Formation Data Mesh : adopter le paradigme de l'architecture de données décentralisée.

Programme de formation Data Mesh : adopter le paradigme de l'architecture de données décentralisée.

Contexte et évolution des architectures data

– Data Warehouse, Data Lake, Data Lakehouse : forces, limites et raisons de l’essoufflement des approches centralisées
– Enjeux actuels des organisations data-driven : volume, diversité des cas d’usage et passage à l’échelle
– Naissance du Data Mesh : le changement de paradigme proposé par Zhamak Dehghani
– Les 4 piliers du Data Mesh : Domain Ownership, Data as a Product, Self-serve Infrastructure, Federated Governance
– Caractéristiques d’une donnée dans le Data Mesh : accessibilité, auditabilité, disponibilité, intégrité

**Exemples d’activités pratiques :**

– Cartographie des problématiques data rencontrées par les participants dans leur organisation
– Identification des limites de l’architecture data actuelle au regard des 4 piliers

Domain-Driven Ownership

– Domain-Driven Design (rappels) : bounded contexts, ubiquitous language et leur application aux données
– Domain-Oriented Ownership : décentraliser la responsabilité des données vers les domaines métier
– Alignement entre sources de données et domaines de données : critères de découpage
– Les 3 archétypes de data domain : source-aligned, aggregated et consumer-aligned
– Délimitation des domaines : s’assurer que les périmètres sont clairs et les responsabilités non chevauchées

**Exemples d’activités pratiques :**

– Découpage en domaines de données sur un cas d’entreprise fictif
– Atelier perspective consommateur : identifier les données nécessaires et leur provenance

Data as a Product

– Caractéristiques d’un Data Product : découvrabilité, adressabilité, fiabilité, interopérabilité, sécurité
– Les 3 archétypes de Data Products : source-oriented, aggregated et consumer-oriented
– Modèle de données versus protocole d’échange : définir les interfaces d’un Data Product
– Data Contracts (notions) : formaliser les engagements entre producteurs et consommateurs de données
– Intégration des Data Products dans un écosystème legacy : cohabitation avec l’existant

**Exemples d’activités pratiques :**

– Conception d’un Data Product à partir d’un besoin consommateur : spécification des interfaces et du contrat
– Atelier perspective producteur : modéliser un Data Product et ses garanties de qualité

Self-serve Data Infrastructure

– Platform thinking appliqué à la Data Mesh : fournir des capacités en libre-service aux domaines
– Data Mesh Experience Plane : portail de découverte et de consommation des Data Products
– Data Product Experience Plane : outils de création, publication et monitoring des Data Products
– Utility Plane : services transverses (stockage, compute, sécurité, observabilité)
– Principes de conception d’une plateforme self-service : abstraire la complexité technique sans réduire l’autonomie

**Exemples d’activités pratiques :**

– Modélisation des composants d’une plateforme self-service adaptée au contexte des participants
– Étude de cas : le contrôle d’accès comme capacité self-service

Federated Computational Governance

– Gouvernance centralisée vs fédérée : enjeux et limites de chaque modèle
– Principes de la gouvernance fédérée computationnelle : automatiser les politiques plutôt que les imposer manuellement
– Standards et interopérabilité : définir les règles globales que chaque domaine doit respecter
– Rôles clés : Data Steward, Data Owner et leur articulation dans un modèle fédéré
– Équilibrer autonomie des domaines et cohérence globale du système de données

**Exemples d’activités pratiques :**

– Définition de règles de gouvernance fédérée sur un cas concret (confidentialité, qualité, interopérabilité)
– Atelier : répartir les responsabilités entre domaines métier, data office et équipe plateforme

Feuille de route et conduite du changement

– Évaluer la maturité de son organisation face au Data Mesh : matrice d’évaluation
– Identifier les domaines métiers prioritaires pour un premier Data Product
– Étapes clés d’adoption : du MVP Data Mesh au déploiement à l’échelle
– Dimensions organisationnelles et culturelles : embarquer les équipes et les data owners
– Construire son plan d’action : jalons, parties prenantes et critères de succès

**Exemples d’activités pratiques :**

– Construction d’une feuille de route Data Mesh personnalisée pour l’organisation de chaque participant
– Identification des quick wins et des freins potentiels dans son contexte