Kézako MDM, épisode 3 : réussir un projet Master Data Management

En résumé : un projet MDM réussi repose sur quatre piliers : savoir où sont les données (et lesquelles sont vraiment des données de référence), traiter leur qualité dès le démarrage, organiser le projet avec toutes les parties prenantes et une méthode adaptée comme Scrum, et faire formaliser le besoin par les métiers. Dans ce troisième épisode de la série Kézako MDM, Stéphan Verdier, Directeur du Pôle Data Management de Kwanzeo, détaille ces étapes jusqu'à la mise en production d'un MVP.

Pour une vue d'ensemble, lisez aussi notre guide Réussir son projet MDM.

Transcription de la vidéo

Bonjour à tous et bienvenue pour ce troisième épisode de Kézako.data. Je me présente : Stéphan Verdier, Directeur du Pôle Data Management de Kwanzeo. Aujourd'hui, je vais vous parler de comment réussir un projet Master Data Management.

Dans cet épisode, nous allons faire un rappel de l'épisode 2 sur le Master Data Management, puis aborder et détailler les quatre points suivants :

1. Où sont les données
2. La qualité des données
3. L'organisation du projet
4. La formalisation du besoin

Le Master Data Management

Qu'est-ce que le Master Data Management ?

• Un MDM centralise toutes les données de référence en un point unique : le Golden Record.
• Un MDM propose des processus de standardisation, de normalisation, de consolidation, de nettoyage des doublons, de propagation et de traçage des données de référence pour une entreprise.
• Un MDM propose aussi des outils de reporting et de découverte de la donnée, ainsi que l'exposition de services de création, de modification et de consultation des données.

Quel est l'objectif du Master Data Management ?

• Centraliser, standardiser, réconcilier et publier une information qui correspond au business de l'entreprise.
• Simplifier la prise de décision métier sur les nouveaux besoins et faciliter leur mise en place dans l'organisation.
• Simplifier la prise de décision côté IT sur la rationalisation des échanges et l'homogénéisation des données.
• Enrichir l'information grâce à un processus de certification qui correspond aux besoins définis par le métier : centralisation, standardisation, normalisation, vérification des informations et publication du point de vérité.

L'Intelligent Data Hub est le nouveau terme pour parler du Master Data Management.

Quel est l'écosystème d'un Intelligent Data Hub ?

En formant un « hub de données », l'outil permet de contrôler le flux de données de référence, de l'enrichir, d'améliorer sa qualité et d'instaurer des moyens de gouvernance. Le hub permet de disposer d'une vision complète et coordonnée des données de référence au sein de l'organisation. Il offre les moyens de diffuser et d'orchestrer l'usage et l'actualisation de ces données. L'ensemble des briques du système d'information, opérationnelles et décisionnelles, fournissent alors un service bien plus efficace.

Où sont les données ?

Dans combien d'applications la donnée est-elle présente ?

Si la donnée est présente dans une seule application, elle ne doit pas apparaître dans le Data Hub, car cela n'apporte aucune valeur ajoutée.

Si la donnée est présente dans plusieurs applications, elle sera normalisée, standardisée, complétée, vérifiée, homogénéisée et centralisée par le Data Hub, pour être diffusée au système d'information et apporter de la valeur ajoutée.

Combien de fois la donnée interagit-elle avec le Data Hub ?

Si la donnée transite plusieurs fois par jour pour être stockée dans les applications, ce n'est pas une donnée de référence : elle ne doit pas être présente dans le Data Hub.

Si la donnée transite ponctuellement, en cas de modification, et qu'elle est stockée dans plusieurs applications, alors elle doit être présente dans le Data Hub.

Quel est le type de la donnée ?

• Si la donnée évolue ponctuellement, c'est une donnée de référence.
• Si la donnée est volatile et évolue constamment, c'est une donnée opérationnelle.

Quelle équipe est en charge de la donnée ?

Une fois les données de référence recensées, il est primordial de connaître l'équipe garante de chaque donnée, afin d'éviter les difficultés en cas d'arbitrage manuel dans le Data Hub. Quels que soient les règles ou les processus automatiques mis en place, un arbitrage demande une action humaine sur la donnée, qui apprend au système à évoluer.

La qualité des données

Quand traiter la qualité de la donnée ?

Dès le démarrage du projet. La qualité des données du système d'information, mesurée avant le paramétrage du Data Hub, donne des indicateurs sur l'hétérogénéité, la normalisation et l'accessibilité de l'information. En fonction de ces indicateurs, la gouvernance de la donnée sera plus ou moins complexe.

Qui doit qualifier la donnée ?

Qui connaît le mieux les données au sein de l'entreprise ? Les utilisateurs et les métiers. La qualification de la donnée incombe donc aux équipes métiers ; les équipes IT sont là pour les aider. Les équipes peuvent s'appuyer sur les outils de découverte de la donnée du Data Hub ou sur des outils de reporting de Business Intelligence.

Comment préparer les données ?

Une fois les données recensées, les équipes métiers et IT doivent travailler conjointement :

• les équipes métiers écrivent les règles pour redresser les données ;
• les équipes IT réalisent les scripts et les patchs à appliquer sur les applications.

Ce travail commun est crucial. Il prend beaucoup de temps, selon la qualité des données existantes, le nombre d'applications et la disponibilité des équipes.

L'organisation du projet

Quelles sont les parties prenantes du projet ?

Un Data Hub est un projet d'entreprise : il vise à urbaniser, rationaliser et centraliser les informations à forte valeur ajoutée, afin de pérenniser et d'augmenter le business de l'entreprise. Il est important d'impliquer, si possible, des personnes de chaque équipe :

• côté métier : sponsors métiers, PMO, maîtrise d'ouvrage, assistance à maîtrise d'ouvrage, architecte fonctionnel, utilisateurs ;
• côté DSI : sponsors DSI, maîtrise d'œuvre, assistance à maîtrise d'œuvre, architecte technique, DevOps, infrastructure et exploitation.

Quelle est la capacité à faire de chaque partie prenante ?

La capacité à faire de chaque partie prenante doit être estimée et connue de toutes les équipes, afin de fixer les jalons. Cette démarche donne une vision claire à court et moyen terme sur :

• les moyens mis en place, en personnes et en coûts ;
• l'avancement du projet ;
• les arbitrages ;
• les indicateurs de suivi, le reporting et les KPI.

Quelle méthode projet pour mettre en œuvre un Data Hub ?

La méthode Scrum offre plusieurs avantages sur des projets d'entreprise :

• les cérémonies sont planifiées à dates fixes ;
• un stand-up meeting est organisé chaque jour par les équipes ;
• les sprints (itérations) durent de 2 à 3 semaines, avec une démonstration du produit en fin de sprint ;
• pendant les sprints, les équipes métiers et leur Product Owner écrivent les user stories (fonctionnalités) qui seront implémentées au sprint suivant.

La méthode Scrum donne de la visibilité à l'ensemble de l'organisation. Si l'entreprise ne la connaît pas, il est conseillé de faire appel à un coach agile.

La formalisation du besoin

Qui formalise le besoin ?

La formalisation du besoin incombe aux métiers : cahier des charges, pré-cadrage et cadrage, user stories et backlogs. Les équipes IT accompagnent les métiers par leurs recommandations et l'étude de faisabilité. La rédaction des documentations de mise en œuvre incombe aux équipes IT.

Qui implémente le besoin ?

Les équipes Scrum, composées des équipes IT et infrastructure, implémentent le besoin en fonction du backlog, des sprints et des priorités fournis par le Product Owner.

Qui recette le besoin ?

Les équipes Scrum et les équipes métiers : les premières recettent techniquement, les secondes fonctionnellement.

Qui livre le besoin ?

C'est l'équipe Scrum qui livre le besoin sur les environnements demandés. La livraison sur les environnements métiers et en production ne peut se faire sans l'accord du Product Owner.

Exemple de planning pour un MVP

L'exemple présenté dans la vidéo montre un sprint 0 de 8 semaines pour réaliser et déployer le MVP en production. Un MVP met en production un périmètre restreint du projet, afin d'éprouver le Data Hub dans son nouvel écosystème et d'ajuster ses paramétrages. La durée du sprint 0 varie selon les besoins en workflows, en interfaces utilisateurs et en intégration des données.

Voici le détail de chaque tâche.

Gouvernance MDM

1. Établir des objectifs et des rôles : définir les objectifs du projet ; définir les rôles à engager dans le processus ; constituer l'équipe projet MDM ; valider l'objectif avec la direction ; trouver le ou les sponsors.
2. Faire participer les parties prenantes : les identifier ; définir les rôles de chacun ; impliquer la direction, l'équipe projet et les équipes des applications sources ; exprimer et communiquer les facteurs clés de réussite ; créer l'équipe de gouvernance de la donnée.
3. Gérer les activités et la gouvernance : mesurer les objectifs clés au regard des réalisations ; produire des rapports précis sur les activités MDM et les Master Data ; identifier les Data Owners et les Process Owners ; proposer des améliorations et planifier les prochaines itérations ; gérer le backlog.
4. Communiquer les réalisations : informer les cadres, l'équipe et les consommateurs de données de l'avancement du projet MDM ; définir clairement ses buts et objectifs ; expliquer le retour sur investissement de la qualité des données à l'aide de métriques de performance clés ; gagner en visibilité dans l'entreprise.

Implémentation du MDM

1. Mise en place et formation : créer les environnements de développement et de recette ; planifier la création des environnements de qualification et de production ; former les équipes à Semarchy xDM.
2. Découverte des données : identifier les applications sources, les entités sources et leurs relations ; comprendre la sémantique des attributs sources ; profiler les données sources ; en déduire les données de référence, les listes de valeurs et les nomenclatures ; identifier les processus de consultation, création, modification et suppression des données sources, les règles existantes (validation, enrichissement, normalisation, standardisation) et les processus d'intégration et de circulation des données entre applications ; documenter tous ces points.
3. Modélisation : concevoir les principales entités du MDM ; définir clairement les listes de valeurs, les nomenclatures et les données de référence ; définir les attributs minimums nécessaires ; mettre en place le dictionnaire de données ; créer les relations et les cardinalités entre entités ; revoir les choix de modélisation avec l'équipe de gouvernance de la donnée.
4. Paramétrage des règles : définir les règles de validation (attributs, listes de valeurs, nomenclatures, clés primaires et étrangères, plug-ins), d'enrichissement, de normalisation et de standardisation ; définir les règles de rapprochement et les règles de survie (anciennement règles de consolidation) en fonction des applications ; revoir ces choix avec l'équipe de gouvernance de la donnée.
5. Paramétrage des workflows utilisateurs : définir les étapes de création des données (steppers) et les workflows utilisateurs ; définir les workflows collaboratifs pour les Data Owners des données sources et les étapes de gestion des données rejetées ; identifier et implémenter les règles d'attribution des tâches ; implémenter les tâches, les transitions et les comportements des workflows.
6. Paramétrage des interfaces utilisateurs : définir et implémenter les écrans de l'application et les accès hiérarchiques aux données (drill-down) ; afficher les informations à plus forte valeur ajoutée ; définir les actions autorisées pour les utilisateurs et la structure de l'application ; appliquer l'identité visuelle de l'entreprise.
7. Politique de sécurité et rôles : définir les rôles dans la plateforme MDM ; paramétrer les politiques d'accès horizontales et verticales aux données pour chaque rôle ; se connecter à l'annuaire utilisateurs de l'entreprise.
8. Intégration des données sources : connecter l'ETL aux applications sources ; implémenter le mapping entre les applications sources et le modèle de données MDM ; définir et implémenter la transformation des données ; implémenter le processus d'intégration (job d'intégration) ; mettre en place une stratégie de planification de la collecte et chaque mécanisme de collecte des données sources.
9. Intégration des données cibles : identifier les applications qui vont consommer la donnée ; concevoir les processus pour les alimenter (ETL, API Java, services web RESTful, export Microsoft Excel ou CSV).
10. Recette et déploiement du MVP : préparer le MDM pour les tests UAT ; exécuter le plan de tests, itérer et corriger les anomalies ; déployer les modèles sur les environnements de recette et de qualification, puis le MDM en production ; déployer les flux d'intégration des applications sources et cibles ; célébrer la mise en production du MVP.

Consulter l'éditeur, c'est être accompagné sur les points critiques du projet pour paramétrer le Data Hub dans les meilleures conditions.

Dans le prochain épisode : les erreurs à éviter sur un projet MDM.

Pour aller plus loin

• Réussir son projet MDM : le guide
• Qu'est-ce que le Master Data Management ? Le guide
• Notre offre Master Data Management
• Toutes les vidéos Kézako