Onze questions et réponses courantes

La gouvernance des données et la fabrication des données sont liées, mais elles sont très différentes. La gouvernance des données est un ensemble d'initiatives visant à définir et à renforcer la qualité, l'utilisation et la sécurité des données au sein d'une organisation. Il comprend des politiques, des normes, des processus, des règles, des rôles et des responsabilités, des privilèges, etc. En revanche, un tissu de données est un modèle architectural qui s'efforce de créer une cohérence entre toutes les données et métadonnées d'une organisation afin de faciliter la recherche, l'accès et l'utilisation des données. Un tissu de données peut être un élément essentiel d'un programme de gouvernance des données réussi.

Bien que les organisations de services financiers s'adressent à nous avec un large éventail de problèmes liés à des données disparates, la solution principale pour toutes ces organisations est une architecture de données moderne qui garantit que tous les consommateurs de données ont accès à un ensemble cohérent d'informations précises, actuelles, fiables et sécurisées.

En général, une structure de données fournit une approche moderne pour créer une source unique de vérité à partir de toutes les sources de données déconnectées, disparates et dissemblables à l'intérieur et à l'extérieur de l'organisation qui alimente tous les consommateurs de données, qu'il s'agisse d'utilisateurs professionnels, d'applications, de scientifiques de données, de clients, de régulateurs, et ainsi de suite. Il fournit également une couche de métadonnées cohérente et globale, ainsi qu'une couche sémantique qui maintient les relations entre les différentes données et métadonnées. Un tissu de données peut éliminer les erreurs et les redondances introduites par la gestion de plusieurs référentiels de données individuels qui servent différents consommateurs de données. Il doit permettre la persistance ou la virtualisation (non persistante) des données, traiter les données en continu en temps réel ainsi que les données par lots à grande échelle, être capable de gérer en mode natif une grande variété de types de données, y compris les données non structurées (multi-modèle), et disposer d'analyses intégrées pour un traitement analytique avancé en temps réel sans déplacer les données vers un environnement différent pour l'analyse( tissu de donnéesintelligentes ).

Harris Associates est l'un de nos clients, et Jey dirige des initiatives de gestion des données dans le secteur des services financiers depuis des décennies. Leur principale exigence est exactement ce qui a été mentionné précédemment : créer une source unique de vérité couvrant toutes les sources de données et servant à tous les consommateurs de données. Au cours de sa carrière, il a travaillé avec la plupart des différentes technologies de gestion des données, y compris les intégrations point à point, les plates-formes d'intégration, les marteaux de données, les lacs de données, etc

. Nous avons travaillé avec plusieurs solutions. Nous avons enfin trouvé quelque chose qui fonctionne"

L'une des principales caractéristiques des tissus de données est qu'ils ne perturbent pas l'infrastructure technique existante d'une organisation. Une bonne approche de mise en œuvre consiste à définir des projets bien ciblés qui peuvent apporter une valeur commerciale mesurable à court terme (quelques semaines ou mois), qui exposent et connectent des données prêtes à être réutilisées pour des projets futurs, et à travailler de manière incrémentale, en évitant les mises en œuvre " big bang " pluriannuelles. Pour ceux d'entre nous qui sont là depuis un certain temps, c'est exactement la façon dont nous avons abordé les initiatives d'architecture orientée services à la fin des années 90 et au début des années 2000.

Il existe de nombreuses façons de mettre en œuvre une structure de données. L'une des solutions consiste à mettre en œuvre et à intégrer de nombreuses solutions de gestion des données, par exemple pour la gestion des bases de données relationnelles et non relationnelles, l'intégration, la couche de mise en cache, le catalogue de données, le flux de travail, la veille stratégique, l'apprentissage automatique, la gestion des métadonnées et des données sémantiques, etc. Nous avons constaté que les organisations qui tentent cette approche se retrouvent généralement avec une architecture complexe et inefficace qui est lente à déployer, difficile à maintenir, qui manque de performance et qui est inefficace dans son utilisation des ressources de l'infrastructure. L'approche recommandée consiste plutôt à rechercher une technologie de plateforme de données qui offre plusieurs des fonctionnalités requises dans un seul produit ou une seule plateforme. L'un de nos clients, un fournisseur de logiciels fintech de 5 milliards de dollars, a été en mesure de remplacer huit technologies différentes par notre seul produit, en obtenant des performances neuf fois supérieures avec seulement 30 % de l'infrastructure, et avec une architecture beaucoup plus simple.

Absolument ! Les chaînes d'approvisionnement sont un domaine parfait pour les tissus de données parce qu'elles sont vastes, disparates et complexes, couvrant de nombreuses organisations différentes, toutes avec leurs propres piles de données et d'applications dissemblables. Les entreprises ont besoin d'une visibilité en temps réel sur l'ensemble du continuum de l'approvisionnement à la distribution pour comprendre facilement l'état de millions ou potentiellement de milliards de composants et réagir aux problèmes inattendus et aux perturbations dès qu'ils se produisent.

La gestion rapide et efficace des perturbations est le principal enjeu des opérations de la chaîne d'approvisionnement. Les perturbations sont un phénomène constant et l'un des problèmes les plus difficiles à résoudre pour une organisation dans le domaine de la chaîne d'approvisionnement. Une tour de contrôle intelligente doit non seulement offrir une visibilité en temps réel de bout en bout, mais aussi fournir des informations prédictives sur la probabilité de perturbations, calculer l'impact sur l'entreprise et présenter un ensemble d'options prescriptives fondées sur des données pour prévenir les perturbations potentielles à l'avance ou les gérer en temps réel lorsqu'elles se produisent. Par exemple, les événements géopolitiques, les pénuries de main-d'œuvre, les ruptures d'approvisionnement, les conditions météorologiques et l'évolution rapide de la demande des consommateurs peuvent tous avoir un impact sur l'offre et la demande. Les organisations peuvent accélérer la prise de décision basée sur les données en exploitant un tissu de données avec des analyses intégrées pour atteindre un niveau plus élevé d'aide à la décision et des résultats axés sur l'automatisation.

Oui, tout à fait. La plupart des organisations adoptent une stratégie de plateforme de données "analytique et décisionnelle" pour atteindre leurs objectifs de transformation numérique dans la chaîne d'approvisionnement. Pour ce faire, elle a besoin d'une architecture moderne capable d'harmoniser et de normaliser en temps réel des données provenant de n'importe quelle source de données disparate, de simuler des processus métier et de fournir des capacités d'IA et de ML pour permettre une prise de décision dynamique optimisée au niveau de la ligne d'activité. Dans la pratique, il existe des modèles de maturité numérique normalisés par l'industrie qui peuvent fournir des orientations. La progression commence par la compréhension des besoins de l'organisation et des indicateurs clés de performance, puis par l'exploitation d'une architecture de base de données et le développement de processus pour progresser progressivement vers les niveaux supérieurs de maturité numérique, c'est-à-dire la réalisation d'une chaîne d'approvisionnement prédictive, autonome et adaptative.

Bien entendu, nous avons de nombreux exemples de clients qui tirent parti d'un tissu de données intelligentes dans la chaîne d'approvisionnement pour obtenir des résultats exceptionnels. L'un de nos clients est le plus grand grossiste de médicaments et de cosmétiques du Japon. Ils distribuent 50 000 produits différents provenant de 1 000 fabricants différents à 400 détaillants différents qui exploitent plus de 50 000 magasins par an. Cela représente un total de 3,5 milliards de produits par an ! Grâce à cette approche, ils atteignent un taux de précision de 99,999 % pour les livraisons "On Time In Full" (OTIF), alors que la moyenne du secteur est d'environ 65 %. Cela signifie que pour 100 000 produits livrés, 99 999 sont livrés au client dans les délais et dans leur intégralité. C'est une réussite incroyable.

L'industrie 4.0 consiste à numériser l'environnement de fabrication et à permettre la convergence OT/IT afin de rationaliser l'ensemble de la chaîne de processus et d'améliorer l'efficacité et la réactivité. Et il ne s'agit pas seulement de créer des jumeaux numériques pour l'usine. Un tissu de données peut couvrir l'approvisionnement à travers la fabrication, l'assemblage et la distribution, y compris SCP, MRP, MES, ERP, CRM, PLM, la gestion des stocks, et plus encore, afin de fournir une véritable visibilité de bout en bout. Et comme pour la chaîne d'approvisionnement, un tissu de données intelligent qui intègre des capacités d'analyse avancées peut fournir des analyses prédictives et prescriptives, par exemple pour informer la maintenance prédictive afin de maintenir les lignes de production critiques en fonctionnement, pour équilibrer l'offre avec les fluctuations prévues de la demande et pour optimiser la dotation en personnel.

Nous voyons également de nombreuses applications pratiques d'un tissu de données avec nos clients du secteur de la santé. L'un de nos clients, un centre médical universitaire, avait besoin d'un point d'entrée centralisé pour que les consommateurs internes et externes puissent accéder aux informations réparties dans les nombreux silos de données de l'organisation. La structure de données sert de couche de service API, permettant aux utilisateurs finaux autorisés et à d'autres clients d'accéder aux informations en temps réel pour soutenir leurs applications en temps réel qui accèdent et traitent les données réparties entre les entrepôts de données de l'entreprise, le lac de données, le DME et d'autres silos. Pour satisfaire aux exigences réglementaires, ils utilisent la structure de données comme façade FHIR pour les données relationnelles qui résident dans leur entrepôt de données d'entreprise. Le centre médical bénéficie également de l'utilisation de la structure de données intelligente comme couche analytique pour permettre aux analystes et aux outils d'analyse d'explorer et d'établir des rapports sur les données provenant de différentes sources, en incorporant des informations en temps quasi réel aux données résidant dans leur stockage traditionnel à long terme pour des analyses plus récentes, en découvrant de nouvelles perspectives et de nouveaux modèles qui auraient autrement été cachés dans les silos de données.

De nombreux analystes du secteur présentent l'architecture de la structure de données comme l'approche privilégiée pour de nombreux cas d'utilisation, en particulier lorsqu'il s'agit de gérer un grand nombre de données disparates et dissemblables. Cependant, il peut être difficile de se lancer dans l'aventure. Nous recommandons que les équipes techniques d'une organisation travaillent en étroite collaboration avec les parties prenantes du secteur d'activité afin d'identifier les cas d'utilisation qui peuvent apporter le plus de valeur à l'organisation et de les mettre en œuvre dans le cadre de sprints qui apportent chacun une valeur commerciale mesurable. Nous recommandons également de travailler avec un partenaire de confiance qui a une expérience éprouvée avec des organisations et des cas d'utilisation similaires pour aider à la stratégie, aux meilleures pratiques et à la mise en œuvre.