1 – Replacer le data mesh dans le contexte des architectures de données

• Pourquoi est-on arrivé aux limites du couple data warehouse – data lake ?
• Comment ont évolué les organisations, du paternalisme au managérisme ?
• De l’entreprise centralisée à l’entreprise fédérale
• Comparaison des architectures : Data Lake, Lakehouse, Data Fabric, Data Hub…
• Le rôle croissant des métiers dans l’organisation : sa traduction en termes de développements informatiques, le Domain Driven Design (DDD)
• Evaluer la maturité d’une organisation face au Data Mesh : mise en place d’une matrice de mesure
• Identifier les domaines métiers à prioriser

2 – Le Data Mesh et sa proposition de valeur

• Les 4 grands principes du Data Mesh
  • Responsabilisation des métiers
  • Data Product
  • Plateforme libre-service de données
  • Gouvernance fédérée

• Le data mesh appliqué aux données opérationnelles, et aux données analytiques

• La responsabilisation des métiers
  • Application du Domain Driven Design aux données
  • Embarquez-les data owners pour valoriser leur travail
  • Comment passer de la gouvernance actuelle à une gouvernance orientée métiers
  • Impacts sur l’implémentation

• Les Data Products
  • Appliquer la démarche de création de produits et services aux données
  • Créer et formaliser les schémas des Data Products
  • Contractualiser les Data Products : les data contracts et leurs outils
  • Le rôle du Data Contract dans l’amélioration de la qualité des données
  • Utilisation de Data Contracts Studio
  • Comment implémenter les Data Products dans l’organisation
  • Conduite du changement : passer à une culture “Confiance Vérifiée” de la consommation de la donnée

• Mettre en place une plateforme de données en libre-service
  • Industrialiser les Data Products
  • Construire une matrice Domaines Métiers / Centralisation Technique et répartir les rôles entre l’informatique et les métiers

• Le rôle du Data Steward dans la mise en place du Data Mesh
  • Passer d’une gouvernance des données centralisée (ou absente) à une gouvernance fédérale
  • Répartir les rôles et responsabilités entre les métiers, le data office et l’informatique
  • Faire cohabiter le Data Mesh et la gestion des données de référence (MDM)
  • Equilibrer les contraintes entre l’autonomie des métiers et l’interopérabilité globale du système
  • Coder les différents éléments de la gouvernance : les standards, les règles, les tests, les indicateurs

3 – L’architecture Data Mesh

• Quel plan de marche pour débuter un projet Data Mesh en un mois
• Le Data Mesh est une organisation, pas une architecture clef en main
  • L’architecture logique
  • L’architecture technique
• Comment définir l’architecture d’un Data Product : Collecter, Transformer / Préparer, et Consommer les jeux de données
• Aligner les besoins des consommateurs et les contraintes des producteurs de données : les ateliers de co-création des Data Products, la formalisation des Data Contracts
• Publier et partager les Data Products : maximiser l’interopérabilité
• Garantir la compatibilité ascendante des Data Products
• Observer et contrôler le cycle de vie des Data Products
• Respecter les règles de conformité (RGPD et autres)
• Stratégie et exécution du projet Data Mesh : plan de marche, personnes à impliquer, rôles, charge de travail, budget initial, budget de fonctionnement

4 – Les outils du Data Mesh

• Le Data Mesh : en interne ou en cloud – avantages et inconvénients des différentes solutions
• Construire un Data Mesh basé sur les événements – Change Data Capture (CDC) et Data Mesh : les outils de création des pipelines de données
• Les solutions spécialisées : Nextdata, Starburst, Snowflake, Databricks, Denodo…
• Les briques à assembler : Estuary Flow, K2view…
• Les solutions open source : Dremio, Apache…
• Les architectures complémentaires : Edge, micro-bases de données, etc.
• Sécurité et conformité de l’architecture

5 – Retours d’expériences

• Les premières entreprises à avoir mis en place une démarche Data Mesh
• Difficultés rencontrées, et comment les contourner
• Bénéfices obtenus, et comment les mesurer
• Déployer votre premier MVP Data Mesh dans toute l’entreprise
• Impact de la mise en oeuvre du Data Mesh sur l’acculturation à la donnée dans l’entreprise