Dans un précédent article, nous avons évoqué la nécessité croissante des organisations de considérer les données comme un actif stratégique et quels sont les défis à relever pour répondre à cet enjeu.

Prendre conscience de ce défi est un premier pas mais l’organisation doit ensuite se mettre en ordre de marche pour y faire face en appliquant les bonnes pratiques en matière de Data Management et en mesurant les progrès effectués.

Mais au fait, c’est quoi le Data Management?

La notion de Data Management n’est pas nouvelle et trouve ses origines dans les années 80s, période durant laquelle les organisations ont commencé à stocker une masse de données importante. A ce moment-là, la notion de Data Management se focalise principalement sur l’aspect technologique.

Avec la nécessite croissante d’exploiter les gisements toujours plus grands des données, la notion de Data Management a évolué pour intégrer les aspects managériaux, indispensables à la gestion de tout actif organisationnel.

Afin de se rendre compte du chemin parcouru et tenter de cerner les enjeux du Data Management, le mieux est certainement de commencer par prendre connaissance de quelques définitions déjà existantes.

Commençons par Wikipedia. Pour l’encyclopédie en ligne, le Data Management est l’ensemble des « disciplines visant à gérer les données comme une ressource ayant de la valeur ». L’aspect intéressant ici est la finalité recherchée et la perspective prise sur les données : « gérer les données comme une ressource ayant de la valeur ». Toutefois, rien n’est précisé sur les activités couvertes par le Data Management.

 

Le Data Management Book of Knowledge (DMBoK) nous apporte quelques précisions sur les activités entrant dans le périmètre du Data Management. Le Data Management est ainsi définit comme étant « le développement, l’exécution et la supervision des plans, politiques, programmes et pratiques visant à délivrer, contrôler, protéger et améliorer la valeur des actifs de données et d’information tout au long de leur cycle de vie ». Nous en apprenons plus sur les activités à mener pour faire du Data Management.

Ainsi, nous adopterons la définition suivante, synthèse des 2 précédentes :

Le Data Management est l’ensemble des disciplines et bonnes pratiques associées (i.e. principes, processus, gouvernance, ressources) qu’une organisation doit mettre en œuvre pour assurer une gestion adéquate de ses données comme actif stratégique.

Un modèle de maturité? Mais pourquoi faire ?

Maintenant que nous avons clarifié ce qu’est le Data Management, il faut réfléchir au plan permettant sa mise en œuvre. Et c’est là qu’interviennent les modèles de maturité pour le Data Management.

En effet, encore des modèles de maturité… pour autant qu’ils soient exploités pour ce qu’ils sont. Longtemps, la certification ou un niveau de maturité était objectif en soi dont l’atteinte se faisait de manière totalement décorrélée des objectifs métiers. Or, les modèles de maturité ne sont que des outils de contrôle et de planification. Ils servent avant tout à définir une démarche de progrès dans le but de répondre, par exemple, à un ou plusieurs des enjeux suivants :

  • Définir les référentiels de données et réguler les processus de distribution
  • Pourvoir les applications analytiques en données de qualité
  • Ancrer la gestion de la qualité des données dans le cycle de vie des projets
  • Répondre aux exigences légales en matière de protection des données
  • Gérer les risques réputationnels, métiers et financiers liés à l’exploitation des données
  • Diminuer les coûts d’intégration des données…

Il s’agit donc de considérer les modèles de maturité pour ce qu’ils offrent réellement, à savoir :

  • Une vision holistique des bonnes pratiques pour un domaine donné… histoire de ne rien oublier.
  • Une trajectoire qu’il convient d’adapter au contexte de chaque organisation… toutes les organisations n’ont pas les mêmes besoins et dès lors ne mettront pas l’effort sur les mêmes disciplines.
  • Et pour certains, un modèle d’évaluation qui les aident à progresser… pour connaître ses forces (sur lesquelles s’appuyer) et ses faiblesses (qu’il faudra améliorer en fonction de ses priorités).

Les modèles de maturité existant s’inscrivent tous, peu ou prou, dans la même philosophie :

  • Fournir un catalogue structuré de bonnes pratiques en matière de Data Management.
  • Fournir un modèle de progression (i.e. de maturité) souvent inspiré de SPICE (ISO/IEC 15504)

Parmi ces modèles, nous pouvons citer :

Nous ne nous livrerons pas ici à une évaluation des différents modèles mais nous retiendrons que chacun, de par sa structure, met en avant des disciplines plus que d’autres. Les disciplines opérationnelles pour le DMBoK, les disciplines de gouvernance, de stratégie et de gestion de programme pour le DCAM et le DMM. A noter également que, contrairement au DCAM et au DMM, le DMBoK fournit des bonnes pratiques mais pas de modèle de progression à proprement parler.

Pour des éléments de comparaison plus détaillés, nous vous renvoyons aux 2 articles (en anglais) ci-dessous d’Irina Steenbeek:

Mais que mesure-t-on exactement avec un modèle de maturité ?

La réponse renvoie à la définition du Data Management et plus précisément à son périmètre d’activités qui, comme on vient de le voir, varie d’un modèle à l’autre. Mais heureusement, ces modèles affichent (au moins sur un premier niveau) des axes d’évaluation qui sont globalement les mêmes.

Chacun de ces modèles nous invite, à peu de chose près, à passer en revue les thèmes suivants :

  • La Gouvernance qui traite du modèle d’organisation, des bonnes pratiques et des standards pour le Data Management, ainsi que de la mise place d’un environnement de contrôle.
  • La Stratégie qui établit une vision des enjeux et des opportunités liés au Data Management, ainsi qu’une trajectoire des projets orientés « Data ».
  • Le Programme de Data Management qui fournit un modèle de priorisation et d’allocation des ressources et qui permet d’organiser et de piloter le portefeuille des projets orientés « Data ».
  • L’architecture qui permet de gérer les modèles sémantiques (glossaire, catalogue…), les métadonnées, ainsi que les problématiques d’intégration dans le SI.
  • La qualité qui englobe la stratégie et les moyens mis en œuvre pour définir, implémenter et mesurer la qualité des données.
  • Les opérations pour ce qui concerne la gestion des exigences relatives aux données, l’approvisionnement en données et, plus généralement, la gestion du cycle de vie de la donnée.
  • Et enfin, les plateformes de données, pour ce qui traite de la définition et de la mise en œuvre d’un ensemble de technologies de Data Management aligné sur les objectifs de l’organisation.

 

Voilà en guise d’introduction sur ce qu’est le Data Management. Nous aurons l’occasion de revenir plus en détails sur chacun de ces grands domaines du Data Management dans des articles à paraître prochainement sur notre blog.

Pour aller plus loin

Redsen Consulting aide les organisations à évaluer leur niveau de maturité dans le domaine du Data Management ! Remplissez le formulaire en ligne Audit Quick Start Data Management et bénéficiez d’un diagnostic gratuit réalisé par nos experts.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Voir plus
scroll to top