Gestion des données
La gestion de données est la pratique consistant à recueillir, conserver et utiliser des données de manière sécurisée, efficace et rentable. L’objectif de la gestion des données est d’aider les personnes, les entreprises et les objets connectés à optimiser l’utilisation des données dans les limites des politiques et des réglementations afin qu’ils puissent prendre des décisions et mener des actions qui optimisent les avantages pour l’entreprise. Une stratégie de gestion des données robuste devient plus importante que jamais, car les entreprises comptent de plus en plus sur actifs incorporels pour créer de la valeur.
La gestion des données digitales dans une entreprise implique un large éventail de tâches, de politiques, de procédures et de pratiques. Le travail de gestion des données porte sur un champ étendu, couvrant des facteurs tels que la manière d’effectuer les opérations suivantes :
- Créer, mettre à jour des données et y accéder sur l’ensemble d’une couche de données diversifiée
- Stocker des données sur plusieurs Clouds et sur site
- Fournir une haute disponibilité et une capacité de reprise après sinistre
- Utiliser les données dans un nombre croissant d’applications, d’analyses et d’algorithmes
- Garantir la confidentialité et la sécurité des données
- Archiver et détruire les données conformément aux calendriers de conservation et aux exigences de conformité
Une stratégie formelle de gestion des données répond aux besoins suivants : l’activité des utilisateurs et des administrateurs, les capacités des technologies de gestion des données, les contraintes des exigences réglementaires et la nécessité pour l’entreprise d’obtenir de la valeur à partir de ses données.
Le capital données est le capital commercial
Dans l’économie digitale d’aujourd’hui, les données sont une sorte de capital, un facteur économique de production de biens et de services digitaux. Tout comme un constructeur automobile ne peut fabriquer un nouveau modèle s’il ne dispose pas du capital financier nécessaire, il ne peut rendre ses voitures autonomes s’il ne dispose pas des données lui permettant d’alimenter les algorithmes embarqués. Ce nouveau rôle des données a des implications pour la stratégie concurrentielle ainsi que pour l’avenir de l’informatique.
Compte tenu de ce rôle central et stratégiques des données, de bonnes pratiques de gestion et un système de gestion robuste sont essentiels pour chaque entreprise, indépendamment de sa taille ou de son type.
En savoir plus sur l’essor du capital données (PDF)Systèmes de gestion de données aujourd’hui
Les entreprises d’aujourd’hui ont besoin d’une solution de gestion des données offrant un moyen efficace de gérer les données sur une couche de données diversifiée mais unifiée. Les systèmes de gestion de données reposent sur des plateformes de gestion de données et peuvent inclure des bases de données, des lacs de données et des data warehouses, des systèmes de gestion Big Data, des solutions d’analyse de données, et ainsi de suite.
Tous ces composants fonctionnent de concert comme un « utilitaire de données » pour fournir les fonctionnalités de gestion de données dont une entreprise a besoin pour ses applications, ainsi que les capacités analytiques et les algorithmes utilisant les données générées par ces applications. Bien que les outils actuels aident les administrateurs de base de données à automatiser de nombreuses tâches de gestion classiques, une intervention manuelle est toujours souvent nécessaire en raison de la taille et de la complexité de la plupart des déploiements de bases de données. Chaque fois qu’une intervention manuelle est requise, le risque d’erreur augmente. Réduire le besoin de gestion manuelle des données est l’un des objectifs clés d’une nouvelle technologie de gestion de données, la base de données autonome.
Une plateforme de gestion de données est le système fondamental pour la collecte et l’analyse d’importants volumes de données dans une entreprise. Les plateformes de données commerciales incluent généralement des outils logiciels de gestion, développés par le fournisseur de base de données ou par des fournisseurs tiers. Ces solutions de gestion de données aident les équipes informatiques et les administrateurs de bases de données à effectuer des tâches classiques telles que :
- Identification, alerte, diagnostic et résolution des erreurs dans le système de base de données ou l’infrastructure sous-jacente
- Allocation de la mémoire de base de données et des ressources de stockage
- Application de modifications à la conception de la base de données
- Optimisation des réponses aux requêtes de base de données pour des performances plus rapides des applications
De plus en plus populaires, les plateformes de données basées sur le Cloud permettent aux entreprises de mettre en œuvre une évolutivité ascendante ou descendante rapidement et à moindre coût. Certaines sont disponibles en tant que service, ce qui permet aux entreprises de réaliser encore davantage d’économies.
Basée dans le Cloud, une base de données autonome utilise l’intelligence artificielle (AI) et le machine learning pour automatiser de nombreuses tâches de gestion de données effectuées par les administrateurs de base de données, notamment la gestion des sauvegardes, de la sécurité et de l’optimisation des performances de base de données.
Aussi appelée base de données à pilotage automatique, une base de données autonome offre des avantages importants pour la gestion des données, notamment :
- Complexité réduite
- Diminution du potentiel d’erreur humaine
- Plus grande fiabilité et sécurité de la base de données
- Amélioration de l’efficacité opérationnelle
- Coûts réduits
De plus en plus populaires, les plateformes de données basées sur le Cloud permettent aux entreprises de mettre en œuvre une évolutivité ascendante ou descendante rapidement et à moindre coût. Certaines sont disponibles en tant que service, ce qui permet aux entreprises de réaliser encore davantage d’économies.
Systèmes de gestion Big Data
À certains égards, le Big Data, comme son nom l’indique, désigne d’énormes quantités de données. Mais le Big Data se présente également sous une plus grande variété de formes que les données classiques, et sa collecte s’effectue à une vitesse plus élevée. Pensez à toutes les données qui arrivent chaque jour ou chaque minute à partir d’une source de réseau social tel que Facebook. La quantité, la variété et la rapidité de ces données sont ce qui les rend si précieuses pour les entreprises, mais elles rendent également leur gestion très complexe.
De plus en plus de données sont collectées à partir de sources aussi disparates que les caméras vidéo, les médias sociaux, les enregistrements audio et les terminaux de l’IoT (Internet of Things). C’est dans ce contexte que les systèmes de gestion du Big Data ont fait leur apparition. Ces systèmes sont spécialisés dans trois domaines généraux.
- L’intégration du Big Data amène différents types de données, qu’il s’agisse de données de traitement par lot ou de données de transmission en continu, et les transforme afin que ces données puissent être consommées.
- La gestion du Big Data stocke et traite les données issues d’un lac de données ou d’un data warehouse de façon plus efficace, plus sûre et plus fiable, souvent en utilisant le stockage objet.
- L’analyse du Big Data permet de découvrir de nouvelles informations exploitables grâce à l’analytique et utilise des visualisations dérivées du machine learning et de l’intelligence artificielle (IA) pour créer des modèles.
Les entreprises utilisent le Big Data pour améliorer et accélérer le développement de produits, la maintenance prédictive, l’expérience client, la sécurité, l’efficacité opérationnelle et bien plus encore. Au fur et à mesure que le Big Data continuera de croître, les opportunités se multiplieront.
Défis de la gestion des données
La plupart des défis concernant aujourd’hui la gestion des données résultent de l’accélération du rythme des affaires et de la prolifération croissante des données. La variété, la vélocité et le volume, en perpétuelle croissance, des données à la disposition des entreprises poussent ces dernières à rechercher des outils de gestion plus efficaces pour se maintenir à niveau. Les principaux défis auxquels les entreprises sont confrontées sont notamment les suivants :
|
Elles savent pas de quelles données elles disposent |
Des données provenant d’un nombre et d’une variété croissants de sources telles que des capteurs, des terminaux intelligents, des médias sociaux et des caméras vidéo sont recueillies et stockées. Mais aucune de ces données n’est utile si l’entreprise ne sait pas quelles données elle possède, où elles se trouvent, et comment les utiliser. |
|
Elles doivent maintenir leurs niveaux de performance à mesure que la couche de données se développe |
Les organisations collectent, stockent et utilisent en permanence toujours davantage de données. Pour maintenir des temps de réponse de pointe sur cette couche en expansion, les entreprises doivent surveiller en permanence le type de questions auxquelles répond la base de données et modifier les index à mesure que les requêtes changent, le tout sans préjudice en termes de performances. |
|
Elles doivent répondre à des exigences de conformité en constante évolution |
Les règles de conformité sont complexes et multi-juridictionnelles, et évoluent constamment. Les entreprises doivent pouvoir examiner facilement leurs données et identifier tout ce qui relève des exigences nouvelles ou modifiées. En particulier, les informations personnelles identifiables (PII) doivent être détectées, suivies et contrôlées pour assurer la conformité aux réglementations de plus en plus strictes en matière de confidentialité. |
|
Elles ne sont pas sûres de savoir comment reconvertir les données pour les utiliser à d’autres fins |
La collecte et l’identification des données elles-mêmes ne fournissent aucune valeur ajoutée. L’entreprise doit traiter ces données. Si beaucoup de temps et d’efforts sont nécessaires afin de convertir les données pour les besoins de l’analyse, cette analyse n’aura pas lieu. Par conséquent, la valeur potentielle de ces données est perdue. |
|
Elles doivent se tenir à jour des changements en matière de stockage de données |
Dans le nouveau monde de la gestion des données, les entreprises stockent leurs données dans plusieurs systèmes, y compris des data warehouses et des lacs de données non structurés qui stockent toutes les données, quel que soit leur format, dans un référentiel unique. Les data scientists d’une entreprise ont besoin d’un moyen de transformer rapidement et facilement les données à partir de leur format d’origine de sorte à obtenir la forme, le format ou le modèle dont ils ont besoin pour un large éventail d’analyses. |
Principes de gestion des données et confidentialité des données
Le règlement général sur la protection des données (RGPD) promulgué par l’Union européenne et mis en œuvre en mai 2018 comprend sept principes clés pour la gestion et le traitement des données à caractère personnel. Ces principes incluent la licéité, l’équité et la transparence, la limitation de la finalité, l’exactitude, la limitation de la durée de stockage, l’intégrité et la confidentialité, et plus.
Le RGPD et d’autres lois qui lui ont succédé, comme le California Consumer Privacy Act (CCPA), sont en train de modifier le paysage de la gestion des données. Ces exigences fournissent des lois normalisées sur la protection des données qui permettent aux individus de contrôler leurs données personnelles et leur utilisation. En effet, cela transforme les consommateurs en parties prenantes des données disposant d’un véritable recours juridique lorsque les entreprises ne parviennent pas à obtenir un consentement éclairé lors de la collecte des données, exercent un contrôle médiocre sur l’utilisation ou la localité des données, ou encore ne respectent pas les exigences en matière d’effacement ou de portabilité des données.
Meilleures pratiques en matière de gestion des données
Relever les défis de la gestion des données nécessite un ensemble complet et bien conçu de meilleures pratiques. Bien que les meilleures pratiques spécifiques varient en fonction du type de données impliqué et du secteur d’activité, les meilleures pratiques suivantes traitent des principaux problèmes de gestion des données auxquels les entreprises sont aujourd’hui confrontées :
|
Créez une couche de découverte pour identifier vos données |
Une couche de découverte sus-jacente à la couche de données de votre entreprise permet aux analystes et aux data scientists de rechercher et de parcourir des jeux de données afin de rendre vos données utilisables. |
|
Développez un environnement de data science pour reconvertir efficacement vos données |
Un environnement de data science automatise autant que possible le travail de transformation des données, en rationalisant la création et l’évaluation de modèles de données. Un ensemble d’outils qui élimine le besoin de transformation manuelle des données peut accélérer la formulation d’hypothèses et les tests de nouveaux modèles. |
|
Utilisez une technologie autonome pour maintenir les niveaux de performances de votre couche de données en expansion |
Les capacités de données autonomes utilisent l’intelligence artificielle et le machine learning pour surveiller en permanence les requêtes de base de données et optimiser les index à mesure que les requêtes évoluent. Cela permet à la base de données de maintenir des temps de réponse rapides et libère les administrateurs de base de données et les data scientists des tâches manuelles chronophages. |
|
Utilisez la découverte pour maîtriser les exigences de conformité |
De nouveaux outils utilisent la découverte de données pour examiner les données et identifier les chaînes de connexion qui doivent être détectées, suivies et surveillées pour assurer la conformité multi-juridictionnelle. À mesure que les exigences de conformité augmentent à l’échelle mondiale, cette capacité revêtira une importance croissante pour les responsables des risques et de la sécurité. |
|
Utilisez une couche de requête commune pour gérer des formes de stockage de données plurielles et diversifiées |
Les nouvelles technologies permettent aux référentiels de gestion de données de fonctionner ensemble, faisant disparaître leurs différences. Une couche de requête commune couvrant les nombreux types de stockage de données permet aux data scientists, aux analystes et aux applications d’accéder aux données sans avoir besoin de savoir où elles sont stockées, ni de les transformer manuellement en un format utilisable. |
La valeur d’un environnement de data science
La data science est un domaine interdisciplinaire qui utilise des méthodes scientifiques, des processus, des algorithmes et des systèmes pour valoriser les données. Les data scientists associent diverses compétences (connaissances en statistiques, informatique et commerce) pour analyser les données collectées à partir du Web, des smartphones, des capteurs, auprès des clients et d’autres sources.
La gestion des données évolue
Avec le rôle nouveau des données en tant que capital commercial, les entreprises découvrent ce que les startups et les innovateurs digitaux savent déjà : Les données sont un atout précieux pour identifier les tendances, prendre des décisions et agir avant les concurrents. La nouvelle position des données dans la chaîne de valeur entraîne les entreprises à rechercher activement de meilleurs moyens d’extraire de la valeur de ce nouveau capital.
Au sein des entreprises, les responsabilités de l’administrateur de base de données en matière de gestion des données évoluent également, réduisant le nombre de tâches routinières, de sorte que les administrateurs de base de données puissent se concentrer sur des questions plus stratégiques et assurer un support essentiel en matière de gestion des données dans les environnements cloud (PDF) impliquant des initiatives clés telles que la modélisation des données et la sécurité des données.