Le défi de la conception de la métadonnée

La vision linéaire de la donnée

Les technologies de l'information ont historiquement développé une vision linéaire de la donnée. C'est à dire une vision en deux dimensions représentée sous la forme d'un tableau. Le requêtage de type base de données aboutit toujours à une vue en deux dimensions. La conséquence en est que cette vision contribue à une réduction de notre capacité d'analyse pour se projeter dans un autre univers...

Où en est-on?

Le BigData est en place et est en capacité de stocker massivement de la donnée ou mesure issue de l'outil de production. Des algorithmes ont probablement été conçus et mis en place dans l'entreprise. Ceux-ci s'appuient sur l'association (corrélation) de multiples mesures issues du BigData pour délivrer l'intelligence attendue. Probablement, chaque silo applicatif a construit, ad-hoc, son propre périmètre de méta description (une donnée est dite "méta" quand elle décrit une autre donnée) d'une sous partie de l'ensemble des mesures disponibles dans le BigData. Certains domaines fonctionnels de la connaissance patrimoniale sont-ils sanctuarisés dans la mémoire des exploitants expérimentés ? Mais où en est-on?

- Comment retrouver la(les) mesure(s) correspondant à un cas d'usage ou contexte fonctionnel ?

- Les méta données décrivant mon BigData et clairsemées dans le SI sont-elle à jour ?

- Les sous parties de méta données dupliquées dans plusieurs silos applicatifs sont-elles alignées ?

- Comment sont gérées les méta données utilisées pour construire les rapports et indicateurs de performance ?

- Comment savoir si telle mesure est déjà acquise et présente dans mon BigData ?

La vision métier globale qui décrit mon BigData n'est pas disponible, comment atteindre cet objectif ?

 

Les uses cases du pilotage de la performance ne rentrent pas dans la vision linéaire

En effet, les use case du pilotage de la performance vont s'appuyer sur des données ou mesures mises dans une perspective multidimensionnelle du patrimoine porteur. La représentation de la métadonnée ne s’accommode pas d'une vision en deux dimensions, elle est contenue dans un arbre dont la complexité varie en fonction de facteurs multiples. De sorte que la mesure se trouve à un niveau indéfini dans l'arborescence. La conséquence est que la mesure hérite, dans ses caractéristiques propres, de l'ensemble des caractéristiques de l'ensemble des éléments parents porteurs. De plus, les uses cases s'appuient sur les types et super types (capacité à traiter des types généralistes) de patrimoines porteurs. La mesure peut elle-même être de type différent suivant la typologie fonctionnelle du BigData.

La description du BigData n'est pas un long fleuve tranquille...

Et pourtant, il est nécessaire de "linéariser" (ou rendre générique) ces métadonnées pour les rendre utilisables par les outils informatiques.

Concilier l'inconciliable

Deagital a conçu un système qui se nourrit du métamodèle des données de votre propre BigData et les informations que vous y insérez. Ces deux éléments sont conçus par vous selon vos besoins.

La solution Digital va générer automatiquement un lexique d'axes fonctionnels de requêtage dans une vision linéaire. Il suffit ensuite de requêter les mesures (mais aussi les éléments de patrimoines) dans leur types spécifiques avec l'ensemble des patrimoines porteurs.

L'objectif ?

A chaque requête correspond un cas d'usage fonctionnel ou encore un contexte propre à vos besoins de pilotage de la performance.

L'objectif est d'identifier l'ensemble strict des données du BigData nécessaire à chaque use case ou contexte.

Les objectifs vont du simple reporting jusqu'à l’intelligence opérationnelle (anticipation de situation et surveillance en temps réel), prédictive (corrélation du passé avec des événements d'avarie) et introspective (analyse du passé pour découvrir des relations de cause à effet).