Partie 2 · Les limites historiques
De la donnée au modèle centralisé
La donnée s'utilise sur un continuum : opérationnel (capteurs, ventes, facturation) → BI (agrégée, rapports, tableaux de bord) → IA (prédiction, automatisation, personnalisation temps réel). BI et IA ne s'opposent pas. L'analyse elle-même suit un continuum à 4 niveaux, illustré par des ventes sur un portefeuille de clients :
| Analyse | Question | Exemple |
|---|---|---|
| Descriptive | ce qui s'est passé | ventes par mois et par segment |
| Diagnostic | les causes observées | évolution du mix produit, effets prix/volume |
| Prédictive | les événements futurs | projection des ventes, clients à risque |
| Prescriptive | les actions à recommander | produits à proposer, optimisation des prix |
La frontière opérationnel / analytique s'estompe avec les indicateurs produits en temps réel pour des décisions opérationnelles.
Vérifie que tu as compris
Les architectures successives
| Architecture | Principe | Limites |
|---|---|---|
| Data Warehouse (années 90) | centraliser et structurer dans un entrepôt, copie régulière des systèmes opérationnels (ERP, CRM), modèles selon des axes prédéfinis | vite limité pour rafraîchir plus souvent ; ne gère pas bien le non structuré |
| Big Data / Data Lake (début 2010) | très grands volumes, quasi temps réel, formats variés ; le lake stocke tout type de donnée à grande échelle, à moindre coût, sans transformation préalable | risque de déverser sans gouvernance, traçabilité, documentation |
| Lakehouse (2018-2020) | réconcilie structuration du DWH et souplesse du lake | répond au technique, mais la donnée est d'abord une question de besoin métier, de modélisation et de partage |
Un Data Swamp (marécage de données) est un Data Lake rempli sans gouvernance, sans traçabilité, sans documentation ni responsabilité claire : donc inexploitable.
Vérifie que tu as compris
Le vrai problème : le modèle centralisé
DWH, Lake et Lakehouse partagent un même point organisationnel : une équipe centrale unique collecte, transforme et expose les données pour tous les métiers. Deux limites : la distance entre producteurs et consommateurs de données, et un problème de scalabilité : une seule équipe ne peut répondre à tous les besoins et devient le goulot d'étranglement.
Fil rouge : TerraVerte. Groupe agroalimentaire bio d'environ 800 salariés : agriculture, 4 usines, 3 entrepôts régionaux, commercial (grande distribution + e-commerce), fonctions support (RH, Finance, RSE). Une équipe data centrale de 5 personnes traite toutes les demandes, avec des délais de 6 à 8 semaines, et des directions bâtissent des fichiers Excel « parallèles ». La direction a validé une démarche Data Mesh avec un budget limité pour un pilote de 6 mois.
Vérifie que tu as compris