Comment mettre en place un MDM dans son entreprise ?

Publié le

Avec la Gestion des Données de Référence (GDR) ou Master Data Management (MDM) en anglais, on définit les concepts et les processus qui gouvernent les données de référence au sein du système d’information de l’entreprise. On peut alors créer, stocker, maintenir, distribuer et donner une vue complète qui soit fiable et à jour de toutes ces données.

Ces activités s’effectuent en totale indépendance de celles habituellement menées par une société. Il convient néanmoins de bien utiliser la GDR afin d’en tirer tous les bénéfices, qui peuvent être substantiels.

Choisir le bon style d’implémentation

Une solution MDM apporte de nombreux bénéfices à l’entreprise en encodant en un seul et même endroit les données référentielles d’un système. Ces nettes améliorations par rapport aux systèmes traditionnels imposent d’adopter des bonnes pratiques.

Il faut commencer par bien définir les styles d’implémentation. Le mode « registre », peu utilisé, est largement non-intrusif et consiste surtout à enregistrer les transactions et à mettre à jour le référentiel.

En mode « consolidation » (ce mode point de départ de nombreux projets de MDM), c’est l’importance des fonctions d’intégration et de qualité des données qui prévalent. Le style d’implémentation en coexistence est intrusif, mais peu structurant.

Ce sont dès lors les fonctions d’intégration en temps réel et de déduplication des données qui comptent. Le système hérité et celui du logiciel de MDM doivent coexister en harmonie. Enfin, le style dit centralisé est relativement intrusif et assez structurant.

C’est l’importance des fonctions de workflow et d’intégration en temps réel qui priment. L’activité du système est la plus fluide possible. Ces quatre styles d’implémentation conviennent chacun à un projet donné.

Respecter certaines bonnes pratiques de modélisation

Au niveau fonctionnel, il convient d’engager fortement les divers métiers dans le design. Le golden record doit être défini dès le début de la modélisation et doit faire l’objet d’un consensus. Il faut s’attaquer au cœur du master record, le simplifier puis évoluer en élargissant le traitement. La lisibilité pour les utilisateurs finaux doit être très élevée et le glossaire d’entreprise doit être bien documenté. Les phases de design, notamment la création des clefs, s’effectueront avec précision.

Il est en effet plus complexe de devoir effectuer de nouvelles modifications a posteriori. Les données de sécurité doivent être accessibles, aux moyens de rôles et de vues. Au niveau de la modélisation technique, il faut créer une clef interne pérenne pour les master data : c’est une des clefs de voûte du système. Nous vous conseillons donc de définir ces standards avec exigence, et de vous y tenir. En outre, il s’agit de faire de même pour les règles de nommage et de n’utiliser qu’un seul logiciel de modélisation.

Tous les modèles, définitions, et les règles sont alors réutiliser. Il il faudra anticiper les impacts de performance sur les contrôles en cas d’enrichissement des règles de propagation.

Soignez vos data pour avoir un système de MDM de qualité

Pour réussir une utilisation optimale d’un système de MDM, il faut attacher un grand soin à la qualité des données. Le data profiling et la collecte des données vont grandement aider à un bon data parsing et à la validation.

Il faut absolument standardiser ces données, afin qu’elles soient représentatives pour tous les systèmes de MDM. Les règles de dé-doublonnage doivent être précisément établies et affinées du mieux possible. Le matching devra être intégré à toute la démarche.

Une fois la qualité des données maîtrisée, il faudra les intégrer puis les propager. Choisissez au besoin des processus batch, temps réel, incrémentaux, en propagation ou en chargement total. C’est à ce moment que vous pouvez intégrer les applications internes (ERP, CRM, RH, spécifiques, etc.) et externes (cloud et autres) mais également le big data.

N’hésitez pas à organiser le data stewardship pour rendre opérationnels les master data. Le data stewardship est à organiser par rôles, il permet de gérer les tâches quotidiennes de maintenance des données référentielles.

Vous pouvez ainsi éditer les master data, ou bien définir les workflows pour les éditions collaboratives. Les données de référence sont actionnables, les master data services sont intégrés en temps réel dans les processus, et le contexte est amené dans les applications d’entreprise, web et mobiles ainsi que dans le big data.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Autres articles sur le même sujet