Data mesh : définition, principes et produits de données
Vous l'avez peut-être entendu lors d'un événement, lu dans un livre blanc ou dans la proposition d'un consultant : le data mesh serait la nouvelle façon d'organiser les données d'entreprise. Le terme sonne bien. Mais que recouvre-t-il vraiment, et faut-il s'y intéresser quand on dirige une PME ?
La prudence est de mise. Selon Gartner, seules 18 % des organisations avaient atteint en 2021 le niveau de maturité nécessaire pour l'adopter avec succès (Atlan, d'après Gartner). Autrement dit, même parmi les grandes entreprises, la plupart ne sont pas prêtes.
Ce guide vous explique le data mesh de manière simple et cpréhensible : sa définition, ses quatre principes, ses avantages et ce qui le distingue d'un data lake ou d'un data warehouse. Puis il pose la vraie question : est-ce fait pour vous ? Notre réponse est franche. Pour la plupart des PME, l'adopter tel quel n'a pas de sens. Mais plusieurs de ses idées peuvent mériter d'être intégrer.
Qu'est-ce que le data mesh ?
Le data mesh est une nouvelle approche de la gestion des données. Chaque métier y gère et partage ses propres données sous forme de produits de données, au lieu de tout confier à une équipe data centrale. Ce n'est pas un logiciel : c'est un modèle d'organisation, à la fois technique et humain.
Le concept a été formulé en 2019 par Zhamak Dehghani, alors consultante chez Thoughtworks (Dehghani, 2019). Son constat partait des grandes entreprises. Elles avaient misé sur une gestion centralisée des données, stockées dans un immense lac de données et confiées à une équipe spécialisée. Résultat : cette équipe, loin du terrain, croulait sous les demandes des métiers comme des data scientists, et devenait un goulet d'étranglement.
Le data mesh propose l'inverse : une architecture de données décentralisée. Plutôt qu'un entrepôt central unique, il imagine un réseau de « boutiques » de données. Chaque métier tient la sienne : le commercial ses données de ventes, la logistique ses stocks, la finance sa trésorerie. Ces boutiques respectent des règles communes et se parlent entre elles. D'où le nom : mesh signifie « maillage » en anglais.
L'objectif est clair. Un data mesh vise à rendre les données plus accessibles et plus fiables, en les confiant à ceux qui les connaissent le mieux.
Quels sont les 4 principes du data mesh ?
Le data mesh repose sur quatre principes : la responsabilité des données confiée aux domaines métier, la donnée traitée comme un produit, une plateforme commune accessible à tous et une gouvernance fédérée. Les deux premiers changent l'organisation, les deux derniers la rendent possible.
Zhamak Dehghani les a détaillés en 2020 dans un second article de référence (Dehghani, 2020). Voici ce qu'ils signifient concrètement :
- La responsabilité par domaine. Chaque métier est propriétaire de ses données. Le service achats répond de la qualité des délais fournisseurs, le commercial de celle des devis. Ce sont eux qui les connaissent le mieux.
- La donnée comme un produit (data as a product). Un jeu de données n'est pas un sous-produit qu'on extrait à la demande. Un produit de données (data product, en anglais) est documenté, fiable, facile à trouver et tenu par un responsable, exactement comme un produit vendu à un client. Ses clients, ce sont les consommateurs de données : les autres métiers, la direction, les analystes.
- La plateforme en libre-service. Pour que chaque métier gère ses données sans être expert, une équipe fournit une infrastructure de données en libre-service : stockage, traitement des données, publication. Chacun s'en sert de façon autonome, avec les mêmes outils.
- La gouvernance fédérée. Des règles communes (sécurité, définitions, droits d'accès) s'appliquent à tous, de préférence de façon automatique, pour garantir la qualité et la cohérence des données d'un métier à l'autre. Chaque métier reste libre dans ce cadre. La gouvernance des données mérite d'ailleurs un article à elle seule.
Les avantages d'un data mesh
Bien mené, un data mesh peut apporter trois bénéfices. Les données sont tenues par ceux qui les comprennent, ce qui améliore la qualité des données. Les métiers n'attendent plus une équipe centrale débordée pour obtenir un chiffre. Et une plateforme de données commune évite que chacun réinvente ses propres outils.
Le data mesh se concentre autant sur l'organisation humaine que sur la technique. C'est sa force, et c'est aussi sa principale difficulté.
Data mesh, data lake, data warehouse : quelles différences ?
Les data lakes et les data warehouses reposent sur des données centralisées, sous la responsabilité d'une équipe unique. Le data mesh les décentralise par métier. La différence n'est donc pas d'abord technique : c'est une question d'organisation et de responsabilité.
Le data warehouse range des données propres et structurées, prêtes à analyser. Le data lake stocke tout, brut, pour l'analyser plus tard. Le lakehouse combine les deux. Ces trois plateformes de données restent des technologies. Une architecture data mesh peut s'appuyer sur n'importe laquelle, et utiliser par exemple un lac de données comme stockage : ce qui change, c'est qui en a la charge.
On cite souvent une autre approche en face : le data fabric. Plutôt que de répartir les responsabilités, il relie les données dispersées grâce à une couche technique commune et automatisée. Alors que le data mesh mise sur l'organisation, le data fabric mise sur la technologie. Les deux visent à mieux partager la donnée dans les grandes structures (Wikipédia).
Le data mesh est-il fait pour une PME ?
Soyons francs : dans la plupart des cas, non. Il a été pensé pour des organisations qui ont des dizaines de domaines métier, plusieurs équipes data et une plateforme technique déjà mature. Il répond à un problème de grande entreprise : une équipe centrale débordée.
Le problème d'une PME est presque toujours l'inverse. Elle n'a pas d'équipe data débordée : elle n'en a souvent aucune. Ses données vivent dans un ERP, un CRM et des fichiers Excel, et personne n'a le temps de les réunir. Répartir la responsabilité des données entre plusieurs équipes, quand il n'en existe pas une seule ? Ce serait mettre la charrue avant les bœufs.
Il est important de mesurer aussi le coût humain. Le modèle suppose des compétences en data engineering dans chaque métier, ou une équipe plateforme capable de les outiller. Peu de PME peuvent se l'offrir, et ce n'est pas leur priorité.
Même pour les grands groupes, l'avenir du concept reste débattu. Le data mesh a été classé par Gartner, en 2022, « obsolète avant le plateau » dans son cycle de maturité des technologies : il pourrait être dépassé avant d'atteindre une adoption large. Gartner estimait alors sa pénétration entre 1 et 5 % de sa cible (Atlan, d'après Gartner).
Que retenir du data mesh pour votre entreprise ?
Deux idées du data mesh, applicables dès demain. Chaque métier est responsable de la qualité de ses données. Et chaque jeu de données important est documenté et fiabilisé comme un produit. Le tout repose sur un socle unique, plutôt que sur un réseau d'équipes que vous n'avez pas.
Avant de chercher à choisir la bonne architecture de données, commencez par ces réflexes simples pour améliorer vos données.
Premier réflexe : nommer un responsable par donnée. Qui garantit que les délais fournisseurs sont justes ? Que la marge par affaire est bien calculée ? Ce n'est pas l'informatique, c'est le métier concerné. Chez un thermoformeur que nous accompagnons, la première version du calcul de consommation matière n'était pas exacte. C'est la co-construction avec le responsable de production qui a permis de la corriger.
Deuxième réflexe : traiter vos indicateurs clés comme des produits de données. Une définition écrite, une source unique où les données sont mises à jour régulièrement, un responsable. C'est ce qui transforme un chiffre discuté en réunion en un chiffre admis par tous.
Troisième point : un socle commun, pas un maillage. Dans une cartonnerie que nous suivons, cinq tableaux de bord métier reposent sur un seul socle de données : commercial, production, stocks, achats et trésorerie. Chaque métier a le sien, mais tous partagent les mêmes produits de données. C'est l'esprit du data mesh, sans sa complexité. Pour y parvenir, il faut d'abord consolider vos données, souvent à partir de la base de données relationnelle de votre ERP.
Conclusion : tenir son fil, sur un socle commun
Le data mesh n'est pas une mode creuse et trois idées méritent d'être retenues :
- c'est une approche de la gestion des données, pas un logiciel, pensée pour les grandes structures dotées de plusieurs équipes data ;
- ses quatre principes reposent sur la responsabilité des métiers et sur la donnée traitée comme un produit ;
- pour une PME, l'adopter tel quel n'a guère de sens, mais ces deux idées sont précieuses.
Avant de rêver de maillage, assurez-vous que vos données sont réunies, fiables et comprises. C'est la condition pour exploiter vos données au quotidien. Pas besoin d'un maillage complexe pour bien tisser ses données : il suffit que chaque métier tienne son fil, sur un socle commun.
