Data as a Product : une approche concrète pour des données au service des métiers

On y stocke beaucoup, mais on y comprend peu. Et les métiers, eux, peinent à trouver leur intérêt et leur rôle dans un dispositif devenu principalement technique et peu en lien avec leurs besoins d’agilité et de réactivité.
Les raisons sont bien connues : les données sont peu documentées, mal structurées, de mauvaise qualité et souvent limitées pour un besoin bien précis… qui n’existe plus. Or, sans une remise en question de cette logique, aucune stratégie data ne peut porter ses fruits durablement.

Le Data Mesh : une volonté de réponse structurelle à la déconnexion métier
Le Data Mesh propose un changement de paradigme. Plutôt que de chercher à tout centraliser, il remet les métiers au centre du jeu. La promesse du Data Mesh était que chaque domaine fonctionnel devient responsable de ses données, de leur production à leur documentation, en passant par leur mise à disposition. Cette responsabilisation locale s’appuie sur des règles et des standards communs, portés par une gouvernance centrale.
C’est là que le modèle Data Mesh prend tout son sens. Il propose une gouvernance décentralisée : les moyens sont partagés, les responsabilités sont distribuées. L’idée n’est pas de tout déléguer aux métiers, mais de leur redonner la main sur la connaissance qui leur appartient et le moyen de produire de la valeur par leurs données.

Considérer les données comme des produits : une métamorphose culturelle
L’un des piliers du Data Mesh est la notion de "Data as a Product". Ce n’est pas un slogan, c’est un changement de posture. Un produit de donnée, comme tout produit, doit répondre à un besoin, avoir une fiche d’identité claire, une documentation, un responsable, un cycle de vie. Il est conçu pour être consommé, pas simplement stocké. Il est visible, traçable, personnalisable par des filtres et sécurisé.
Cette métamorphose permet d’engager un cercle vertueux : plus la donnée est utile, plus elle est demandée ; plus elle est demandée, plus elle est améliorée ; plus elle est améliorée, plus elle crée de la valeur. Un exemple ? Une liste de fournisseurs créée par la Supply Chain peut être exploitée par la finance, le juridique ou le marketing. Le produit est unique, mais ses usages sont multiples.

Vers une organisation par itérations, portée par les cas d’usage
Mettre en place une démarche Data Product ne se décrète pas. Elle se construit. Par étapes, par priorités, par cas d’usage. On commence généralement par les domaines les plus mûrs, ceux qui ont déjà une culture data ou une transversalité forte. On identifie des "champions" internes, on équipe les premiers produits, on installe une marketplace de données. On acculture, on forme, on accompagne dans l’usage des produits. On assure le service après-vente et la garantie des produits data.
L’intelligence artificielle, grande consommatrice de données, s’invite également dans cette réflexion. Consommatrice de données structurées, elle pousse les organisations à créer des produits data accessibles, traçables, sécurisés. Elle pourrait même, à terme, participer à la génération automatique de produits, ou à leur documentation.

Industrialiser, gouverner, maintenir
Développer une approche Data as a Product signifie également relever de nouveaux défis. La complexité de la gouvernance augmente : qui porte la responsabilité de quoi ? Quels sont les standards à suivre ? Quelle est la méthode pour prévenir les répétitions ? Il devient impératif de passer à l'industrialisation : équipement, automatisation des mises à jour, suivi d'utilisation, gestion des droits.
Il est primordial de considérer les perspectives à long terme. L’offre de Produits Data doit être vivante, en constante évolution et renouvellement. Il faut archiver ou éliminer un produit qui n'est pas utilisé. Il est nécessaire de mettre à jour un produit que les enjeux de compliance nécessitent d’enrichir. Le processus de responsabilisation des catalogues de produits par domaines est un travail permanent.

Une tendance appelée à durer
Au fond, ce qui fait la force de cette approche, c’est sa simplicité. On revient à l’essentiel : la donnée n’est utile que si elle est utilisée. Elle n’a de valeur que si elle est partagée. Elle ne devient un actif que si elle est pilotée.
L’approche Data Mesh dans son ensemble ne sera peut-être jamais totalement déployée dans toutes les organisations car elle nécessite une maturité des organisations très avancée. Mais la logique de Data as a Product, elle, est déjà en marche. Parce qu’elle parle aux métiers. Parce qu’elle oblige à penser valeur. Parce qu’elle redonne un sens concret à la gouvernance des données.
Le modèle Data as a Product serait-il le chaînon manquant d’une stratégie data réellement orientée métier ?