Data Governance

l’organe de la transformation data-driven _

La Data Governance est l’organe de la transformation data-driven : elle est responsable de la réalisation de la valeur associée à la réutilisation de la donnée. Par ailleurs, elle anime un cadre assurant une réutilisation des données conformes aux attentes et objectifs des initiatives de l’entreprise.

En effet, la réutilisation de la donnée dans un contexte d’entreprise (finance, conformité, risque…) doit permettre de réaliser les objectifs de la stratégie de l’entreprise.


Ainsi, la Data Governance est responsable non seulement de la formulation d’une stratégie de données mais également d’une stratégie de gestion de données assurant la réalisation des objectifs métiers (marketing, finance …) et/ou de conformité réglementaire.


Comment comprendre et communiquer sur les usages (stratégie de données) ainsi que sur la gestion de données (stratégie de gestion données) nécessaire ?

Lisez en détails notre article ci-dessous



Réutilisation de la donnée

La Data Governance définit des stratégies, des politiques et des procédures assurant une gestion proactive et efficace des données réutilisables mais également un cadre de collaboration permettant d’aligner diverses initiatives dépendantes de cette réutilisation (innovation data driven, pilotage de performance, améliorations opérationnelles, conformité, sécurité, confidentialité, transformation, analytiques, applicatives …) avec les objectifs de l’entreprise.


Transformation de la stratégie d’entreprise en stratégie de données


La réutilisation de la donnée par ces initiatives, dans un contexte d’entreprise (finance, conformité, risque…) autres que celui de sa production initiale (systèmes opérationnels, analytiques …), doit permettre de réaliser les objectifs (métier, risque, management) de la stratégie de l’entreprise.


La Data Governance est donc également responsable :

de la formulation d’une stratégie de donnée (données disponibles, données requises, usages par les initiatives, gestion …)  alignée sur les objectifs de l’entreprise

de la formulation d’une stratégie de gestion de données (qualité de donnée, sécurité, risque …) alignée sur les objectifs de performance de la stratégie de donnée adoptée


Par exemple, dans le cadre d’une stratégie d’entreprise déclinée en termes  :

d’objectifs marketing (pilotage de performance des campagnes, personnalisation de campagnes, services …),

d’objectifs de gestion de conformité réglementaire (GDPR),

d’objectifs de gestion de risques climatiques (risques physiques et risques de transitions),


La réussite de cette stratégie réside dans la capacité du management de l’entreprise à assurer la  conformité des opérations, de la technologie mais également des données (et activités support) à cette stratégie.


Les risques d’échec étant associés à la communication de la non-conformité (ex problème de qualité de données pour le pilotage de performance et/ou reporting des risques climatiques … ) à cette stratégie, la « Data Governance » assurera la supervision et l’alignement des données permettant à l’organisation de comprendre et communiquer sur les usages (stratégie de données) ainsi que sur la gestion de données (stratégie de gestion données) nécessaire.


Transformation data-driven

Sous réserve d’un minimum de préparation des données (inventaire de données ou data catalog au périmètre de l’initiative) et d’une opérationnalisation de la data governance (processus, procédures de supervision et gestion des politiques), l’entreprise adresse de manière réactive les impacts associés à l’usage de la donnée mais est désormais en mesure de manière proactive d’extraire la valeur associée à sa réutilisation (ex initiatives et/ou technologies), une nouvelle perspective lui permettant de basculer vers un état de transformation perpétuelle, cette fois-ci dirigée par la valeur de la donnée, et non plus exclusivement dictée par la technologie et sa capacité d’intégration.


La vascularisation de l’entreprise par la valeur de la donnée s’appuie sur des technologies particulières, et plus précisément par leurs exploitations par les fonctions de gestion de données disponibles (BI, Data warehousing, Analytics, Data Science, …).


Par exemple dans le cadre d’initiatives d’entreprise (pilotage de performance opérationnel, migration cloud, métier …), la réutilisation de la donnée par des technologies analytiques (scorecards, dashboards, data mining, machine learning ) permet de couvrir les objectifs d’« aide à la décision » de ces initiatives, leurs solutions sont caractérisées par différents niveaux d’agrégation et de structure de la donnée.


Les objectifs d’opérationnalisation de cette information peuvent également être assurés à travers la réutilisation des données par d’autres fonctions de gestion s’activant autour de pratiques et technologies collaboratives et/ou d’intégration (Data integration, Data security, MDM, DataOps, MLOps, DevOps …).


Assurer la construction de ces états de transformation requiert :

● une infrastructure

● une opérationnalisation de la data governance

● une opérationnalisation des fonctions de gestion Analytics

● un ensemble d’initiatives déclinées en terme de réutilisation de la donnée

● une vision (amélioration des opérations, compétitivité et/ou l’introduction de nouveaux business models)


Opérationnalisation et métadonnées

La sémantique associée à une réutilisation, qu’elle soit issue de la formulation d’un business case, d’une phase de conception/développement de solution ou de l’évolution d’un système, requiert un système de politiques de données capable d’assurer l’alignement et la supervision de la conformité de la donnée pour cette réutilisation, à tous les niveaux et pour toute initiative de l’entreprise, mais comment isoler cette sémantique ?


L’association de métadonnées métiers (concept, caractéristique, sémantique …)  et techniques (identifiant, valeur autorisée…) permet d’intégrer cette sémantique et fournit un moyen technique de capturer la formulation des politiques (métier et/ou données).  Ensuite, ce système pourra réutiliser ces métadonnées dans l’expression de règles de qualité de données, des règles validant des domaines de valeurs et/ou la cohérence entre éléments de données pour superviser la conformité des données aux politiques de données.


Afin de fournir le niveau de contrôle attendu sur ces politiques ainsi que la capacité d’inspection assurant cette supervision, le CDO doit disposer d’un modèle opérationnel (technologie, processus, organisation) de gestion de politiques de données s’appuyant sur :


● la gestion des métadonnées assurant la standardisation des définitions métiers et la consolidation des données réutilisables

● la gestion de la qualité de donnée assurant la qualité des données réutilisables  

● une structure de responsabilité de la qualité de donnée et de la conformité des données aux politiques


Référentiel de Data Governance : enter the Data Catalog

Les initiatives associées à différentes réutilisations de la donnée de l’entreprise peuvent choisir de s’appuyer sur une collection de métadonnées et de classifications pertinentes (GDPR, Data Protection, Data Security, cybersécurité …), ou bien sûr laisser leur Data Governance d’assurer cette construction suivant d’autres modalités.


Les Data Catalog, en plus de pouvoir assurer la collecte et la classification de l’information de l’entreprise (en vue d’une réutilisation), peuvent intégrer des frameworks et classifications propres à différents modèles d’opérationnalisation (MLOps, DevOps, xOps…) ainsi que ceux des fonctions de gestion de données disponibles dans l’entreprise (Compliance, Data Quality, Metadata management, MDM …), par conséquent, il semble désormais possible pour la Data Governance d’agir sur le développement d’une agilité « data-driven » alignée sur la valeur de la réutilisation de la donnée.

Découvrir également

Logo Data
Data Management

Innover face à une donnée de meilleure qualité .

Data Management

Data Management
7 minutes
Synergies entre Données et Design Thinking
dans une démarche d’innovation _