Data lake : définition et usages

Chaque jour, votre entreprise produit plus de données que la veille. Factures, e-mails, fichiers Excel, logs de votre site, photos d'atelier. Et plus de 80 % de ces données sont non structurées, c'est-à-dire qu'elles n'entrent pas dans un tableau bien rangé (Mordor Intelligence). Le lac de données est né pour ça : un grand réservoir où l'on déverse toutes ces données brutes, dans leur format d'origine, sans rien trier à l'entrée.

Le terme fait un peu peur. On imagine une technologie de géants, réservée aux plus grandes entreprises. La réalité est plus simple, et surtout plus utile à comprendre pour un dirigeant.

Ce guide vous explique ce qu'est un data lake, en quoi il diffère d'un data warehouse, à quoi il sert, quel est son principal piège, et ses avantages et inconvénients pour une PME. Sans jargon inutile, et avec une réponse franche à la fin.

Qu'est-ce qu'un data lake ?

Un data lake est un espace centralisé qui permet de stocker toutes les données d'une entreprise dans leur format brut, sans schéma prédéfini. Structurées ou non, les données sont stockées telles quelles. On ne leur donne une forme exploitable qu'au moment de les lire, un principe appelé « schema-on-read ».

Pour bien saisir le concept, revenons à son origine. Le terme a été inventé en 2011 par James Dixon, alors directeur technique de Pentaho, pour décrire un réservoir de données gardées dans leur format naturel (IBM). L'image est parlante : un lac où toutes les rivières se déversent, sans qu'on filtre l'eau avant qu'elle arrive.

Un data lake peut stocker des données provenant de nombreuses sources et tous les types de données :

• Structurées : les tables issues de votre ERP ou de votre base de données relationnelle.
• Semi-structurées : des fichiers CSV, des logs, des formats JSON ou XML.
• Non structurées : des e-mails, des PDF, des images, des données de capteurs.

Cette capacité à gérer des données structurées et non structurées sur un même socle fait la force du lac. Un data lake permet de stocker les données de manière centralisée : il conserve les données dans leur format d'origine, y compris des données non structurées sous forme brute. Cette absence de tri est un atout, mais aussi une faiblesse, comme nous le verrons.

Data lake vs data warehouse : quelle différence ?

La différence entre les deux tient au moment où l'on range la donnée. Le lac stocke tout en vrac et structure à la lecture. Un data warehouse, lui, n'accepte que des données déjà nettoyées, rangées selon un schéma strict.

Autrement dit, un lac de données mise sur la souplesse, un data warehouse sur la fiabilité. Le lac accueille tous les formats, y compris les images ou les documents (Microsoft Azure). Les data warehouses refusent le brut, mais garantissent des requêtes rapides sur une donnée propre. Un lac de données est aussi plus évolutif et moins cher qu'un entrepôt de données classique, car les données peuvent être stockées à faible coût.

Cette souplesse a un prix côté outillage. Les grands acteurs du cloud proposent des services dédiés à ce stockage des données brutes, comme Azure Data Lake chez Microsoft (Azure) ou les services d'AWS. Ils gèrent une architecture de data lake à grande échelle, avant tout traitement.

Faut-il choisir un data lake ou un data warehouse ? Plus vraiment. Une troisième approche, le data lakehouse, réunit un data lake et un data warehouse en une seule plateforme. Les data lakehouses gardent la liberté du lac et la rigueur de l'entrepôt. Mais pour piloter une PME, ce débat sur data lake et data warehouse en matière d'architecture reste souvent théorique.

À quoi sert un data lake ? Les cas d'usages

Un lac de données sert à centraliser de gros volumes de données pour les exploiter ensuite, quand le besoin se présente. Il est particulièrement utile quand les données sont très variées et très nombreuses, au-delà de ce qu'un simple tableur peut gérer et analyser.

Les data lakes sont souvent associés au big data, au machine learning et à l'intelligence artificielle. Les data lakes permettent plusieurs usages, et les data lakes peuvent servir autant les analystes que les data scientists :

• Alimenter l'IA et le machine learning. Les modèles ont besoin de grandes quantités de données brutes pour apprendre. Les data lakes offrent un vaste réservoir aux data scientists, sans tri préalable. C'est le socle d'une vraie data science et du data analytics.
• Analyser en temps réel. Les data lakes facilitent l'analyse de données en temps réel. Une entreprise de transport y déverse les données de ses capteurs pour optimiser ses trajets, puis les analyser à la volée.
• Croiser des sources hétérogènes. En finance, on croise des données internes et externes pour détecter des fraudes en direct.
• Archiver à faible coût. Cette solution de stockage s'appuie sur du stockage cloud objet, peu cher, pour garder des années de données (Red Hat).

Les data lakes prennent en charge ces usages sans imposer de schéma à l'avance. Comment un data lake fonctionne-t-il en pratique ? On charge le data lake via un mode ELT (extraire, charger, puis transformer), à l'inverse du processus ETL classique qui transforme avant de charger. Les données dans le data lake arrivent d'abord, elles sont analysées et mises en forme ensuite. Un data lake est capable d'absorber presque tout, puis de rendre les données analysées exploitables au besoin.

Le piège du data lake : le data swamp

Le risque majeur du data lake est qu'il se transforme en « data swamp », un marécage de données. Sans gouvernance ni catalogage, on déverse tout dans le lac, les données s'accumulent, et on ne retrouve plus rien. La donnée devient inexploitable.

Le chiffre fait réfléchir : faute de curation, une équipe peut passer plus de la moitié de son temps à nettoyer des données brutes plutôt qu'à obtenir des données analysées (Dataversity). Dans ce lac, les données doivent être cataloguées : la qualité des données, la sécurité des données et une bonne gestion des données, sous une gouvernance des données claire, sont les garde-fous qui évitent le marécage. Les données du data lake ne valent que si on peut les retrouver.

C'est exactement notre conviction de terrain. L'audit d'un client a révélé que 86 % des affaires marquées « actives » étaient en réalité terminées, et une poignée de saisies faussait toute la charge déclarée. Un lac aurait fidèlement stocké ces erreurs. Le vrai travail, celui du data engineering, consiste à construire et fiabiliser la donnée par un traitement des données rigoureux, pas seulement à l'entasser. Les outils de BI restituent une donnée déjà propre. Nous, on la construit d'abord.

Une PME a-t-elle besoin d'un data lake ?

Le plus souvent, non. Un lac de données répond à des besoins de très gros volumes, de plusieurs téraoctets à plusieurs pétaoctets, et de machine learning avancé, ce qui reste rare en PME (AWS).

Pesons le pour et le contre. Les avantages du data lake sont réels : cette solution permet aux entreprises de tout centraliser à faible coût, et les data lakes sont de véritables réservoirs pour l'IA. L'inconvénient majeur reste la discipline qu'il exige : sans elle, l'accès aux données vire au chaos. Si vous avez déjà déployé un data lake, la question n'est pas de stocker plus, mais de fiabiliser.

Le vrai point de départ d'une PME n'est pas la taille du réservoir, c'est la fiabilité du socle. Avant de centraliser leurs données dans un lac, la plupart des PME ont d'abord besoin de consolider vos données éparpillées entre l'ERP, le CRM et les fichiers Excel, en une source unique et fiable. Utiliser un data lake peut attendre.

En cela, Clidd vous permet dans un outil unique conçu our les PME de réaliser le travail de consolidation et d'analyse et d'exploiter vos données à plus grande échelle si vos volumes l'exigent. L'utilisation d'un data lake viendra en son temps.

Conclusion

Le lac de données n'est ni une mode ni une baguette magique. C'est un espace centralisé, conçu pour stocker des données brutes, très utile quand les volumes explosent et que l'IA devient centrale, mais exigeant en gouvernance pour ne pas virer au marécage.

Pour une grande organisation, c'est un vrai atout. Pour une PME, c'est surtout un mot à décoder, rarement une priorité. Le sujet n'est pas de tout stocker, mais d'avoir une seule version fiable de vos chiffres grâce à un outil comme Clidd.

Commencez par là. Réunissez vos sources, fiabilisez-les, donnez-leur un foyer unique. Lac ou pas, c'est cette source de vérité qui rend vos décisions solides.