[eBook] Le Guide Pratique du Data Mesh par Guillaume Bodet

Overview

Data Quality usually refers to a company’s ability to ensure the longevity of its data. At Zeenea (a data catalog provider), we believe Data Quality is ensured through the 9 following dimensions - all essential to extract value to your company:

🔸 Completeness

🔸 Accuracy

🔸 Validity

🔸 Uniqueness

🔸 Consistency

🔸 Timeliness

🔸 Traceability

🔸 Clarity

🔸 Availability

We will detail these dimensions with the help of a simple example in part one. We will then elaborate on how Data Quality management is an important challenge for organizations seeking to extract maximum value from their data.

We will also draw parallels between these different Data Quality dimensions and the different risk management phases to overcome - identification, analysis, evaluation, and processing. This will enable you to hone your risk management reflexes by tying in Data Quality improvement processing to a company objective (and evaluating the ROI on each quality dimension).

Once we have established the main features of an enterprise Data Quality management tool, we will detail how a Data Catalog - though not a Data Quality tool - can contribute towards Data Quality improvement (through the clarity, availability, and traceability dimensions mentioned above).

Présentation

Le data management centralisé et monolithique, ancré sur un data lake ou un data warehouse, crée un gigantesque goulot d’étranglement qui inhibe l’innovation et limite la capacité des équipes data à répondre aux sollicitations de plus en plus pressantes des métiers. Face à ce constat, on assiste à l’adoption progressive d’un data management décentralisé, notamment par le biais du data mesh.

Introduit par Zhamak Dehghani en 2019 et inspiré par la transformation d'Amazon au début des années 2000, ce changement de paradigme repose sur quatre principes fondamentaux : domain-oriented decentralized data ownership and architecture, data as a product, self-serve data infrastructure as a platform, and federated computational governance.

Bien que le data mesh soit bien documenté, la littérature décrit souvent un état final idéalisé sans détailler les étapes pratiques pour y parvenir. Cette lacune soulève une question cruciale : Comment les organisations peuvent-elles transformer efficacement leurs pratiques de data management et mettre en œuvre un data mesh ?

« Dans cet eBook, je propose une approche itérative pour la construction d'un data mesh, basée sur ses quatre principes fondamentaux et irriguée par des principes hérités du lean manufacturing. Cette démarche repose sur l'idée que cette construction est un processus d'apprentissage, dans lequel les organisations peuvent s'engager rapidement en tirant parti de leurs ressources humaines et technologiques existantes. »

— Guillaume Bodet, Co-fondateur & CPTO, Zeenea

Ce guide vous apportera une approche pratique pour mettre en œuvre un data mesh dans votre organisation, en vous aidant à :

✅ Comprendre les facteurs critiques qui expliquent l'essor du data management décentralisé et l'adoption du data mesh
✅ Entamer votre démarche data mesh avec un projet pilote focalisé, en tirant parti d'un cas d'usage initial
✅ Découvrir des méthodes efficaces pour mettre votre mesh à l'échelle, en optimisant la création de data products
✅ Comprendre le rôle essentiel joué par une data marketplace interne pour faciliter la consommation des data products
✅ Découvrir pourquoi Zeenea est un système de supervision robuste du data mesh à l'échelle de l'entreprise

LE GUIDE PRATIQUE DU DATA MESH

Mettre en place et superviser un data mesh à l’échelle de l’entreprise

Overview

Présentation

+60 organisations nous font confiance