Post de M13h

La gouvernance des usages de la donnée, corollaire de la data governance. DG4BV propose des réflexions et des recommandations sur la façon dont les entreprises peuvent mieux tirer parti de leurs investissements sur l'analyse des données, le reporting et le pilotage, en mettant en place des pratiques qui encouragent une collaboration structurée et durable entre les équipes métiers et les équipes des services informatiques (I.T.). Pour camper le sujet, nous vous présentons une vision simple qui prévaut à la définition des rôles et responsabilités au sein de l'organisation : la distinction claire entre 2 concepts essentiels, les Data Assets et les Analytics Products. Conviction établie sur plusieurs décennies de projets et de consulting autour de la Data et des Analytics, cette vision fonde notre démarche et nos méthodes. Nous y revenons systématiquement dans les ateliers de cadrage et nos recommandations. Les Analytics Products (AP) sont les interfaces applicatives livrées aux métiers par l'IT, dans une forme qui correspond aux usages attendus, tels que définis conjointement entre métiers et IT.   Les Data Assets sont les données modélisées et sécurisées par l’IT sur la base des règles énoncées par les métiers , et qui sont consommées par les Analytics Products. Vous souhaitez en savoir plus ? Nous challenger sur ces sujets ? Contactez-nous sur contact@dg4bv.com

[Fiabilisation des Data Products : 5 dimensions essentielles pour garantir leur qualité] Dans les projets Data, la qualité des données est trop souvent perçue comme un détail technique, alors qu’elle est au cœur de l’adoption et de la confiance des équipes métier. Pour garantir des Data Products fiables et utiles, cinq dimensions clés de la qualité des données doivent être prises en compte. 1. Complétude : assurer une base solide 2. Validité : respecter les standards 3. Précision : refléter la réalité 4. Cohérence : éviter les contradictions 5. Fraîcheur : garantir l’actualité Comprendre d’emblée les différents leviers de fiabilisation de la donnée permet de : - Structurer la mise en qualité des données pour attribuer les tâches aux équipes pertinentes => Ex : les équipes « MDM » s’occupent de la complétude de la donnée, les équipes Contrôle de gestion s’occupent de la cohérence des données…etc - Impliquer les équipes métier sur les actions pertinentes, sur un sujet supposément « technique uniquement » => Ex : les équipes Contrôle de gestion ont la compréhension du business et de l’historique du reporting. Elles sauront identifier les valeurs aberrantes - Créer une boucle technico-fonctionnelle de fiabilisation des données renforçant la collaboration des équipes techniques et métier => Ex : les équipes Finance et IT sont amenées à travailler sur des process communs pour atteindre un objectif commun Chez ClearDataX, nous accompagnons nos clients pour intégrer ces 5 dimensions dès la conception des Data Products. Grâce à des tests standards et une collaboration étroite entre IT et métier, nous garantissons des données exploitables, fiables, et stratégiques. Résultat : des projets Data qui inspirent confiance et génèrent de la valeur durablement, dans toute l’organisation. --- Moi c’est Ahmet, co-fondateur de ClearDataX. Avec Lirav Duvshani, on accompagne nos clients sur tout projet Data et / ou Finance. On leur permet notamment de valoriser et fiabiliser leurs données, tout en renforçant l’engagement des équipes Métier. Un projet Data et / ou Finance ? Parlons-en !

[Qualité des données : le chaînon manquant des Data Products] Chez KPMG, en travaillant sur des projets stratégiques pour de grands clients, j’ai souvent constaté un point faible majeur : la qualité des données, trop souvent négligée dès la conception des projets. Prenons le cas d’une entreprise qui développe une « application » (= Data Product) destinée à alimenter les reportings Finance. Voici ce que j’ai pu observer : - Données non fiabilisées dès le départ : --> Anomalies dans les hiérarchies (produits, organisations, canaux de distribution…) et absence de contrôles qualité automatiques => Ex : hiérarchies non-MECE (Mutually Exclusive, Collectively Exhaustive) - Maintenance difficile : --> Corrections manuelles nécessaires pour chaque MAJ des données à cause de règles d’exclusion implémentées en « one-shot » => Ex : exclusion d’une entité spécifique pour une période donnée - Manque de confiance : --> Hésitation des utilisateurs finaux (Finance, Top Management…) à s’appuyer sur les insights produits Les conséquences : Une perte de temps, des coûts supplémentaires, et surtout une organisation qui n’est pas (encore) data-driven. Chez ClearDataX, nous adoptons une approche proactive pour garantir des Data Products fiables et pérennes : - Contrôles qualité dès la phase de développement : mise en place de checks automatisés dans les pipelines - Collaboration technique et métier : implication des utilisateurs finaux pour s’assurer que les règles de gestion répondent à leurs besoins et sont implémentées de façon maintenable sur le long-terme - Suivi continu : surveillance et amélioration des Data Products, même après leur déploiement Résultat : Un Data Product n’est plus un projet “one-shot” mais un actif stratégique fiable sur le long terme. --- Moi c’est Ahmet, co-fondateur de ClearDataX. Avec Lirav Duvshani, on accompagne nos clients sur tout projet Data et / ou Finance. On leur permet notamment de valoriser et fiabiliser leurs données, tout en renforçant l’engagement des équipes Métier. Un projet Data et / ou Finance ? Parlons-en !

Ceci est la phobie des Chief Data Officer. Les flux de données qui s’entremêlent dans tous les sens. Au fil des années et sans méthode, le système de flux de données peut vite devenir une vraie toile d’araignée.🕸️  🕷️ Il est alors facile de se perdre dans ce dédale de données. Entre les extractions, les transformations, les chargements et les intégrations, chaque flux a son propre chemin à suivre. Et comme une toile d'araignée complexe, il est crucial de garder une trace de chaque fil pour éviter les enchevêtrements et les embûches. Mais même les meilleurs data engineers peuvent parfois se retrouver pris au piège, surtout lorsque les flux se multiplient et que les exigences deviennent de plus en plus complexes. C'est à ce moment-là qu'une planification minutieuse, une organisation efficace et une communication claire deviennent essentielles pour naviguer avec succès à travers ce labyrinthe de données. Pour éviter les complications, voici quelques bonnes pratiques à garder à l'esprit : 🔍 Séparer les flux en demi-flux avec des patterns : 1. Sources vers un système de stockage comme un datalake : Centralisez toutes vos données brutes à partir de différentes sources dans un datalake pour une accessibilité facile et une analyse ultérieure. 2. Système de stockage vers un datawarehouse : Transformez les données du datalake en un format structuré et optimisé pour le reporting dans un datawarehouse. 3. Datawarehouse vers datamart : Créez des datamarts spécialisés pour des cas d'utilisation spécifiques, facilitant ainsi l'accès aux données pour les utilisateurs métier. 4. Datamart vers reporting : Utilisez les données des datamarts pour générer des rapports et des analyses pour prendre des décisions éclairées. L’architecture des flux dans un SI est le fondement de son bon fonctionnement. Bien conçue, elle assure une circulation fluide et sécurisée des données, garantissant ainsi une prise de décision éclairée et une efficacité opérationnelle maximale.

[Fiabilisation des Data Products : 5 dimensions essentielles pour garantir leur qualité] Dans les projets Data, la qualité des données est trop souvent perçue comme un détail technique, alors qu’elle est au cœur de l’adoption et de la confiance des équipes métier. Pour garantir des Data Products fiables et utiles, cinq dimensions clés de la qualité des données doivent être prises en compte. 1.      Complétude : assurer une base solide 2.      Validité : respecter les standards 3.      Précision : refléter la réalité 4.      Cohérence : éviter les contradictions 5.      Fraîcheur : garantir l’actualité Comprendre d’emblée les différents leviers de fiabilisation de la donnée permet de : - Structurer la mise en qualité des données pour attribuer les tâches aux équipes pertinentes => Ex : les équipes « MDM » s’occupent de la complétude de la donnée, les équipes Contrôle de gestion s’occupent de la cohérence des données…etc - Impliquer les équipes métier sur les actions pertinentes, sur un sujet supposément « technique uniquement » => Ex : les équipes Contrôle de gestion ont la compréhension du business et de l’historique du reporting. Elles sauront identifier les valeurs aberrantes - Créer une boucle technico-fonctionnelle de fiabilisation des données renforçant la collaboration des équipes techniques et métier => Ex : les équipes Finance et IT sont amenées à travailler sur des process communs pour atteindre un objectif commun Chez ClearDataX, nous accompagnons nos clients pour intégrer ces 5 dimensions dès la conception des Data Products. Grâce à des tests standards et une collaboration étroite entre IT et métier, nous garantissons des données exploitables, fiables, et stratégiques. Résultat : des projets Data qui inspirent confiance et génèrent de la valeur durablement, dans toute l’organisation. --- Moi c’est Ahmet, co-fondateur de ClearDataX. Avec Lirav, on accompagne nos clients sur tout projet Data et / ou Finance. On leur permet notamment de valoriser et fiabiliser leurs données, tout en renforçant l’engagement des équipes Métier. Un projet Data et / ou Finance ? Parlons-en !

Utiliser vos données pour en tirer des avantages concurrentiels et permettre à toutes vos équipes de les exploiter de façon unifiée, c’est possible avec la Data Governance 🎓 L'usage des données en entreprise est souvent naïf, mais lorsque les projets prennent de l’ampleur, les organisations ne peuvent plus se contenter d’une gestion anarchique. 👉 Sans un ensemble de règles, de processus, de rôles définis et de normes pour positionner les données au cœur de l’organisation, ces dernières deviennent un silo de plus, alors qu’elles devraient infuser dans l’intégralité de l’entreprise ! On remarque aussi une certaine incohérence qui se crée alors, puisque rien n’encadre la qualité des données, leur légalité, etc. ❌ Une situation intenable à long terme ❌ Les projets de Data Governance permettent de formaliser un processus d’usage de la donnée dans l’entreprise, via la mise à disposition de documentations et d’un accompagnement. Toutes les entreprises peuvent inscrire leur organisation dans ce type de projet, notamment celles : 🔹 Qui exploitent plusieurs sources de données, avec des équipes qui travaillent sans vision unifiée de ces données 🔹 Dont les équipes ressentent une frustration sur l’usage des données issues des outils, avec un besoin d’ordonnancement. Chez M13h, nous sommes experts dans les sujets de Data Governance, grâce à notre appétence tant pour la dimension technologique que métier. N’hésitez pas à nous contacter pour en savoir plus !

toute l'importance de la gouvernance de la data 🖥️ expliqué dans cet article, instructif.

💡𝑳𝒂 𝒈𝒆𝒔𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒒𝒖𝒂𝒍𝒊𝒕𝒆́ 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 : 📌 Pour garantir des résultats fiables, il est essentiel de fiabiliser les données avant chaque projet !! Il est utile de comprendre les différences entre une approche opérationnelle, qui traite les problèmes sur le vif, et une approche stratégique, qui établit des pratiques durables pour la qualité des données. Voici un aperçu simple pour mieux saisir ces deux perspectives : ⚙️ 𝑨𝒑𝒑𝒓𝒐𝒄𝒉𝒆 𝒐𝒑𝒆́𝒓𝒂𝒕𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆 (𝑵𝒆𝒕𝒕𝒐𝒚𝒂𝒈𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔) : Cette approche se concentre sur des actions immédiates et techniques pour rendre les données exploitables. Réactive, elle intervient souvent après la détection de problèmes de qualité, que ce soit lors de la préparation des données ou au cours du traitement. À ce stade, il est souvent nécessaire d’intervenir directement sur les données pour les rendre conformes aux besoins opérationnels, afin de répondre aux besoins immédiats et garantir que les processus métiers ne soient pas affectés. 🎯 𝑳'𝒂𝒑𝒑𝒓𝒐𝒄𝒉𝒆 𝒔𝒕𝒓𝒂𝒕𝒆́𝒈𝒊𝒒𝒖𝒆 (𝑮𝒐𝒖𝒗𝒆𝒓𝒏𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔) : Plus proactive, cette approche vise à assurer la qualité des données dès leur création et tout au long de leur cycle de vie. Elle est étroitement liée aux règles métier et à l'intégrité des systèmes dans lesquels les données sont exploitées. En intégrant des contrôles de qualité automatisés, elle garantit une gouvernance robuste et des indicateurs de performance précis. L'approche stratégique garantit également la mise en place d’un dispositif de qualité des données, incluant la définition des données, des contrôles, des objectifs de qualité, des seuils d'alerte et des procédures d'escalade. Ce dispositif repose sur des rôles bien définis, tels que les data owners et les data stewards, ainsi qu’un plan de remédiation structuré. Cette organisation permet non seulement de prévenir les problèmes en amont, mais aussi de restaurer les données à un niveau de qualité acceptable. En intégrant ces éléments, l'approche stratégique se positionne comme un pilier fondamental de la stratégie globale de gestion de l'information de l'entreprise.

Data Modeling : plaidoyer pour une modélisation des données à l’échelle de l’entreprise ! https://lnkd.in/ePpnzuyq Ce matin on s’intéresse à la démarche de cartographie des données dans vos systèmes et de l’importance qu’elle revêt : • 🏗️ Fondation de l'architecture data • 🔒 Pilier de la gouvernance • 💼 Pont entre IT et métiers Bref, une brique essentielle pour maximiser la valeur de vos données. Votre avis ? 💡

La qualité des données est un enjeu majeur pour toutes les entreprises qui s’appuient sur des analyses pour guider leurs décisions. Des données inexactes ou incomplètes peuvent non seulement fausser les résultats, mais aussi entraîner des pertes financières et nuire à la crédibilité des organisations. Voici deux approches essentielles pour garantir la qualité des données : 1️⃣ Mettre en Place des Processus de Nettoyage Rigoureux Avant toute analyse, les données doivent être soigneusement nettoyées et validées. • Solution : Identifiez et corrigez les erreurs telles que les doublons, les valeurs manquantes ou les incohérences. • Exemple : Une entreprise de retail identifie des erreurs de catégorisation de produits dans ses bases de données, ce qui améliore considérablement la précision de ses prévisions de ventes. 2️⃣ Automatiser la Surveillance avec des Outils d’Assurance Qualité Les outils de gestion de la qualité des données permettent de surveiller en permanence leur précision et leur intégrité. • Solution : Utilisez des solutions comme Talend, Dataiku ou Tableau Prep pour automatiser le profilage et les validations. • Exemple : Une institution financière utilise Talend pour détecter et signaler des anomalies dans ses bases de données clients, réduisant ainsi les risques de conformité. 3️⃣ Mettre en Place une Culture de Qualité des Données L’implication des équipes dans la gestion des données est cruciale pour maintenir des standards élevés. • Solution : Formez les équipes à l’importance de la qualité des données et mettez en place des responsabilités claires dans leur gestion. • Exemple : Une startup technologique crée un comité dédié à la gouvernance des données pour s’assurer que tous les départements respectent les meilleures pratiques. 🌟 Et vous, quelles stratégies utilisez-vous pour garantir la qualité de vos données ? 💬 Partagez vos expériences ou outils préférés dans les commentaires. 📢 Diffusez ce post auprès de vos réseaux pour sensibiliser à l’importance de la qualité des données. #DataQuality #DataAnalysis #DataScience #BigData #Innovation