La prochaine évolution de l'analyse d'entreprise – La plateforme d'intelligence de données
Les lakehouses ont résolu de nombreux problèmes d'entreprise en unifiant et en simplifiant le stockage des données. Mais le paysage opérationnel au niveau de l'entreprise a changé. Aujourd'hui, les organisations coordonnent davantage d'outils, gèrent davantage de données, opérationnalisent l'IA et naviguent dans une surveillance réglementaire croissante.
Par conséquent, les données ne peuvent plus être considérées comme des éléments consultés occasionnellement ou isolément. Elle doit maintenant être opérationnelle, c'est-à-dire prête pour une utilisation en temps réel, une prise de décision automatisée et des flux de travail pilotés par l'IA dans l'ensemble de l'organisation. Cette évolution pousse les architectures au-delà des lakehouses vers une plateforme d'intelligence de données plus dynamique.
Qu'est-ce qui a changé ? Les analyses sont devenues multi-plateformes.
Les entreprises modernes s'appuient sur plusieurs plateformes d'analyse pour prendre en charge une large gamme de charges de travail, y compris la veille stratégique et les rapports, l'analyse en temps réel, l'observabilité, le Machine learning et l'intelligence artificielle.
Chaque équipe a ses propres besoins concernant les mêmes données, et en pratique, les choix de plateforme sont dictés par la productivité et la rapidité plutôt que par la pureté architecturale. Une grande partie de ces données reste également sur site ou dans des environnements réglementés, où leur transfert vers le cloud n'est ni pratique ni autorisé.
Le modèle original de lakehouse supposait une convergence sur un petit nombre de plateformes d'analyse. La réalité s'est avérée différente : les outils, les utilisateurs et les charges de travail ont divergé. Le défi maintenant est de soutenir cette diversité sans sacrifier la cohérence ou le contrôle.
Le coût du traitement des données comme appartenant à la plateforme
Malgré les implémentations de lakehouse, les données d’entreprise restent souvent étroitement couplées à la plateforme qui les gère. Lorsqu’une autre plateforme a besoin d’accès, les données sont souvent copiées, transformées ou exportées pour s’adapter à cet environnement.
Au fil du temps, le simple fait de maintenir les données cohérentes et accessibles sur ces différentes plateformes devient un défi. Les ensembles de données en double, les pipelines fragiles, les insights retardés et la gouvernance incohérente introduisent des risques opérationnels et font grimper les coûts.
Le résultat est un schéma familier : augmentation des dépenses, complexité croissante et baisse de la confiance dans les données et leurs résultats.
De Lakehouse à Intelligence Infrastructure
Le data lakehouse a permis de structurer un paysage analytique fragmenté, facilitant ainsi la collaboration entre les systèmes de données. À mesure que les entreprises entrent dans l'ère des plateformes de data intelligence à grande échelle, leur objectif évolue.
Au lieu que les données soient façonnées et possédées par des outils individuels, elles deviennent la base de l'architecture, partout où ces données résident physiquement. Tous les outils reposent sur une couche de données partagée, plutôt que d'extraire des données dans des environnements isolés et de produire des sorties cloisonnées.
Ce changement permet aux équipes de choisir le moteur de calcul approprié pour chaque charge de travail, qu’il s’agisse d’analyses SQL, de traitement à grande échelle ou d’intelligence artificielle, en ayant la certitude qu’elles opèrent sur la même base de données gouvernée et fiable.
Qu'est-ce qu'une plateforme d'intelligence des données ?
Une plateforme de data intelligence est une infrastructure partagée pour les données. Pensez-y comme à l'infrastructure d'une ville — les routes, les lignes électriques et la plomberie sous une ville auxquelles chaque bâtiment se connecte et sur lesquelles il compte.
De la même manière, une plateforme d'intelligence des données fournit une base centralisée qui alimente de nombreux outils, moteurs de calcul et applications différents, avec une gouvernance et un contexte intégrés dès la conception plutôt qu'ajoutés ultérieurement.
Elle se caractérise par :
Une couche de données partagée construite sur des formats de données ouverts.
Une complète traçabilité des métadonnées qui capture la structure, la signification et l’histoire.
Une gouvernance intégrée qui se déplace avec les données
Une prise en charge de plusieurs moteurs d'analyses et d'IA
La capacité d’évoluer sans repenser entièrement l’architecture
Les fondations ouvertes rendent possible l’intelligence des données
Une plateforme comme celle-ci ne fonctionne que si les données peuvent être partagées en toute sécurité entre tous les outils et environnements, qu'ils soient sur site, dans le cloud, à la périphérie (ou edge computing), ou une combinaison de ces éléments. Les formats de table ouverte sont la base commune qui rend possible l’interopérabilité multi-moteurs (pour poursuivre avec notre métaphore de la ville : les codes du bâtiment et les normes de rue qui rendent la ville navigable pour tous).
Sans tout cela, connecter des outils signifie souvent faire face à des formats incompatibles, des latences incohérentes, une dépendance à des solutions propriétaires, ou des données qui doivent être gérées à travers des frontières géographiques. Cela peut entraîner des difficultés courantes : une auditabilité réduite, des vues incohérentes des données et des défis croissants en matière de confiance.
En revanche, les formats ouverts réduisent le verrouillage et soutiennent un écosystème d'outils en pleine croissance (c'est-à-dire qu'il suffit de le configurer une seule fois et de le laisser évoluer au fil du temps). Ils facilitent la définition des politiques de gouvernance une fois pour toutes et leur application partout (y compris là où les données ne peuvent pas être facilement déplacées), quel que soit le moteur qui a besoin d'y accéder. Cela permet également de créer une « couche mémoire » cohérente pour les systèmes pilotés par l'IA, ce qui les rend plus fiables, vérifiables et adaptables grâce à la traçabilité et au contexte historique intégrés.
En l'absence de formats ouverts et d'une gouvernance intégrée, les informations se fragmentent rapidement en silos, ce qui érode les avantages mêmes que les plateformes d'intelligence des données sont censées apporter.
Vous souhaitez voir à quoi ressemble une plateforme d’intelligence des données en pratique ?
Découvrez comment les tables Iceberg gérées par Cloudera peuvent être interrogées par Snowflake et Databricks sans copier les données ni compromettre la gouvernance.
Comment passer à une plateforme axée sur l'intelligence
L'adoption d'une plateforme d'intelligence représente un changement fondamental non seulement dans l'infrastructure, mais aussi dans la façon dont les organisations appréhendent et font confiance à leurs données. La période de transition est particulièrement critique car elle définit les attentes en matière de fiabilité, d'intégration et d'adoption par les équipes. Les erreurs initiales peuvent créer des défis persistants et une résistance à l'adoption à long terme.
Bien exécuté, ce changement équilibre la stabilité et le progrès, en maintenant les processus critiques opérationnels tout en offrant des succès rapides qui renforcent la confiance et la dynamique.
L’équipe Services Professionnels et Transformation (PS&T) de Cloudera aide les organisations à naviguer ce changement avec soin — évitant les pièges architecturaux courants et construisant une base durable qui soutient les cas d’utilisation futurs de l’analytique et de l’intelligence artificielle.
Pour en savoir plus sur nos fonctionnalités PS&T, cliquez ici.