Démocratisation des données : comment l’architecture des données optimise la prise de décision et favorise les initiatives en matière d’IA.

La démocratisation des données, tout comme le terme transformation numérique il y a cinq ans, est devenue un mot à la mode dans toutes les entreprises, des services informatiques à la direction. Souvent décrite comme un moyen d’améliorer simplement l’accès aux données, la transition va bien au-delà. Lorsqu’elle est mise en œuvre de manière efficace, une démocratisation des données simplifie la pile de données, élimine les contrôleurs d’accès et rend la plateforme de données complète de l’entreprise facilement accessible par les différentes équipes via un tableau de bord convivial.

Au-delà des aspects techniques, les objectifs sont beaucoup plus ambitieux. Lorsqu’elle est bien menée, la démocratisation des données donne aux employés les moyens d’utiliser les données, pas seulement les data scientists. Elle peut susciter la curiosité des employés et stimuler l’innovation. Lorsque les employés mettent la main sur les bonnes données, ils leur donnent non seulement ce dont ils ont besoin pour résoudre les problèmes, mais les incitent également à se demander « Que puis-je faire d’autre avec les données ? » grâce à une entreprise.

Dans cet article, nous découvrirons les avantages de la démocratisation des données, ainsi que nos conseils pour faciliter la transition vers cette nouvelle approche.

La démocratisation des données aide les entreprises à prendre des décisions fondées sur les données en créant des systèmes et en adoptant des outils qui permettent à tous les membres de l’entreprise, quelle que soit leur formation technique, d’accéder, d’utiliser et de parler facilement des données dont elles ont besoin. Au lieu de considérer les données fournies avec consentement comme la production de clients et de prospects, elles sont désormais la porte d’entrée de l’entreprise vers une prise de décision stratégique.

Pour une véritable démocratisation des données, les employés et les consommateurs doivent disposer de données dans un format facile à utiliser afin de maximiser leur valeur. Elle exige également une maîtrise des données dans l’ensemble de l’entreprise. Les employés et les dirigeants doivent être sûrs que les données sont exactes, savoir comment y accéder et comment elles peuvent être appliquées aux problèmes de l’entreprise. En outre, ils doivent également avoir les compétences en matière de maîtrise des données pour pouvoir vérifier l’exactitude des données, assurer leur sécurité et fournir ou suivre des conseils indiquant quand et comment elles doivent être utilisées.

La démocratisation des données est souvent confondue avec la transparence des données, qui fait référence aux processus qui contribuent à garantir l’exactitude des données et à faciliter l’accès aux données, quel que soit leur emplacement ou l’application qui les a créées. La démocratisation des données fait référence à la simplification de tous les processus liés aux données, de l’architecture de stockage à la gestion des données, en passant par la sécurité des données. Cela nécessite également une approche de gouvernance des données à l’échelle de l’entreprise, qu’il s’agisse de l’adoption de nouveaux types de formation des employés ou de la création de nouvelles politiques de stockage de données.

La démocratisation des données nécessite de déplacer l’architecture traditionnelle des « données au repos », qui est destinée au magasin de données statiques. Traditionnellement, les données étaient considérées comme des informations à mettre en réserve, auxquelles on ne faisait appel que lors des interactions avec les clients ou de l’exécution d’un programme. Aujourd’hui, l’utilisation des données par les entreprises est beaucoup plus fluide. Les employés qui maîtrisent les données les utilisent dans des centaines d’applications, les analysent pour mieux prendre des décisions et y accèdent à partir de nombreux endroits.

La démocratisation des données repose sur une architecture de données adaptée au fonctionnement des entreprises d’aujourd’hui, en temps réel. Il est distribué à la fois dans le cloud et sur site, ce qui permet une utilisation et une mobilité intensives entre les clouds, les applications et les réseaux, ainsi que des magasins de données au repos. Une architecture conçue pour la démocratisation des données se veut flexible, intégrée, agile et sécurisée afin de permettre l’utilisation des données et de l’intelligence artificielle (IA) à l’échelle. Voici quelques exemples de types d’architectures bien adaptées à la démocratisation des données.

Data fabric

Les architectures de data fabrics sont conçues pour connecter les plateformes de données à l’application où les utilisateurs interagissent avec les informations pour un accès simplifié aux données dans une entreprise et l’utilisation des données en fonction de ses besoins. En exploitant les services de données et les API, un site data fabric peut également rassembler des données provenant de systèmes hérités, de data lakes, d’entrepôts de données et de SQL Database, ce qui permet d’obtenir une vue d’ensemble de l’activité de l’entreprise performance.

Les données d’un data fabric sont définies à l’aide de métadonnées et peuvent être stockées dans un data lake, un environnement de stockage à faible coût qui héberge de grandes quantités de données structurées, semi-structurées et non structurées pour l’analytique, le machine learning et d’autres applications.

Data mesh

Une autre approche de la démocratisation des données utilise un data mesh, une architecture décentralisée qui organise les données par domaine d’activité spécifique. Elle utilise des graphiques de connaissances, la sémantique et la technologie IA/ML pour découvrir des modèles dans différents types de métadonnées. Elle applique ensuite ces informations pour automatiser et orchestrer le cycle de vie des données. Au lieu de gérer les opérations d’extraction, de transformation et de chargement (ETL) au sein d’un data lake, un data mesh définit les données en tant que produit dans plusieurs référentiels, chacun disposant de son propre domaine pour gérer son pipeline de données.

À l’instar de l’architecture des microservices où des services légers sont couplés, un maillage de données utilise des domaines fonctionnels pour définir des paramètres autour des données. Cela permet aux utilisateurs de l’entreprise de traiter les données comme un produit avec un accès étendu. Par exemple, les équipes marketing, commerciales et de service client auraient leurs propres domaines, ce qui renforcerait la propriété des producteurs d’un jeu de données spécifique, tout en permettant de le partager entre différentes équipes.

Les architectures data fabric et data mesh ne s’excluent pas mutuellement. Ils peuvent même être utilisés en complément l’un de l’autre. Par exemple, un data fabric peut renforcer le data mesh; car il permet d’en automatiser les principaux processus : accélérer la création des produits de données, renforcer globalement la gouvernance et faciliter l’orchestration des produits de données combinés.

En savoir plus : Data fabric ou data mesh : laquelle vous convient le mieux ?

À mesure que de plus en plus d’entreprises cherchent à évoluer vers une culture de démocratisation des données et à mettre en place l’architecture nécessaire pour soutenir une culture de la littératie des données, elles en retireront de nombreux avantages, mais se heurteront à quelques défis. Voici quelques avantages, et risques potentiels, à prendre en compte lors de ce changement dans l’entreprise :

Productivité

De nombreuses entreprises se tournent vers la démocratisation des données pour éliminer les silos et tirer le meilleur parti de leurs données dans tous les services. L’intégration des données nécessaire réduit les goulots d’étranglement, permettant aux utilisateurs professionnels de prendre des décisions commerciales plus rapides et de libérer les utilisateurs techniques pour donner la priorité aux tâches qui utilisent mieux leurs compétences. Il en résulte une efficacité et une productivité accrues.

Sécurité

La sécurité des données est une priorité absolue. La démocratisation des données aide intrinsèquement les entreprises à améliorer leurs processus de sécurité des données en exigeant une attention délibérée et constante en matière de gouvernance des données et d’intégrité des données. L’accent est mis sur la surveillance et la mise à disposition des bonnes données par les bonnes personnes, ce qui permet d’élaborer une stratégie de sécurité des données plus complète.

Risque de marécages de données

Un marécage de données est le résultat d’une mauvaise gestion du site data lake qui ne dispose pas des pratiques appropriées en matière de qualité des données et de gouvernance des données pour fournir des enseignements pertinents, rendant les données inutiles. Trop d’entreprises sont aux prises avec une mauvaise qualité des données. La démocratisation des données vise à résoudre ce problème grâce à une surveillance et une gouvernance des données complètes. En reconnaissant les données comme des produits, on incite davantage à les gérer correctement.

Utilisation agile des données

La démocratisation des données permet de contrer le problème de la gravité des données, ou l’idée selon laquelle les données deviennent plus difficiles à déplacer à mesure qu’elles augmentent de taille. Des éléments tels que les énormes magasins de données client sont abordés de manière plus stratégique, ce qui permet aux entreprises de conserver l’accès à mesure que l’entreprise se développe.

Outils conviviaux

La démocratisation des données vise à rendre les données plus accessibles aux utilisateurs non techniques, en partie en facilitant l’utilisation des outils qui accèdent aux données. Il s’agit notamment d’outils dont l’utilisation ne nécessite pas de compétences techniques avancées ni de connaissances approfondies en matière d’analyses.

Comme pour tout changement majeur dans les opérations métier, les entreprises doivent élaborer une stratégie complète pour atteindre leurs objectifs de démocratisation des données. Les étapes clés sont les suivantes :

• Définir les objectifs métier et en matière de données– Quels sont les objectifs de votre entreprise ? Quels sont vos objectifs en matière de données et d’IA ? L’alignement des données sur les objectifs de l’entreprise est essentiel pour la démocratisation des données. En faisant appel à l’expertise des parties prenantes, vous pouvez vous assurer que vos objectifs sont inclusifs et réalistes.
• Effectuez un audit des données. Comment sont gérées les données aujourd’hui ? Examinez ce qui fonctionne, ce qui ne fonctionne pas et identifiez les goulets d’étranglement et les domaines où de meilleurs outils et un accès accru sont nécessaires. Comprendre l’état actuel de votre gestion des données vous aide à comprendre les changements que l’entreprise doit apporter.
• Cartographier un cadre des exigences– Lorsque vous aurez atteint une démocratisation complète des données, à quoi cela ressemblera-t-il ? Tracez la voie à suivre pour atteindre cet objectif, en définissant les domaines dans lesquels la modernisation des applications, l’analyse des données, l’automatisation et l’IA peuvent vous aider à y parvenir.
• Établissez des contrôles : c’est là que vous vous appuyez sur des alliés de données pour aider à la conformité dans l’entreprise. Comment les normes et processus en matière de données seront-ils communiqués et appliqués ? Utilisez cette étape pour créer et mettre en œuvre des politiques de gouvernance des données.
• Intégrez vos données : il est courant que les entreprises souffrent d’un manque de visibilité entre les départements. Mettre en œuvre la démocratisation des données implique d’éliminer ces silos et de concevoir un moyen d’intégrer efficacement les processus de manière à encourager leur adoption.
• Entraînez et responsabilisez les employés : la mise en œuvre réussie de la démocratisation des données nécessite que les employés aient le bon niveau de maîtrise des données pour accéder aux données et les utiliser efficacement. Faites appel aux leaders en matière de données pour favoriser l’adoption et intégrer la maîtrise des données dans le nouveau processus d’embauche. Entraînez les employés sur la façon dont la démocratisation des données peut améliorer leurs résultats professionnels et améliorer l’expérience client.

Une fois que votre parcours de démocratisation des données a commencé, les équipes peuvent commencer à examiner ce que ce nouveau paradigme de données peut apporter, y compris l’avancement de nouveaux outils tels que l’IA et le machine learning. Voici comment les entreprises peuvent utiliser la démocratisation des données pour permettre une mise en œuvre plus large de l’IA :

Définir les cas d’utilisation de l’IA

Discutez des priorités en matière d’analytique métier et d’automatisation et décidez où implémenter l’IA en priorité. Par exemple, vous pourriez investir dans des outils d’analyse afin de développer des rapports de Business Intelligence internes, des chatbots de service client en temps réel et des analyses en libre-service pour les différentes équipes commerciales. Il est probable que vous ne puissiez pas gérer la mise en œuvre de ces outils d’IA en une seule fois, alors définissez d’abord les meilleurs domaines d’utilisation de l’IA.

Identifier les jeux de données

Toutes les données de votre entreprise ne sont pas adaptées à l’IA, ni aux cas d’utilisation d’ailleurs. Examinez vos jeux de données et déterminez lesquels se prêtent le mieux à la recherche pour voir s’ils peuvent vous aider à aborder les cas d’utilisation pertinents. Avec la démocratisation des données, votre entreprise doit disposer d’une meilleure compréhension de la qualité et de la disponibilité des données pour piloter ce processus, ainsi que du ROI pour chaque cas d’utilisation.

Utiliser MLOps pour assurer l’évolutivité

Le développement de modèles de machine learning (ML) est notoirement source d’erreurs et chronophage. Le MLOps crée un processus dans lequel il est plus facile d’extraire des informations à partir des données métier. Il optimise également le processus grâce aux opérations de machine learning (MLOps), qui utilisent des modèles de ML prédéfinis conçus pour automatiser le processus de création de modèles de ML.

Rendre l’IA transparente

Grâce à la démocratisation des données, la collecte de données, la construction de modèles, le déployer, la gestion et la surveillance sont bien visibles. Cela se traduit par des produits pilotés par l’IA plus commercialisables et une plus grande responsabilité.

La démocratisation des données comporte deux éléments clés : elle commence par la bonne architecture de données, mais elle est amplifiée par les bonnes solutions d’automatisation et d’IA. IBM propose une approche moderne de la conception et de l’implémentation d’une architecture data fabric qui aide les entreprises à découvrir les avantages du data fabric dans une plateforme unifiée qui rend toutes les données (que ce soit dans les environnements hybrides ou multicloud) disponibles pour l’IA et l’analyse des données.

Watsonx est un portefeuille de produits d’IA qui accélère l’impact de l’IA générative dans les principaux workflows afin de stimuler la productivité. Dans ce portefeuille, trois composants puissants : le studio watsonx.ai (nouveaux modèles de fondation, IA générative et machine learning), le magasin watsonx.data adapté au besoin (flexibilité d’un data lake et performances d’un entrepôt de données), et le kit d’outils watsonx.governance (pour la création de workflow d’IA responsables, transparents et explicables).

Ainsi, watsonx offre aux organisations la possibilité de :

1. Entraîner, régler et déployer l’IA dans l’ensemble de l’entreprise avec watsonx.ai
2. Mettre les workloads d’IA à l’échelle, pour toutes vos données, partout, avec watsonx.data
3. Favoriser des workflows et d’IA responsables, transparents et explicables avec watsonx.governance