La qualité de votre « catalogue de données » dépend entièrement du contexte dans lequel elle s'inscrit

La plupart des organisations ont du mal à mettre en place une stratégie de sélection et de valorisation des données : transformer l'métadonnées s dont elles disposent déjà en informations dignes de confiance.

Les catalogues de données modernes peuvent ingérer des données métadonnées provenant de milliers de tables, de tableaux de bord, de rapports et de produits de données. L'ingestion permet d'intégrer ces métadonnées s dans le catalogue. C'est la curation qui les rend utiles. Il faut encore que quelqu'un y ajoute la signification métier, la propriété, les classifications et l'gouvernance qui aident les utilisateurs à comprendre ces données et à les utiliser en toute confiance.

Cette tâche incombe souvent aux gestionnaires de données.

Ils passent en revue les ressources, rédigent des descriptions, établissent des liens entre les termes métier, identifient les données sensibles, attribuent la propriété et veillent à ce que les politiques d’ gouvernance s soient appliquées de manière cohérente. Avec des milliers de ressources, cette « charge de travail » devient rapidement difficile à gérer.

Le résultat est bien connu : des descriptions incomplètes, des classifications incohérentes, un contexte métier absent et un catalogue auquel les utilisateurs ont du mal à faire confiance.

Et aujourd’hui, les enjeux sont encore plus importants. Ce même contexte réglementé doit de plus en plus répondre aux besoins des assistants et agents d’IA, et non plus seulement à ceux des utilisateurs humains de données.

Le travail de gestion qui ralentit gouvernance

La publication d'une ressource de données fiable peut nécessiter plusieurs étapes manuelles :

• Analyse d'métadonnées: Comprendre les schémas, les résultats de profilage, la traçabilité et les autres éléments de contexte disponibles.
• Rédaction de descriptions et de définitions : Traduire l'métadonnées s techniques dans un langage compréhensible pour les utilisateurs professionnels.
• Mise en relation avec le contexte métier : Mise en correspondance des actifs avec les termes du glossaire, les domaines, les propriétaires et les données associées.
• Mise en œuvre de l'gouvernance: Identifier les informations sensibles, y compris les données à caractère personnel, et s'assurer que les mesures de contrôle de l'gouvernance appropriées sont mises en œuvre.

Aucune de ces tâches n'est superflue. Le problème, c'est qu'une grande partie du travail est répétitive et chronophage. La ventilation de ce retard parle d'elle-même :

• Analyse des données importées métadonnées: 2 à 3 semaines consacrées à l'examen de tableaux non traités et à l'analyse des résultats pour des milliers d'actifs.
• Rédaction des descriptions et des termes : 1 à 2 mois consacrés à la rédaction manuelle des définitions et des termes du glossaire.
• Mise en correspondance et alignement des domaines : Environ une semaine a été consacrée à la mise en correspondance des ressources avec les domaines métier.
• gouvernance et classification : 2 à 3 semaines consacrées à la désignation des responsables et au marquage des données à caractère personnel.

Au total, il faut compter entre deux et quatre mois pour qu'un lot d'actifs passe du stade d'métadonnées s ingérées à celui de données contrôlées et fiables, avant même que quiconque ait vérifié si une définition ou l'attribution d'un propriétaire est correcte.

Lorsque les gestionnaires ont des centaines, voire des milliers d'éléments à traiter, l'gouvernance e se transforme en file d'attente. Les éléments hautement prioritaires sont traités en premier, tandis que ceux situés en fin de liste restent incomplets, obsolètes ou dépourvus du contexte dont les utilisateurs ont besoin.

Et si les administrateurs n'avaient pas à partir d'une page blanche ?

L'Agent Actian Data Steward offre aux responsables des données un avantage certain.

Une fois l'métadonnées s intégrées, l'agent analyse le contexte disponible et génère des recommandations pour des tâches telles que la rédaction de descriptions d'éléments, l'association de termes de glossaire et l'identification des données à caractère personnel.

Les responsables des données peuvent examiner ces recommandations, les affiner si nécessaire et les approuver.

Cela modifie l'workflow relative à la gestion, qui passe de :

Recherche → Ébauche → Classification → Mise en correspondance → Révision → Publication

à :

Recommandation générée par l'IA → Vérification par un modérateur → Publication

L'agent se charge d'une grande partie des tâches préparatoires répétitives, tandis que le responsable se concentre sur l'examen des recommandations et la prise de décisions d'gouvernance .

L'gouvernance « Human-in-the-Loop » revêt une importance accrue à l'ère de l'IA

L'IA peut accélérer le processus de sélection. gouvernance Cela reste toutefois tributaire du jugement humain.

Une description peut être techniquement exacte tout en omettant une nuance importante sur le plan commercial. Un terme de glossaire peut sembler pertinent mais s'avérer inapproprié dans un domaine particulier. La classification des données sensibles peut dépendre du contexte et des politiques de l'organisation.

C'est le responsable des données qui se charge de cette évaluation.

L'objectif est d'offrir aux administrateurs un meilleur point de départ : passer moins de temps à rédiger des articles de type « métadonnées » et consacrer davantage de temps à se prononcer sur la qualité, la politique, la propriété, les définitions et l'usage approprié.

Cela revêt une importance encore plus grande à mesure que les organisations adoptent des agents d’ IA générative s et d’IA. Ces systèmes s’appuient sur des définitions, des relations, des politiques, des informations de propriété et un contexte métier fiables pour interpréter correctement les données de l’entreprise.

Un contexte incomplet peut donner lieu à des réponses techniquement plausibles, mais qui ne fournissent pas le sens et l'gouvernance s dont les gens ont besoin pour agir en toute confiance.

De la gestion des retards ( gouvernance ) à la gestion des priorités ( gouvernance ) à grande échelle

Pour les dirigeants d'gouvernance , c'est l'échelle qui représente la plus grande opportunité.

À mesure que les organisations enrichissent leurs sources de données et leurs ressources, la gestion assistée par l’IA peut aider les équipes à éviter que la gestion des données ne devienne un goulot d’étranglement de plus en plus important. Les équipes peuvent ainsi traiter plus rapidement les retards accumulés dans l’ gouvernance , améliorer l’ métadonnées cohérence et étendre gouvernance à une plus grande partie des données de l’organisation.

Pour les gestionnaires de données, cela signifie passer moins de temps à remplir des champs et davantage à mettre à profit l'expertise qui rend leur rôle si précieux : comprendre l'activité, lever les ambiguïtés, définir des normes et prendre des décisions d'gouvernance .

L'avenir de l'gestion des données , c'est une « gouvernance » capable enfin de suivre le rythme des données dont elle a la charge.

Découvrez l'gestion des données assistée par l'IA en action et voyez comment l'Actian Data Steward Agent permet d'accélérer la gestion des données, de réduire les tâches manuelles et de donner aux gestionnaires davantage de temps pour se concentrer sur les décisions d'gouvernance . Commencez par une démonstration de la plateforme Actian Data Intelligence.

À propos de l'auteur

À propos de Alicia Felix

Alicia Felix est ingénieure commerciale chez Actian et possède plus de huit ans d’expérience dans l’ gestion des données et l’ gouvernance des données. Elle a collaboré avec des entreprises d’Amérique du Nord, d’Amérique latine et d’Europe afin de transformer des données brutes en actifs bien gérés et à forte valeur ajoutée destinés à l’ analytique avancée et à l’IA.