Adeo : Déployer l’approche Data Mesh au sein du groupe (Leroy Merlin, Bricoman, Weldom…)
#127 - Le zoom, le podcast avec Jean-Benoît et Mustapha et leur ressource préférée
Hello,
Bienvenue dans l'édition #127 de la newsletter DataGen ! 👋
L'agenda de la semaine :
🔍 Zoom sur l’approche Data Mesh du groupe Adeo
🎙 Le podcast avec Jean-Benoît et Mustapha, Global Head of Analytics & Head of Data Platform chez Adeo
📚 La ressource recommandée par Jean-Benoît
C’est parti !
🔍 Zoom sur l’approche Data Mesh du groupe Adeo - 3 min
Ce zoom est tiré de mon échange avec Jean-Benoît et Mustapha, Global Head of Analytics et Head of Data Platform chez Adeo, le groupe leader du bricolage en Europe qui regroupe notamment Leroy Merlin, Weldom et Saint-Maclou.
Le contexte de départ
Il y a 4 ans, l’équipe Data d’Adeo rencontrait des difficultés :
1) Technologie “Legacy”
L’architecture data historique on-premise n’était plus assez performante pour répondre aux besoins du groupe.
“Lorsqu’on parallélisait trop de projets, ça pouvait donner lieu à des incidents et des problèmes pour délivrer la donnée.”
2) Qualité des données
Les équipes productrices ne se sentaient pas responsables des données qu’elles envoyaient vers le Data Warehouse. Ça impactait directement la qualité des données.
“Un changement du côté de la source pouvait passer inaperçu et impacter la qualité des données. (…) Les équipes qui produisaient la donnée source se sentaient peu responsables des données. Ça impactait directement la qualité des données.”
3) Goulot d’étranglement
L’organisation centralisée de l’équipe Data ne permettait plus de suivre et de répondre aux besoins data qui explosaient.
“L'équipe Data centrale était devenue un goulot d'étranglement dans la livraison des données.”
Les 2 piliers de leur approche Data Mesh
1) Distribuer le management des données directement dans les équipes digitales
Cette approche supprime le goulot d’étranglement car les équipes digitales sont maintenant responsables de mettre à disposition les données.
Et elle améliore significativement la qualité des données car les équipes productrices de données sont responsables de la qualité des données qu’elles mettent à disposition.
Pour assurer l’adoption de ces nouveaux process par les équipes digitales, l’équipe Data a formalisé et structuré ces exigences en 3 parties : le Data Mastery (modélisation et documentation), le Data Provider (management et exposition des données) et la Quality (monitoring et supervision).
Ces exigences ont été intégrées dans le framework d’ingénierie global que suivaient déjà les équipes digitales.
“Les équipes digitales sont très autonomes et elles développent dans le cadre d'un framework d'ingénierie digitale : le Global Ready. Il couvre toutes les exigences en termes de développement, de sécurité, d’opérations… La Data est devenue une exigence de plus.”
2) Déployer une nouvelle architecture et des outils internes
Ils ont mis en place un Data Lake qui s’appuie sur BigQuery pour lever les limites de performance.
Et des outils internes pour assurer l’adoption de la nouvelle architecture et le succès de la nouvelle approche décentralisée :
- Le Finder
"Notre catalogue de datasets qui permet à la fois de publier, de rechercher, de découvrir et de gérer l'accès à la donnée de l'entreprise."
- Pipeline
“Un outil low-code qui permet aux utilisateurs de transformer leurs données en autonomie, en se concentrant sur l'écriture de requêtes SQL plutôt que sur l'exécution technique.”
🎙 Le podcast avec Jean-Benoît et Mustapha
On aborde :
Le contexte de départ (cf. zoom)
Les 2 piliers de leur approche Data Mesh (cf. zoom)
L’organisation décentralisée d’Adeo
Les plus grosses difficultés
Les prochaines étapes
“Avec une approche décentralisée et fédérée, lorsqu’on souhaite harmoniser les pratiques et la gouvernance, ça devient beaucoup plus compliqué."
Liens vers l'épisode : Apple Podcasts | YouTube | Spotify
📚 La ressource recommandée par Jean-Benoît
Les contenus de Zhamak Dehghani sur le Data Mesh
"On avait commencé à construire cette vision, et à un moment donné, on s'est dit, c'est très similaire à ce que Zhamak propose dans son approche. Donc dans un 2nd temps, on s'est formé et on a rencontré Zhamak dans un souci de compléter ce qu'on avait construit."
🤝 DataGen, c’est aussi un collectif de freelances data & IA
Grâce au média, on a réuni une team de top freelances data & IA issus des plus belles boîtes (Google, Criteo, Decathlon, Artefact...).
Travailler avec nous : ici