Fini les tâtonnements, place à l’approche industrialisée de la donnée : le DataOps. Si on tire bien les leçons des années Big Data, qui ont coïncidé avec les débuts de la transformation numérique de la société, c’est bien de cela que les entreprises ont besoin : une infrastructure solide mais agile, qui offre aux métiers la possibilité de s’appuyer sur la donnée pour prendre rapidement des décisions pertinentes, voire automatiser un certain nombre de processus.

Gartner définit le DataOps ainsi :

« DataOps est une pratique collaborative de gestion des données qui vise à améliorer la communication, l’intégration et l’automatisation des flux de données entre les gestionnaires et les consommateurs de données au sein d’une organisation. L’objectif de DataOps est de fournir de la valeur plus rapidement en créant une livraison prévisible et une gestion du changement des données, des modèles de données et des artefacts connexes. DataOps utilise la technologie pour automatiser la conception, le déploiement et la gestion de la livraison des données avec des niveaux de gouvernance appropriés, et il utilise les métadonnées pour améliorer la convivialité et la valeur des données dans un environnement dynamique. »

Il s’agit donc de la combinaison d’un environnement technique (les infrastructures de type "data platform") et d’une gouvernance modernisée, prenant en compte la stratégie, les rôles, les processus, ou encore les métadonnées.

La pratique s'inspire fortement du DevOps, explique dans la vidéo ci-dessous Florent Legras, Data engineering manager de SFEIR Paris. Le monde du développement logiciel a su s'industrialiser ; c'est au tour du monde de la donnée.

La définition du DataOps en moins de 3 minutes

Cet article est extrait du Livre blanc "DataOps" 🗝

Découvrez notre Livre blanc “DataOps” - SFEIR
Découvrez au travers de notre livre blanc comment industrialiser la valorisation de vos données grâce au DataOps.
Share this post