Data mesh : la révolution que personne n'applique

Le data mesh est sur tous les slides de conférence. Mais en production, presque personne ne l'applique. Pourquoi ?

Qu'est-ce que le data mesh ?

Le data mesh, proposé par Zhamak Dehghani en 2019, est une approche qui décentralise la gestion des données. Au lieu d'un data warehouse central géré par une équipe data, chaque domaine (marketing, finance, produits) gère ses propres données comme un produit.

Les 4 principes :

1. Orienté domaine — Les données sont gérées par les équipes qui les produisent.
2. Données comme produit — Chaque dataset a un propriétaire, une qualité garantie, une documentation.
3. Self-serve platform — Une plateforme permet à chaque équipe de publier ses données sans aide centrale.
4. Gouvernance fédérée — Des standards communs, mais une autonomie locale.

Pourquoi personne ne l'applique

1. Ça nécessite une transformation organisationnelle. Le data mesh n'est pas une technologie. C'est un changement d'organisation. La plupart des entreprises ne veulent pas changer leur organisation pour leurs données.

2. Ça nécessite une maturité technique élevée. Chaque équipe doit savoir gérer ses données. La plupart des équipes produit ne savent pas — elles savent gérer du code, pas des pipelines data.

3. Ça nécessite une plateforme self-serve. Cette plateforme n'existe pas clé en main. Il faut la construire. C'est un investissement énorme.

4. Le ROI est long terme. Le data mesh ne paie pas en 3 mois. Il paie en 2-3 ans. La plupart des entreprises veulent un ROI en 3 mois.

Comment l'appliquer vraiment

Étape 1 : Identifier 2-3 domaines pilotes. Ne pas tout transformer d'un coup. Choisir 2-3 équipes qui ont des données utiles à d'autres et qui sont prêtes à jouer le jeu.

Étape 2 : Construire une plateforme minimale. Pas besoin d'une plateforme complète. Un catalogue de données, un pipeline de publication, un système de qualité. Le minimum viable.

Étape 3 : Définir les standards. Format des données, conventions de nommage, métadonnées requises. Standards communs, autonomie locale.

Étape 4 : Mesurer et itérer. Combien de datasets publiés ? Combien de consommateurs ? Quelle qualité ? Itérer sur la plateforme et les standards.

Étape 5 : Étendre. Une fois les pilotes réussis, étendre à d'autres domaines. Progressivement, pas d'un coup.

Le piège du "data mesh lite"

Beaucoup d'entreprises disent faire du data mesh mais font en réalité du data warehouse distribué. Elles ont plusieurs data warehouses, un par domaine, mais sans les principes de "données comme produit" et de "self-serve platform". C'est du data mesh en surface, pas en profondeur.

Le vrai data mesh se reconnaît à une question simple : est-ce qu'un consommateur de données peut trouver et utiliser un dataset sans parler à l'équipe qui le produit ? Si oui, c'est du data mesh. Si non, c'est du data warehouse distribué.

Conclusion

Le data mesh n'est pas une mode. C'est une réponse légitime à un problème réel : la centralisation des données crée un goulot d'étranglement. Mais ce n'est pas une solution universelle. Pour les petites entreprises, un data warehouse central reste plus efficace. Pour les grandes, le data mesh peut transformer la façon dont les données sont utilisées — si on l'applique vraiment.