Au-delà de l'unification : repenser la donnée autour de l'objet métier

Les plateformes de données se veulent unifiées, elles restent cependant pensées comme des chaînes techniques cloisonnées. Et si la véritable rupture ne venait pas d'un changement de modèle ?

L’unification des outils de données s’est imposée comme un objectif stratégique pour nombre d’organisations. Face à la multiplication des sources, à la complexité des architectures hybrides et à la pression sur les coûts, les DSI ont logiquement cherché à consolider ingestion, transformation, gouvernance et analyse dans des plateformes centralisées. Mais alors que ces plateformes dites "unifiées" prolifèrent, une question mérite d’être posée : l’unification des couches techniques suffit-elle à résoudre les défis structurels de la donnée en entreprise ? Rien n’est moins sûr.

Une promesse technique, une réalité encore fragmentée

En théorie, les plateformes unifiées simplifient le paysage : elles rassemblent les étapes du cycle de vie des données, de la collecte à l’analyse. En pratique, elles restent souvent organisées en silos fonctionnels : pipeline d’ingestion, moteur de traitement, outil de qualité, couche analytique. Chacune possède ses propres règles, ses propres formats, son propre vocabulaire.

Cette architecture, bien qu'intégrée, reste fondamentalement pipeline-centric. Elle suppose que la valeur émerge d’un traitement en cascade, où chaque étape repose sur la précédente. Le problème ? Cette logique engendre redondance, dette technique, et une dépendance persistante aux équipes IT pour des ajustements souvent mineurs.

Replacer l’objet métier au centre du cycle data

Une autre approche émerge aujourd’hui : celle qui considère que la donnée ne devrait plus être manipulée par étapes, mais structurée dès l’origine sous forme d’objets métier unifiés. Ces objets — commande, patient, contrat, équipement — encapsulent toutes les dimensions pertinentes : données sources, règles métiers, enrichissements, historiques, contraintes de qualité et conditions de gouvernance.

Ce modèle présente un avantage décisif : il abolit la séparation entre modélisation technique et usage métier. L’objet devient une entité exploitable directement, tant par les équipes data que par les fonctions métiers. Il est transportable, traçable, visualisable et réutilisable — sans nécessiter de transformation intermédiaire ou d’interprétation manuelle.

Une logique déclarative plutôt que procédurale

Dans ce cadre, l’exécution du traitement repose sur une logique déclarative : on décrit ce que l’on veut obtenir, et non comment l’obtenir. La plateforme ou le moteur sous-jacent se charge de l’orchestration, de l’enchaînement des tâches, et de l’application des règles. Ce paradigme réduit drastiquement la dette technique, tout en garantissant la reproductibilité et la conformité des objets manipulés.

Ce changement de perspective ouvre la voie à une gouvernance intégrée : chaque règle métier devient une propriété de l’objet. Chaque transformation est documentée et traçable. Chaque donnée exposée est certifiée par construction, non par audit a posteriori.

Vers des architectures data orientées métier

Le passage d’un pipeline technique à une architecture orientée objet métier représente plus qu’une évolution technologique : c’est une transformation culturelle. Elle exige de repenser les outils, les rôles, les responsabilités. Elle invite à une convergence réelle entre les équipes IT et les fonctions métiers, au service d’un même langage, d’une même structure, d’un même référentiel.

Dans un contexte où la rapidité d’exploitation, la qualité des décisions et la souveraineté des données sont devenues critiques, cette approche pourrait bien marquer une nouvelle étape de maturité pour les plateformes de données d’entreprise.