Produits de données, maillage de données et architecture de données

Transformer les données en actions est un thème moteur depuis des décennies (Legner et al. 2020; Chen et al. 2012). Cependant, malgré la prise de conscience croissante que l'innovation basée sur les données est essentielle pour le succès des entreprises, celles-ci ont encore du mal à utiliser efficacement les données (Desai et al. 2022). Ni les avancées technologiques (Abbasi et al. 2016) ni l'amélioration des pratiques de gestion des données (Legner et al. 2020) n'ont résolu les problèmes fondamentaux et les barrières liés à l'exploitation des données et de l'analyse à l'échelle de l'entreprise. Premièrement, les entreprises se sont traditionnellement concentrées sur la construction de datacenters et d'outils d'intelligence d'affaires, qui sont fortement réglementés, pour fournir des données de qualité à valeur ajoutée aux utilisateurs finaux (Watson 2002; Negash 2004). Avec les lacs de données et l'analyse avancée, cette approche n'a pas réussi à s'adapter et à répondre à la demande croissante de données provenant d'un nombre toujours plus important de cas d'utilisation de l'analyse. Non seulement les lacs de données se sont souvent transformés en « marécages », mais les données résident souvent dans des silos et les analystes perdent du temps à trouver et accéder aux sources de données pertinentes (Giebler et al. 2009). Deuxièmement, la plupart des organisations ont attribué les responsabilités liées aux données à quelques experts dans des groupes centraux qui sont chargés de fournir des données et de soutenir les utilisateurs métiers. Ces équipes de données centralisées sont devenues des goulets d'étranglement pour l'innovation basée sur les données à l'échelle de l'ensemble de l'entreprise (Someh et al. 2023). Bien qu'elles soient très spécialisées, elles manquent souvent de connaissances sur le domaine d'activité, ce qui rend difficile l'intégration des données et de l'analyse dans toutes les parties de l'organisation. Pour surmonter ces « modes d'échec de la gestion des données » (Dehghani 2020), trois concepts pour utiliser les données de façon plus efficace et efficiente ont récemment émergé : produit de données, maillage de données et architecture de données. Ces concepts font l'objet de débats animés comme un changement de paradigme dans la pratique des données et de l'analyse. En définissant des principes sociotechniques au-delà de la pile technologique sous-jacente, ils visent à apporter échelle et standardisation pour répondre aux besoins informationnels d'un nombre croissant de consommateurs de données internes ou externes. Bien que chacun des trois concepts mette l'accent sur des aspects spécifiques, ils partagent également des thèmes communs tels que la focalisation à l'échelle de l'entreprise sur les données et l'analyse, une concentration sur des équipes de données décentralisées et agiles, ainsi qu'une utilisation efficace des données. Cependant, d'un point de vue académique, nous ne savons pas vraiment si et comment ces concepts diffèrent les uns des autres et s'ils constituent vraiment un changement de paradigme fondamental dans les données et l'analyse ou s'ils ne reflètent qu'une évolution des concepts existants.