Aujourd'hui, plus que jamais, les organisations cherchent à obtenir un avantage concurrentiel, à offrir plus de valeur aux clients, à réduire les risques et à répondre plus rapidement aux besoins de l'entreprise. Pour atteindre ces objectifs, elles ont besoin d'une vue unique des données précises, cohérentes et fiables – et tout cela en temps réel. Cependant, les volumes croissants et la complexité des données rendent cet objectif difficile à atteindre. À mesure que les données augmentent, les silos de données deviennent plus fréquents, compliquant l'intégration et l'exploitation des informations provenant de sources internes et externes.
Récemment, les architectures Data Fabric ont émergé comme une approche prometteuse pour offrir une visibilité précise à travers l'ensemble de l'entreprise, sans les limites associées aux entrepôts de données, aux lacs de données et à d'autres méthodes d'intégration et de gestion des données. La Data Fabric peut transformer et harmoniser les données provenant de multiples sources à la demande, créant ainsi une source unique, fiable et précise pour tous les consommateurs de données.
La Smart Data Fabric va encore plus loin en intégrant une large gamme de capacités analytiques, y compris l'exploration de données, le décisionnel, le traitement du langage naturel, l'apprentissage automatique et même l'IA générative. Cela permet aux organisations d'acquérir de nouvelles perspectives et de fournir des services et applications prescriptifs intelligents.
Nous recevons souvent des questions sur la manière dont la Data Fabric peut être mise en œuvre pour relever des défis spécifiques à l'industrie.
Voici les réponses à onze questions courantes.
Comment la data fabric peut être appliquée pour relever les défis spécifiques de chaque secteur ?
Question 1 : La gouvernance des données et la Data Fabric sont-elles la même chose ?
La gouvernance des données et la Data Fabric sont liées mais elles sont très différentes. La gouvernance des données est un ensemble d'initiatives globales visant à définir et à faire respecter la qualité, l'utilisation et la sécurité des données au sein d'une organisation. Elle inclut des politiques, des normes, des processus, des règles, des rôles et responsabilités, des privilèges, et bien plus encore.
En revanche, une Data Fabric est un modèle architectural qui cherche à créer une cohérence entre toutes les données et métadonnées d'une organisation pour faciliter leur recherche, accès et utilisation. Elle est un composant essentiel d'un programme de gouvernance des données réussi.
Question 2 : Quelles solutions une data fabric apporte-t-elle aux problèmes disparates liés aux données dans le secteur des services financiers ?
Bien que les organisations de services financiers nous présentent une multitude de problèmes découlant de questions disparates liées aux données, 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 data fabric 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. Elle alimente ainsi tous les consommateurs de données, qu'il s'agisse des utilisateurs métier, des applications, des data scientists, des clients, des régulateurs, etc.
Elle offre également une couche de métadonnées cohérente et globale, ainsi qu'une couche sémantique qui maintient les relations entre les différentes données et métadonnées. Une data fabric élimine les erreurs et les redondances introduites par la maintenance de plusieurs entrepôts de données destinés à différents consommateurs. Elle permet aux données d'être optionnellement persistées ou virtualisées (non persistées), de gérer les flux de données en temps réel ainsi que les données par lots à grande échelle, de gérer nativement une grande variété de types de données, y compris les données non structurées, et d’intégrer des analyses pour un traitement analytique avancé en temps réel sans déplacer les données vers un environnement différent pour les analyses (Smart Data Fabric).
En général, une data fabric 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. Elle alimente ainsi tous les consommateurs de données, qu'il s'agisse des utilisateurs métier, des applications, des data scientists, des clients, des régulateurs, etc.
Elle offre également une couche de métadonnées cohérente et globale, ainsi qu'une couche sémantique qui maintient les relations entre les différentes données et métadonnées. Une data fabric élimine les erreurs et les redondances introduites par la maintenance de plusieurs entrepôts de données destinés à différents consommateurs. Elle permet aux données d'être optionnellement persistées ou virtualisées (non persistées), de gérer les flux de données en temps réel ainsi que les données par lots à grande échelle, de gérer nativement une grande variété de types de données, y compris les données non structurées, et d’intégrer des analyses pour un traitement analytique avancé en temps réel sans déplacer les données vers un environnement différent pour les analyses (Smart Data Fabric).
Question 3 : Jey Amalraj, CTO de Harris Associates, une firme de gestion d'actifs dans les services financiers gérant plus de 100 milliards de dollars d'actifs, a partagé son expérience lors du Sommet Mondial d'InterSystems sur l’exploitation d’une Smart Data Fabric pour les services financiers.
Quel était son message principal ?
Quel était son message principal ?
Harris Associates est l'un de nos clients, et Jey dirige depuis des décennies des projets de gestion des données dans le secteur des services financiers. Leur besoin principal est exactement celui mentionné précédemment : créer une source unique de vérité couvrant toutes les sources de données, pour servir tous leurs consommateurs de données. Il a travaillé avec la plupart des différentes technologies de gestion des données tout au long de sa carrière, incluant les intégrations point à point, les plateformes d'intégration, les data marts, les data lakes, et bien d'autres encore.
Sa déclaration à propos de la Data Fabric est la suivante : "Je travaille avec les données depuis 25 ans. Nous avons testé plusieurs solutions. Nous avons enfin trouvé quelque chose qui fonctionne."
Sa déclaration à propos de la Data Fabric est la suivante : "Je travaille avec les données depuis 25 ans. Nous avons testé plusieurs solutions. Nous avons enfin trouvé quelque chose qui fonctionne."
Question 4 : Comment implémentez-vous une Data Fabric pour les services financiers ?
Une caractéristique essentielle de la Data Fabric est qu'elle n'entraîne aucune perturbation de l'infrastructure technique existante d'une organisation, sans nécessiter de remplacement complet. Une approche efficace consiste à définir des projets bien ciblés qui peuvent apporter une valeur commerciale mesurable à court terme (quelques semaines ou mois), en exposant et en connectant des données prêtes à être réutilisées pour des projets futurs, tout en procédant de manière incrémentale pour éviter les déploiements massifs et prolongés. Pour ceux d'entre nous qui possèdent une expérience, c'est précisément la méthode que nous avons utilisée pour les initiatives d'architecture orientée services à la fin des années 1990 et au début des années 2000.
Il existe plusieurs façons de déployer une Data Fabric. Une méthode consiste à implémenter et intégrer diverses solutions de gestion de données existantes, telles que la gestion de bases de données relationnelles et non relationnelles, l'intégration, le catalogue de données, les workflows, l'intelligence d'affaires, l'apprentissage automatique, ainsi que la gestion des métadonnées et des données sémantiques. Nous avons observé que les organisations utilisant cette approche aboutissent souvent à une architecture complexe et peu efficace, lente à déployer, difficile à maintenir, avec des performances insuffisantes et une utilisation inefficace des ressources d'infrastructure. En revanche, il est recommandé de privilégier une plateforme de données qui regroupe de nombreuses fonctionnalités nécessaires en un seul produit ou une seule plateforme. Un de nos clients, un acteur majeur de la fintech, a réussi à remplacer huit technologies différentes par notre produit unique, multipliant par neuf les performances tout en utilisant seulement 30 % des ressources d'infrastructure antérieures, et cela, avec une architecture nettement simplifiée.
Il existe plusieurs façons de déployer une Data Fabric. Une méthode consiste à implémenter et intégrer diverses solutions de gestion de données existantes, telles que la gestion de bases de données relationnelles et non relationnelles, l'intégration, le catalogue de données, les workflows, l'intelligence d'affaires, l'apprentissage automatique, ainsi que la gestion des métadonnées et des données sémantiques. Nous avons observé que les organisations utilisant cette approche aboutissent souvent à une architecture complexe et peu efficace, lente à déployer, difficile à maintenir, avec des performances insuffisantes et une utilisation inefficace des ressources d'infrastructure. En revanche, il est recommandé de privilégier une plateforme de données qui regroupe de nombreuses fonctionnalités nécessaires en un seul produit ou une seule plateforme. Un de nos clients, un acteur majeur de la fintech, a réussi à remplacer huit technologies différentes par notre produit unique, multipliant par neuf les performances tout en utilisant seulement 30 % des ressources d'infrastructure antérieures, et cela, avec une architecture nettement simplifiée.
Question 5 : Parlons des chaînes d'approvisionnement. Elles génèrent d'énormes quantités de données provenant de diverses sources. Est-ce que l'implémentation d'une Data Fabric peut résoudre les défis des chaînes d'approvisionnement ?
Absolument ! Les chaînes d'approvisionnement sont un terrain propice à l'adoption d'une Data Fabric, étant donné leur ampleur, leur diversité et leur complexité, impliquant de multiples organisations avec leurs propres ensembles de données et applications.
Les entreprises ont besoin d'une visibilité en temps réel sur toute la chaîne d'approvisionnement, depuis la production jusqu'à la distribution, afin de surveiller facilement le statut de leurs produits et de réagir rapidement aux problèmes imprévus et aux interruptions dès qu'ils surviennent.
Les entreprises ont besoin d'une visibilité en temps réel sur toute la chaîne d'approvisionnement, depuis la production jusqu'à la distribution, afin de surveiller facilement le statut de leurs produits et de réagir rapidement aux problèmes imprévus et aux interruptions dès qu'ils surviennent.
Question 6 : Qu'en est-il des perturbations dans les opérations de la chaîne d'approvisionnement ?
La gestion rapide et efficace des perturbations représente la principale préoccupation des opérations de la chaîne d'approvisionnement. Ces perturbations, fréquentes, sont parmi les défis les plus complexes auxquels les entreprises doivent faire face.
Une tour de contrôle intelligente doit non seulement assurer une visibilité en temps réel de bout en bout, mais également fournir des prévisions sur la probabilité de ces perturbations, évaluer leur impact sur l'entreprise, et proposer une série d'options prescriptives basées sur les données pour anticiper et, si nécessaire, gérer ces perturbations en temps réel lorsqu'elles surviennent.
Les événements géopolitiques, les pénuries de main-d'œuvre, les ruptures d'approvisionnement, les variations climatiques et les changements rapides dans la demande des consommateurs peuvent tous influencer l'équilibre entre l'offre et la demande.
Les organisations peuvent améliorer leur processus décisionnel basé sur les données en utilisant une Data Fabric avec des analyses intégrées, ce qui permet d'atteindre un niveau supérieur de support décisionnel et de résultats automatisés.
Une tour de contrôle intelligente doit non seulement assurer une visibilité en temps réel de bout en bout, mais également fournir des prévisions sur la probabilité de ces perturbations, évaluer leur impact sur l'entreprise, et proposer une série d'options prescriptives basées sur les données pour anticiper et, si nécessaire, gérer ces perturbations en temps réel lorsqu'elles surviennent.
Les événements géopolitiques, les pénuries de main-d'œuvre, les ruptures d'approvisionnement, les variations climatiques et les changements rapides dans la demande des consommateurs peuvent tous influencer l'équilibre entre l'offre et la demande.
Les organisations peuvent améliorer leur processus décisionnel basé sur les données en utilisant une Data Fabric avec des analyses intégrées, ce qui permet d'atteindre un niveau supérieur de support décisionnel et de résultats automatisés.
Question 7 : Une stratégie basée sur la Data Fabric est-elle la voie vers la transformation numérique de la chaîne d'approvisionnement ?
Si oui, qu'est-ce que cela implique concrètement ?
Si oui, qu'est-ce que cela implique concrètement ?
Absolument. La plupart des organisations adoptent une stratégie de plateforme de données axée sur "l'analyse et l'intelligence décisionnelle" pour atteindre leurs objectifs de transformation numérique de la chaîne d'approvisionnement.
Pour ce faire, elles nécessitent une architecture moderne capable d'harmoniser et de normaliser les données en temps réel à partir de sources disparates, de simuler les processus métier et d'intégrer des capacités d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour permettre une prise de décision dynamique et optimisée au niveau opérationnel. Concrètement, des modèles de maturité numérique standardisés dans l'industrie peuvent guider ce processus.
Il commence par la compréhension des besoins organisationnels et des indicateurs de performance clés (KPI), puis progresse par l'adoption d'une architecture de base de Data Fabric et le développement de processus pour avancer de manière incrémentielle vers des niveaux supérieurs de maturité numérique, culminant en une chaîne d'approvisionnement prédictive, autonome et adaptative.
Pour ce faire, elles nécessitent une architecture moderne capable d'harmoniser et de normaliser les données en temps réel à partir de sources disparates, de simuler les processus métier et d'intégrer des capacités d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour permettre une prise de décision dynamique et optimisée au niveau opérationnel. Concrètement, des modèles de maturité numérique standardisés dans l'industrie peuvent guider ce processus.
Il commence par la compréhension des besoins organisationnels et des indicateurs de performance clés (KPI), puis progresse par l'adoption d'une architecture de base de Data Fabric et le développement de processus pour avancer de manière incrémentielle vers des niveaux supérieurs de maturité numérique, culminant en une chaîne d'approvisionnement prédictive, autonome et adaptative.
Question 8 : Avez-vous des exemples à partager avec nous ?
Bien sûr, nous avons de nombreux exemples de clients qui utilisent une Smart Data Fabric dans leur chaîne d'approvisionnement pour obtenir des résultats exceptionnels.
L'un de nos clients est le plus grand grossiste de médicaments et de cosmétiques au Japon. Chaque année, ils distribuent 50 000 produits différents provenant de 1 000 fabricants à 400 détaillants, opérant plus de 50 000 magasins. Cela représente un total impressionnant de 3,5 milliards de produits distribués !
Grâce à cette approche, ils atteignent une précision de livraison de 99,999 % dans les délais et en quantité complète (OTIF), comparée à une moyenne industrielle d'environ 65 %.
Cela signifie que sur chaque lot de 100 000 produits livrés, 99 999 arrivent chez le client à la fois dans les délais et en quantité complète.
C'est un résultat remarquable.
L'un de nos clients est le plus grand grossiste de médicaments et de cosmétiques au Japon. Chaque année, ils distribuent 50 000 produits différents provenant de 1 000 fabricants à 400 détaillants, opérant plus de 50 000 magasins. Cela représente un total impressionnant de 3,5 milliards de produits distribués !
Grâce à cette approche, ils atteignent une précision de livraison de 99,999 % dans les délais et en quantité complète (OTIF), comparée à une moyenne industrielle d'environ 65 %.
Cela signifie que sur chaque lot de 100 000 produits livrés, 99 999 arrivent chez le client à la fois dans les délais et en quantité complète.
C'est un résultat remarquable.
Question 9 : Explorons maintenant la mise en oeuvre d'une Data Fabric dans les industries manufacturières. Quels sont ses avantages ?
L'Industrie 4.0 vise à numériser l'environnement manufacturier et à favoriser la convergence OT/IT pour rationaliser l'ensemble de la chaîne de processus, améliorer l'efficacité et la réactivité. Il ne s'agit pas seulement de créer des jumeaux numériques pour l'usine. Une Data Fabric peut couvrir l'approvisionnement, la fabrication, l'assemblage et la distribution, incluant la planification de la chaîne d'approvisionnement (SCP), la planification des ressources de fabrication (MRP), les systèmes d'exécution de la fabrication (MES), la planification des ressources d'entreprise (ERP), la gestion de la relation client (CRM), la gestion du cycle de vie des produits (PLM), la gestion des stocks, et bien plus encore, pour offrir une visibilité complète et intégrée.
Tout comme dans la chaîne d'approvisionnement, une Smart Data Fabric dotée de capacités d'analyse avancées peut fournir des analyses prédictives et prescriptives. Par exemple, elle peut contribuer à la maintenance prédictive pour assurer le fonctionnement continu des lignes de production critiques, équilibrer l'approvisionnement en fonction des fluctuations prévues de la demande, et optimiser la gestion des effectifs.
Tout comme dans la chaîne d'approvisionnement, une Smart Data Fabric dotée de capacités d'analyse avancées peut fournir des analyses prédictives et prescriptives. Par exemple, elle peut contribuer à la maintenance prédictive pour assurer le fonctionnement continu des lignes de production critiques, équilibrer l'approvisionnement en fonction des fluctuations prévues de la demande, et optimiser la gestion des effectifs.
Question 10 : Quels problèmes une Data Fabric peut-elle résoudre dans l'industrie de la santé ?
Nous observons de nombreuses applications pratiques d'une Data Fabric auprès de nos clients du secteur de la santé. L'un de nos clients, un centre médical universitaire, avait besoin d'un point d'entrée centralisé permettant aux utilisateurs internes et externes d'accéder aux informations dispersées dans les nombreux silos de données de l'organisation. La Data Fabric agit comme une couche de service API, facilitant l'accès en temps réel aux informations pour les utilisateurs finaux autorisés et d'autres clients, en traitant les données réparties entre leur entrepôt de données d'entreprise, leur lac de données, leur dossier médical électronique et d'autres silos.
Pour répondre aux exigences réglementaires, ils emploient la Data Fabric comme une façade FHIR pour les données relationnelles stockées dans leur entrepôt de données d'entreprise. Le centre médical profite également de l'utilisation de la Smart Data Fabric comme couche d'analyse, permettant aux analystes et aux outils d'analyse d'explorer et de générer des rapports sur les données provenant de différentes sources. Cette méthode intègre des informations presque en temps réel avec les données stockées dans leur système de stockage à long terme traditionnel, offrant ainsi des analyses plus actuelles et révélant de nouvelles informations et tendances qui seraient autrement restées occultées dans les silos de données.
Pour répondre aux exigences réglementaires, ils emploient la Data Fabric comme une façade FHIR pour les données relationnelles stockées dans leur entrepôt de données d'entreprise. Le centre médical profite également de l'utilisation de la Smart Data Fabric comme couche d'analyse, permettant aux analystes et aux outils d'analyse d'explorer et de générer des rapports sur les données provenant de différentes sources. Cette méthode intègre des informations presque en temps réel avec les données stockées dans leur système de stockage à long terme traditionnel, offrant ainsi des analyses plus actuelles et révélant de nouvelles informations et tendances qui seraient autrement restées occultées dans les silos de données.
Question 11 : Y a-t-il autre chose à dire ?
De nombreux analystes recommandent l'architecture Data Fabric comme l'approche privilégiée pour de nombreux cas d'utilisation, en particulier lorsqu'il s'agit de gérer des données disparates et hétérogènes.
Nous conseillons aux équipes techniques de collaborer étroitement avec les directions métiers afin d'identifier les cas d'utilisation qui peuvent apporter le plus de valeur à l'organisation et de les mettre en œuvre par étapes, chacune apportant une valeur ajoutée mesurable.
Nous recommandons également de travailler avec un partenaire de confiance possédant une expérience éprouvée auprès d'organisations similaires et dans des cas d'utilisation comparables, pour aider à définir la stratégie, appliquer les meilleures pratiques et assurer la mise en œuvre.
Nous conseillons aux équipes techniques de collaborer étroitement avec les directions métiers afin d'identifier les cas d'utilisation qui peuvent apporter le plus de valeur à l'organisation et de les mettre en œuvre par étapes, chacune apportant une valeur ajoutée mesurable.
Nous recommandons également de travailler avec un partenaire de confiance possédant une expérience éprouvée auprès d'organisations similaires et dans des cas d'utilisation comparables, pour aider à définir la stratégie, appliquer les meilleures pratiques et assurer la mise en œuvre.