Introduction
Dans un précédent article, nous avons vu comment l’architecture Médaillon permettait de structurer techniquement une plateforme data en couches Bronze, Silver et Gold. Cette base est essentielle, mais elle ne dit rien d’un point pourtant crucial : qui produit la donnée, pour qui, et selon quelles règles communes ?
Disposer d’une donnée propre dans une couche Gold ne suffit pas si personne ne sait qu’elle existe, si elle reste cantonnée à une équipe centrale, ou si chaque service la retravaille dans son coin. C’est là qu’entrent en jeu trois concepts complémentaires : la Data Democracy (la vision), le Data Product (la brique de valeur) et le Data Mesh (le modèle d’organisation). Ensemble, ils répondent à une question simple mais centrale : comment faire en sorte que la donnée crée vraiment de la valeur, à grande échelle, dans toute l’entreprise ?
1. Data Democracy : rendre la donnée accessible
La Data Democracy (ou « démocratie de la donnée ») désigne la capacité d’une organisation à rendre la donnée accessible et utilisable par le plus grand nombre, indépendamment du niveau d’expertise technique. L’idée de fond est simple : si la donnée reste l’exclusivité de quelques spécialistes, elle ne peut pas devenir un véritable levier de décision.
Concrètement, la démocratisation de la donnée s’appuie sur trois piliers :
- Un accès facilité → Les bonnes personnes peuvent accéder aux bonnes données, au bon moment, via des outils self-service comme Power BI ;
- Une montée en compétence → Les utilisateurs métier sont formés à lire, interpréter et croiser la donnée par eux-mêmes (data literacy) ;
- Une culture de la curiosité → L’organisation encourage activement la prise de décision à tous les niveaux, et non plus uniquement dans les directions data ou IT.
Attention toutefois à une lecture trop naïve : démocratiser la donnée ne signifie pas donner accès à tout, à tout le monde, tout le temps. Il s’agit plutôt de garantir que « les bonnes personnes accèdent aux bonnes données, au bon moment, pour le bon usage », en maintenant un équilibre entre accessibilité et gouvernance.
Bien menée, la Data Democracy apporte des bénéfices concrets : prise de décision plus rapide, autonomie des équipes métier et émergence d’initiatives portées directement par le terrain. Elle pose en revanche de vrais défis comme notamment la sécurité, la qualité et l’homogénéité des indicateurs.
2. La donnée comme produit : le concept de Data Product
Si la Data Democracy fixe le cap, encore faut-il définir ce qu’on partage. C’est tout l’enjeu du concept de Data Product, popularisé par Zhamak Dehghani comme l’un des piliers du Data Mesh.
Un Data Product, c’est l’application du « product thinking » à la donnée : on cesse de la considérer comme un sous-produit technique d’une application opérationnelle pour la traiter comme un produit à part entière, conçu pour des utilisateurs (les « consommateurs » de la donnée) qu’ils soient internes ou externes. Très concrètement, un Data Product regroupe des jeux de données, des modèles, des pipelines et leurs métadonnées au service d’un cas d’usage clair.
Les caractéristiques d’un bon Data Product (DATSIS)
Pour qu’un Data Product remplisse vraiment son rôle, il doit respecter six propriétés clés, regroupées sous l’acronyme DATSIS (Discoverable, Addressable, Trustworthy, Self-describing, Interoperable, Secure).
Un exemple concret
Pour rendre le concept plus parlant, prenons un exemple : un Data Product « Heures Supplémentaires » destiné aux équipes RH. Il ne s’agit pas d’une simple table dans un entrepôt, mais d’un ensemble cohérent et gouverné de ressources, qui regroupe typiquement :
- plusieurs tables Gold organisées en modèle dimensionnel : des dimensions (entité, période, motif d’heures supplémentaires,…) et une ou plusieurs tables de faits (volume d’heures, montants associés, périodes de référence) ;
- une Business Interface qui expose plusieurs vues prêtes à l’emploi à partir de ces tables ;
- un propriétaire clairement désigné (Data RH), garant des règles métier appliquées ;
- des utilisateurs identifiés : managers pour le pilotage de leur équipe, paie pour le calcul des rémunérations, RH pour les analyses globales ;
- des engagements de qualité : fraîcheur des données, exhaustivité, traçabilité et documentation accessible.
On retrouve ici tout l’esprit du concept : un livrable clair, un propriétaire identifié, des utilisateurs explicites et des engagements de qualité. La donnée n’est plus juste « stockée quelque part », elle est packagée comme un produit à part entière que les équipes métier peuvent consommer en confiance, sans avoir à comprendre la mécanique interne du modèle.
3. Data Mesh : passer à l’échelle organisationnelle
Le Data Mesh est un modèle d’organisation et d’architecture introduit par Zhamak Dehghani en 2019. Son point de départ est un constat simple : à mesure que les sources de données et les usages se multiplient, l’équipe data centrale devient un goulot d’étranglement. Elle
connaît mal le métier, doit jongler avec des dizaines de domaines, et finit par accumuler les retards.
Le Data Mesh propose de retourner le problème : la responsabilité de la donnée doit revenir aux équipes métier qui la connaissent le mieux. Il repose pour cela sur quatre principes fondamentaux : la propriété décentralisée par domaine, la donnée comme produit, une plateforme self-service et une gouvernance fédérée.
Cette approche a été adoptée par plusieurs entreprises de référence comme Netflix, Zalando, Intuit, PayPal ou VistaPrint. Zalando, par exemple, a mis en oeuvre le Data Mesh pour sortir d’un Data Lake centralisé devenu ingérable, en confiant à chaque domaine la responsabilité de ses données afin d’accélérer ses cas d’usage de personnalisation. Netflix a, de son côté, construit une plateforme self-service standardisée, qu’ils appellent eux-mêmes Data Mesh et qui rejoint un des piliers de Dehghani.
Avantages et limites
Le Data Mesh offre plusieurs avantages : scalabilité organisationnelle (l’équipe centrale n’est plus le goulot d’étranglement), proximité métier (la donnée est gérée par ceux qui la comprennent), et autonomie des équipes (chaque domaine livre à son rythme).
Il a aussi des limites bien réelles. C’est avant tout un changement culturel et organisationnel, plus qu’un sujet d’outils : sans sponsoring fort de la direction, il échoue souvent. Il peut générer de la résistance (côté métier, qui hérite d’une charge data, comme côté équipe centrale, qui craint de perdre son rôle). Mal cadré, il peut produire des silos coûteux et une gouvernance défaillante. Enfin, il n’est pas adapté aux petites organisations ou à des contextes où peu de domaines manipulent de la donnée à grande échelle : la complexité ajoutée serait alors supérieure aux bénéfices.
4. Data Democracy vs Data Mesh : différences et complémentarités
Ces deux concepts sont souvent confondus, à tort. La Data Democracy est une vision : elle décrit ce que l’on cherche à obtenir (une donnée accessible à tous, dans un cadre maîtrisé). Le Data Mesh est un modèle d’architecture et d’organisation : il décrit comment organiser concrètement la donnée et les équipes pour atteindre cette vision à grande échelle.
Les deux sont complémentaires : le Data Mesh est un moyen privilégié de mettre en oeuvre la Data Democracy dans une organisation complexe, parce qu’il associe autonomie locale et gouvernance commune. À l’inverse, un Data Mesh sans vision de Data Democracy peut très bien se transformer en simple décentralisation technique, sans réel gain pour le métier.
Il est aussi utile de positionner le Data Mesh face à un autre concept : le Data Fabric. Là où le Data Mesh est avant tout organisationnel (on change qui fait quoi), le Data Fabric est
avant tout technologique (on automatise et unifie l’accès aux données via une couche intelligente, souvent appuyée sur l’IA). Beaucoup d’entreprises combinent en réalité les deux : un Data Mesh pour l’organisation, un Data Fabric pour l’intégration technique.
5. Comment démarrer concrètement ?
Adopter ces concepts ne se décrète pas. Il s’agit d’un cheminement progressif qui combine vision, organisation et outillage. Voici quelques étapes-clés pour démarrer :
- Clarifier la vision Data Democracy → Définir ce que signifie « rendre la donnée accessible » dans votre contexte : quels publics, quels usages, quelles règles ;
- Identifier vos premiers domaines → Cartographier les grands domaines métier (ventes, finance, produit, opérations…) qui ont le plus à gagner d’une approche Data Mesh, et clarifier leur périmètre ;
- Constituer des équipes pluridisciplinaires → Pour chaque domaine, mettre en place un noyau composé d’un Product Owner Data et d’un ou deux Data Engineers/Analysts, en lien direct avec le métier ;
- Lancer un ou deux pilotes → Plutôt que de viser une transformation complète, démarrer avec un Data Product à forte valeur pour valider la démarche ;
- Investir dans la plateforme self-service → S’appuyer sur des briques cloud standards pour permettre aux domaines de devenir autonomes ;
- Mettre en place une gouvernance solide → Définir avec les domaines des règles communes que chacun applique, idéalement de manière automatisée ;
- Former et accompagner → Investir massivement dans la data literacy : sans montée en compétence des équipes métier, ni la Data Democracy ni le Data Mesh ne tiennent leurs promesses.
En complément, l’architecture Médaillon vue dans le précédent article reste pleinement compatible avec cette logique : chaque domaine peut adopter une organisation Bronze/Silver/Gold pour ses propres données, et exposer des Data Products à partir de ses couches Silver et/ou Gold. Les deux approches se renforcent : Médaillon structure techniquement la donnée à l’intérieur d’un domaine, le Data Mesh structure organisationnellement les domaines entre eux.
Conclusion
Data Democracy, Data Product et Data Mesh ne sont pas des effets de mode interchangeables : ce sont trois angles d’un même objectif, faire de la donnée un véritable levier de valeur. La Data Democracy fixe le cap, le Data Product donne l’unité de valeur, le Data Mesh fournit le modèle d’organisation pour passer à l’échelle.
Bien comprises, ces approches transforment la donnée en bien commun de l’entreprise : visible, fiable, gouvernée, et surtout réellement utilisée par les équipes métier. Elles ne se substituent pas à une bonne architecture technique (comme le modèle Médaillon), elles la complètent en répondant à la question essentielle : « comment organiser nos équipes et nos
pratiques pour que la donnée crée vraiment de la valeur ? » En data, comme en produit, c’est cette discipline d’organisation qui fait la différence sur le long terme.
Vous recherchez des experts capables de vous guider dans la mise en place d’une stratégie data intégrant architecture, gouvernance et valorisation analytique ?
Découvrez notre Practice de Product Data/IA : https://www.5degres.com/product-data/
FAQ : Le pilotage par OKR
Quelle différence entre Data Democracy et Data Mesh ?
La Data Democracy est une vision (rendre la donnée accessible et utilisable par le plus grand nombre dans un cadre maîtrisé). Le Data Mesh est un modèle d’organisation et d’architecture qui permet d’y arriver à grande échelle, en confiant la responsabilité des données aux domaines métier. Les deux sont complémentaires.
Qu’est-ce qu’un Data Product, en quelques mots ?
Un Data Product est un actif data fiable, documenté et géré comme un produit : il a un propriétaire, des utilisateurs, une qualité mesurée et une finalité claire. Il regroupe données, modèles, pipelines et métadonnées au service d’un cas d’usage métier précis.
Quelles sont les 6 caractéristiques d’un bon Data Product (DATSIS) ?
DATSIS désigne un Data Product Discoverable (trouvable), Addressable (adressable), Trustworthy (fiable), Self-describing (auto-descriptif), Interoperable (interopérable) et Secure (sécurisé).
Quels sont les 4 piliers du Data Mesh ?
Propriété décentralisée par domaine, donnée comme produit, plateforme self-service, et gouvernance fédérée et automatisée. Ces quatre principes, posés par Zhamak Dehghani en 2019, sont indissociables.
Le Data Mesh remplace-t-il l’architecture Médaillon ?
Non, les deux sont complémentaires. Médaillon structure techniquement la donnée au sein d’un domaine (Bronze, Silver, Gold). Le Data Mesh structure organisationnellement la donnée à l’échelle de l’entreprise. Chaque domaine peut très bien appliquer une logique Médaillon en interne tout en exposant des Data Products dans un Data Mesh global.
Faut-il être une grande entreprise pour faire du Data Mesh ?
Le Data Mesh prend tout son sens dans des organisations multi-domaines avec une équipe data centrale saturée. Pour des structures plus petites ou peu de cas d’usage data, sa complexité est souvent supérieure aux bénéfices : il vaut mieux commencer par les fondamentaux (architecture Médaillon, premiers Data Products, gouvernance simple) avant d’envisager une décentralisation à grande échelle.
Nicolas JACOB PERES
Data Engineer
