources aussi disparates grâce aux interfaces de programmation d’applications (API) et à d’autres technologies d’intégration, afin d’extraire les données d’applications comme Google Drive, de bases de données comme Microsoft SQL Server et d’entrepôts de données comme Amazon Redshift.
Comment fonctionne un data fabric ?
Un data fabric complet comprend les fonctionnalités suivantes :
- Prise en charge de plusieurs formats de stockage des données. Dans l’idéal, cela doit inclure à la fois des données structurées et non structurées, car la plupart des entreprises disposent des deux.
- Capacités d’ingestion et d’intégration des données. Les données brutes doivent être collectées à partir de toutes les applications pertinentes et transférées vers un emplacement unique, puis l’ensemble des données doit être intégré pour être analysé.
- Plusieurs chemins réseau. Comme les données circulent dans de nombreuses directions différentes, il est important de disposer de plusieurs chemins pour leur transport ; sinon, le réseau risque de ralentir et d’augmenter la latence.
Les data fabrics utilisent l’ingestion et l’intégration pour collecter et analyser les données structurées et non structurées. Les technologies d’ingestion comprennent les processus d’extraction, de transformation et de chargement (ETL), ainsi que les commandes SQL utilisant des outils d’ingestion comme Apache Kafka, Databricks et Amazon Kinesis. L’ingestion automatisée est préférable à l’ingestion manuelle, car elle réduit les risques d’erreur humaine.
Les data fabrics doivent également intégrer les données, c’est-à-dire les nettoyer et les analyser ensemble une fois qu’elles ont été ingérées dans un emplacement central, comme un entrepôt ou un lac de données unique. L’un des principaux composants d’un data fabric consiste à éliminer les silos. Si votre entreprise stocke certaines données clients dans SAP, mais d’autres dans Salesforce, vous risquez de ne pas disposer d’une image précise des profils de vos clients tant que toutes ces données n’auront pas été combinées. Les problèmes potentiels comprennent les doublons ainsi que les informations inexactes ou obsolètes.
En savoir plus sur l’utilisation des data fabrics pour piloter la gestion des données.
À quoi sert un data fabric ?
Les data fabrics sont idéaux pour les entreprises qui stockent leurs données à de nombreux endroits différents, en particulier les grandes entreprises disposant de plusieurs bases de données et autres systèmes de stockage. Les data fabrics peuvent également être utiles pour les opérations de big data, car ils centralisent de grands volumes d’informations. Pour les data fabrics, la flexibilité et l’agilité des données sont essentielles : pour analyser rapidement les informations provenant de plusieurs sources, un data fabric doit déplacer efficacement les données entre les systèmes de stockage.
L’un des inconvénients des data fabrics réside simplement dans les efforts nécessaires à leur mise en place. Il peut falloir des mois pour intégrer toutes ces solutions de stockage et établir de bonnes pratiques de gouvernance des données afin que les données analysées soient de qualité et exactes. Cela peut être particulièrement difficile pour les petites entreprises ou les organisations disposant de petites équipes de business intelligence ou de données.
Qu’est-ce qu’un data mesh ?
Un data mesh est une architecture de gestion des données qui décentralise l’analyse des données depuis une source unique afin de les rendre facilement accessibles à plusieurs services. Un data mesh :
- Considère les données comme un produit de premier ordre. Les données doivent être correctement gouvernées, protégées et valorisées.
- Classe les données en fonction du secteur d’activité concerné. Cela ne signifie pas automatiquement que toutes les données des ressources humaines sont isolées des autres données de l’entreprise, mais que les informations RH sont regroupées.
- Donne accès aux utilisateurs métier les plus proches des données. Les données CRM doivent par exemple être facilement accessibles aux équipes commerciales, tandis que les données comptables doivent l’être pour le service financier.
Une entreprise qui met en œuvre un data mesh peut disposer d’un data lake unique pour toutes ses données structurées et non structurées, tout en classant les métadonnées de manière à faciliter les recherches par catégorie. Les données doivent également être régulièrement vérifiées pour garantir leur exactitude et leur propreté, notamment en supprimant les doublons. Chaque équipe disposerait de son propre compte dans le logiciel de gestion des données de l’entreprise, qu’elle pourrait utiliser pour rechercher les données pertinentes.
L’accès aux données comprend des outils d’analyse qui aident les utilisateurs à comprendre les informations pertinentes pour leur travail. Par exemple, dans une architecture de données d’entreprise traditionnelle, une équipe marketing demanderait un tableau de bord à l’équipe de business intelligence, qui le créerait lorsque la demande arriverait en tête de file ; mais que se passerait-il si l’équipe marketing avait immédiatement besoin de ces données pour une campagne critique ?
Les data meshes mettent directement les données à la disposition de l’équipe appropriée afin qu’elle puisse prendre des décisions plus rapidement. La suppression du goulet d’étranglement lié à la présence d’une seule équipe d’analyse améliore l’efficacité globale, réduit une partie du travail manuel, simplifie l’analyse des données et peut même accroître les revenus. La capacité à agir immédiatement sur les données est essentielle pour de nombreuses équipes commerciales, web et technologiques.
Les data meshes considèrent également les données comme un produit. Cela signifie simplement que les données sont traitées comme un produit, plutôt que comme un concept large ou vague. Elles doivent être correctement gouvernées, protégées et valorisées, tout en étant faciles d’accès et d’utilisation.
Un data mesh nécessite :
- Des règles de gouvernance claires. Toutes les équipes doivent savoir qui est responsable des données spécifiques à leur service et comment cette personne les gérera.
- Des contrôles d’accès. Pour des raisons de sécurité, seules les personnes qui doivent réellement consulter ou modifier les données doivent y avoir accès.
- Une assurance qualité. Les données doivent être nettoyées et organisées afin d’être utiles et exactes pour les équipes qui en ont besoin.
En savoir plus sur les meilleurs outils de gouvernance des données pour gérer de grands ensembles de données.
Comment fonctionne un data mesh ?
Contrairement à la plupart des technologies de stockage, un data mesh est une approche générale de la disponibilité des données d’entreprise, et non une mise en œuvre spécifique de matériel et de logiciels. Son apparence varie selon l’approche de chaque organisation.
Tout d’abord, toutes les équipes doivent disposer de connaissances dans leur domaine et être responsables des données. Cela demande du temps pour former les équipes et développer ces compétences, mais les membres clés doivent apprendre à lire des tableaux et des graphiques, à comprendre quelles données sont importantes et à savoir comment les conserver propres et organisées.
Les équipes doivent également disposer de méthodes sécurisées d’accès aux données. Il peut s’agir de l’authentification unique (SSO) et de l’authentification multifacteur (MFA). Les entreprises doivent mettre en place des contrôles d’accès stricts afin que seuls les utilisateurs qui ont explicitement besoin des données pour effectuer leur travail puissent les consulter ou les modifier.
Comment les utilisateurs métier peuvent-ils trouver facilement les données ? Dans un entrepôt de données ou une base de données, où les données sont structurées, les requêtes doivent être simples et logiques. Dans les magasins d’objets et autres environnements de données non structurées, les métadonnées doivent être cohérentes et faciles à rechercher.
En savoir plus sur les bonnes pratiques de sécurité pour les données stockées.
À quoi sert un data mesh ?
Les data meshes sont utiles à tous les services et équipes de l’entreprise, car ils suppriment les goulets d’étranglement qui entravent l’accès aux informations importantes. Les équipes qui peuvent bénéficier d’une architecture de data mesh comprennent :
- Ventes
- Marketing
- Éditorial
- Référencement naturel
- Médias payants
- Ingénierie
- Produit
- Réseaux sociaux
- Technologies de l’information
Bien que les équipes remplissent des fonctions différentes au sein d’une entreprise, la plupart ont besoin de données exactes et organisées pour prendre des décisions. Parce que les data meshes considèrent les informations comme un produit de premier ordre, ils reconnaissent à quel point les données sont importantes pour les activités de l’entreprise. Les données ne sont plus reléguées au second plan dans le monde de l’entreprise : elles sont devenues une priorité absolue.
La sécurité des données constitue l’un des inconvénients potentiels des architectures de data mesh. Si plusieurs équipes ont accès aux données de l’entreprise, cela peut compromettre les protocoles de sécurité et la conformité. Plus le nombre de personnes pouvant manipuler des informations sensibles est élevé, plus le risque de faille de sécurité augmente. Même si des méthodes comme une gestion stricte des identités et des accès peuvent protéger les données, cela reste un inconvénient pour les entreprises — un risque qui peut être atténué, mais dont la gestion prendra du temps.
Les data meshes sont également difficiles à mettre en œuvre, car chaque équipe doit compter des membres capables de gérer les données et les technologies associées. Chaque équipe peut par exemple avoir besoin d’une personne capable de créer des tableaux de bord et de maîtriser les outils de nettoyage des données. Pour cette raison, les data meshes peuvent être difficiles à déployer avec succès pour la plupart des petites et moyennes entreprises, simplement parce qu’elles ne disposent pas d’un nombre suffisant de collaborateurs.
En résumé : que faut-il savoir ?
Les data fabrics et les data meshes sont tous deux des architectures de données utiles aux entreprises. Les organisations peuvent utiliser les deux, mais elles devront déterminer quand centraliser les données (avec un fabric) et quand les distribuer entre différentes équipes (avec un mesh). Chaque approche présente des avantages, mais nécessite une planification minutieuse et des méthodes de protection des données.Votre entreprise envisage une solution de gestion des données ? Découvrez ensuite les meilleures plateformes de gestion des données.