.webp)
Qu’est-ce que data mesh ?
Le data mesh est une approche décentralisée de la gestion des données. Il s’oppose aux modèles traditionnels centralisés, comme les data lakes ou les data warehouses.
Chaque domaine métier (finance, RH, logistique…) devient responsable de ses propres données. Ces équipes produisent, stockent et partagent leurs données comme un produit fini, prêt à être utilisé.
Le data mesh repose sur quatre grands principes : l’organisation décentralisée, les données vues comme un produit, une plateforme de données commune et une gouvernance fédérée.
À quoi sert data mesh ?
Le data mesh vise à résoudre un problème courant dans les grandes entreprises : les silos de données et la lenteur des équipes centralisées.
Avec cette méthode, les équipes métiers gèrent elles-mêmes les données qu’elles produisent. Cela réduit les délais et favorise la qualité des données, car les experts en sont les producteurs.
Les grandes organisations y trouvent un avantage rapide, surtout quand elles ont plusieurs systèmes, sites ou équipes techniques dispersées.
Comment fonctionne data mesh ?
Le data mesh repose sur une logique de distribution des responsabilités. Chaque domaine métier est responsable de gérer ses données de bout en bout.
Les équipes techniques mettent en place une plateforme commune avec les outils nécessaires : catalogues, contrôles d’accès, interfaces d’exposition.
Cette plateforme permet aux autres équipes de découvrir, comprendre et exploiter des données fiables, sans dépendre d’un centre unique.
Les règles de qualité, de sécurité et de conformité sont partagées par tous grâce à une gouvernance « fédérée », c’est-à-dire coordonnée sans être centralisée.
Différences avec des notions proches
Le data lake regroupe toutes les données de l’entreprise dans un seul espace. Le data mesh répartit ces données entre les domaines métiers.
Contrairement au data warehouse, le data mesh ne repose pas sur une modélisation centralisée unique. Chaque domaine adapte sa présentation des données.
Le data mesh est aussi différent d’une simple API ou d’un catalogue. Il inclut une responsabilité claire autour des données, avec un objectif de qualité et d’usage réel.
Exemples ou cas d’usage concrets
Dans une grande chaîne de distribution, l’équipe logistique peut fournir les données de stocks sous forme de produits accessibles via la plateforme commune.
Les ressources humaines peuvent exposer des indicateurs issus des entretiens annuels, sans passer par l’équipe data centrale.
Une banque internationale peut gérer les données clients séparément par région. Chaque région reste responsable localement, tout en respectant des règles globales partagées.
Les analystes métiers accèdent à des produits de données prêts à l’emploi, fiables et documentés par les équipes métiers concernées.