---
title: "Qu\'est-ce qu\'une Modern Data Platform ?"
url: https://kwanzeo.com/ressources/guide-modern-data-platform
date: 2023-10-06
updated: 2026-10-14
---

# Qu'est-ce qu'une Modern Data Platform ?

> Data Lake, ELT, séparation du stockage et du calcul, batch ou stream, cinq types d'analyse : ce qui distingue une Modern Data Platform de la BI d'hier.

**En résumé :** une Modern Data Platform est une chaîne décisionnelle repensée pour le cloud : les données de tous types sont stockées (Data Lake ou tables), intégrées, transformées puis analysées, plusieurs fois par jour si besoin, avec un stockage et un calcul séparés et des services plutôt que des outils installés. La Business Intelligence repose toujours sur le même principe, mais on n'est plus lié à un seul éditeur pendant des années, et les analyses vont du descriptif au prédictif.

Un guide écrit par Ismaïl, directeur du pôle Data Intelligence de Kwanzeo.

**Sommaire**

- [Qu'est-ce qui a changé par rapport à la BI traditionnelle ?](#quest-ce-qui-a-changé-par-rapport-à-la-bi-traditionnelle-)
- [Quelles sont les étapes d'une chaîne décisionnelle moderne ?](#quelles-sont-les-étapes-dune-chaîne-décisionnelle-moderne-)
- [Qui fait quoi dans l'équipe data ?](#qui-fait-quoi-dans-léquipe-data-)
- [Que faut-il identifier avant de lancer le projet ?](#que-faut-il-identifier-avant-de-lancer-le-projet-)
- [Batch ou stream : à quel rythme traiter les données ?](#batch-ou-stream--à-quel-rythme-traiter-les-données-)
- [Quels types d'analyse une Data Platform permet-elle ?](#quels-types-danalyse-une-data-platform-permet-elle-)
- [Comment s'assurer que la plateforme est réellement utilisée ?](#comment-sassurer-que-la-plateforme-est-réellement-utilisée-)

## Qu'est-ce qui a changé par rapport à la BI traditionnelle ?

La Business Intelligence repose toujours sur le même principe : ETL, entrepôt de données (*Data Warehouse*), cube, rapport. Ce qui a changé, c'est la fin d'une époque où l'on devait être mono-éditeur et engagé sur une solution pendant de longues années pour amortir les centaines de milliers d'euros investis en licences, matériel, maintenance et location de data centers.

La chaîne décisionnelle a aussi connu plusieurs évolutions technologiques :

- l'arrivée du concept de **Data Lake** ;
- la diversification des types de données (structurées, semi-structurées, non structurées), des sources et des formats (JSON, Parquet, ORC…) ;
- le passage de l'**ETL** (*Extract, Transform, Load*) à l'**ELT** (*Extract, Load, Transform*) ;
- la **séparation du stockage et du calcul** (*storage* et *compute*) ;
- le passage de la notion d'**outil** à celle de **service** ;
- la diversification des types d'analyse menées sur les données.

Autre changement : la chaîne décisionnelle était autrefois nocturne et quotidienne, pour traiter les données de la veille. On peut désormais la faire tourner plusieurs fois par jour pour intégrer les données au fil de l'eau et s'approcher du temps réel.

## Quelles sont les étapes d'une chaîne décisionnelle moderne ?

La chaîne décisionnelle moderne se matérialise en **quatre étapes** :

1. **Store (stockage)** : stocker les données au format fichier (Data Lake) ou tabulaire (base de données relationnelle).
2. **Ingest (intégration)** : récupérer les données pour les stocker ou les consommer immédiatement.
3. **Process (traitement)** : convertir les données brutes en informations à valeur ajoutée.
4. **Analyze (analyse)** : explorer, analyser et visualiser les données traitées, en rapports et tableaux de bord, avec un notebook Spark ou un service plus traditionnel comme [Microsoft Power BI](/technologies/power-bi).

## Qui fait quoi dans l'équipe data ?

On parle d'ailleurs moins d'équipe BI que d'**équipe data**. Les étapes peuvent se répartir ainsi :

- **le ou la Data Engineer** conçoit la plateforme de données avec l'architecte et assure le stockage, l'intégration et le traitement des données ;
- **le ou la Data Analyst** s'occupe de la restitution et partage l'exploration et l'analyse des données avec **le ou la Data Scientist**.

Ne négligez pas l'étape d'**exploration (ou profilage) des données** : elle permet d'anticiper et d'optimiser le nettoyage et la transformation, un gain de temps et de méthode précieux dans un projet data.

## Que faut-il identifier avant de lancer le projet ?

L'équipe data doit identifier en amont :

- les besoins fonctionnels à satisfaire ;
- les sources de données nécessaires à ces besoins ;
- le format des données sources ;
- leur fréquence de rafraîchissement ;
- leur volumétrie passée, présente et à venir ;
- les entités du modèle de données : dimensions (axes d'analyse) et faits (mesures, indicateurs) ;
- le mode de consommation des analyses (portail web, application, abonnement…) ;
- la fréquence des rapports à produire.

## Batch ou stream : à quel rythme traiter les données ?

Reste à fixer la fréquence de traitement des données sources : batch, stream ou un mélange des deux.

- **Le mode batch** regroupe les données brutes dans une mémoire tampon avant de les traiter par lots, à une fréquence convenue (chaque jour, chaque heure…) ou à l'atteinte d'un seuil de données. C'est le mode le plus classique et le plus répandu, particulièrement adapté aux gros volumes et aux analyses poussées.
- **Le mode stream** traite la donnée au fil de l'eau, sans constituer de lots. Il convient aux sources dynamiques, mises à jour en continu, et aux objectifs de temps réel, comme la détection de fraude et d'anomalies.

## Quels types d'analyse une Data Platform permet-elle ?

On distingue aujourd'hui **cinq types d'analyse** :

| Analyse | Question | Qui |
|---|---|---|
| **Descriptive** | « Que s'est-il passé ? », à partir de l'historique, pour éclairer les décisions futures. C'est la plus répandue. | Data Analyst |
| **Diagnostique** | « Pourquoi cela s'est-il produit ? », en complément de l'analyse descriptive. | Data Analyst et Data Scientist |
| **Prédictive** | « Que risque-t-il de se passer ? », en s'appuyant sur les faits passés, avec statistiques et Machine Learning. | Data Scientist |
| **Prescriptive** | « Comment y arriver ? » : la liste des actions à mener pour atteindre l'objectif, notamment avec des algorithmes de recommandation. | Data Scientist |
| **Cognitive** | Valoriser en continu la base de connaissances pour trouver le meilleur moyen d'atteindre un objectif, en combinant intelligence artificielle, Machine Learning et analyse de données. | — |

Pour aller plus loin sur l'IA appliquée aux données : [l'IA dans les Data Platforms](/ressources/intelligence-artificielle-ia-data-platform) et notre [guide de l'intelligence artificielle](/ressources/guide-intelligence-artificielle).

## Comment s'assurer que la plateforme est réellement utilisée ?

Une fois l'analyse finalisée, déployée et partagée, vérifiez qu'elle est réellement :

- **utilisée** : l'usage est à suivre ;
- **exhaustive** : elle répond à tous les besoins exprimés ;
- **stable et accessible** : pas de problème technique d'accès, d'utilisation ou d'actualisation ;
- **maintenable et évolutive** : comment détecter et ajouter les nouveaux besoins ?

Prévoyez des **réunions régulières avec les utilisateurs finaux**, au rythme des sprints d'une démarche agile. Les journaux d'utilisation (*logs*) sont de véritables mines d'or pour les préparer.

## La Modern Data Platform en vidéo

Présentation des caractéristiques et des principaux atouts de la Modern Data Platform :

@video https://www.youtube.com/watch?v=rbBETgTFE0o "Modern Data Platform : caractéristiques et atouts principaux"

La transcription est disponible dans [l'interview sur la Modern Data Platform](/ressources/interview-modern-data-platform). Pour choisir votre socle technique, lisez [Fabric ou Snowflake : comment choisir ?](/ressources/fabric-ou-snowflake) et découvrez [notre offre Data Platform](/data-intelligence/data-platform), avec [Microsoft Fabric](/technologies/microsoft-fabric) ou [Snowflake](/technologies/snowflake). Des questions ? [Contactez-nous](/contact).

### Qu'est-ce qui distingue une Modern Data Platform de la BI traditionnelle ?

Le principe reste le même (intégrer, stocker, transformer, restituer), mais la chaîne a évolué : arrivée du Data Lake, diversification des types et formats de données, passage de l'ETL à l'ELT, séparation du stockage et du calcul, passage de l'outil au service, et analyses plus variées. On n'est plus engagé sur un seul éditeur pendant des années.

### Quelles sont les étapes d'une chaîne décisionnelle moderne ?

Quatre étapes : store (stocker en fichiers dans un Data Lake ou en tables), ingest (intégrer les données), process (les transformer en informations à valeur ajoutée) et analyze (les explorer, analyser et visualiser).

### Faut-il traiter les données en batch ou en stream ?

Le batch regroupe les données pour les traiter par lots, à heure fixe ou au-delà d'un seuil : c'est le mode le plus répandu, adapté aux gros volumes. Le stream traite la donnée au fil de l'eau, pour les sources qui changent en continu et les besoins temps réel comme la détection de fraude. Les deux peuvent se combiner.