Decideo - Data Science, Big Data, Intelligence Augmentée

Cette semaine, une conversation passionnante avec Rachid Tighremt, fondateur de la société Layer Data, qui se spécialise dans l'accompagnement des projets de gouvernance des données. 

Nous parlons de conduite de projet, de choix d'un outil de catalogue de données, de la répartition des responsabilités entre l'informatique et les métiers. Nous abordons également un sujet novateur, celui du tableau de bord du projet de gouvernance : comment le construire, quels indicateurs doit-il contenir, etc.

Vous avez décidé de suivre la tendance ? Bravo ! C'est à dire de vous appuyer sur les utilisateurs métiers pour gérer et gouverner leurs données. Et vos propriétaires de données développent des data products, en négociation directe avec les consommateurs de ces mêmes données. Fantastique ! Selon plusieurs études, entre 50 et 70 % des entreprises seraient en train de planifier ou de déployer ce type d'architecture.

Généralement, lorsque je présente cette nouvelle organisation à des entreprises, cela soulève deux questions : celle du catalogage des data products, et celle du stockage des données.

Pour ce qui est du stockage, beaucoup de solutions ont émergé; on parle souvent de Snowflake ou de Databricks, mais également de Amazon Data Zone que je vous présentais la semaine dernière.

En ce qui concerne le catalogage des données, c'est plus compliqué.

Par définition, un catalogue de données catalogue … des données. Or là, ces données sont regroupées dans des jeux de données, ces fameux data products.

Comment un catalogue de données peut-il évoluer vers un catalogue de jeux de données. C'est ce que propose depuis cette semaine Zeenea. Zeenea est un éditeur français, qui propose à ses clients une gestion de catalogue de données.

Dans Zeenea, un Data Product est, je cite, "une collection de Jeux de Données de haute qualité et leurs métadonnées (propriétés, description, termes de glossaire liés, etc.), fournissant un contexte clair aux consommateurs de données".

L'éditeur a choisi de créer un magasin de data products. A l'image d'un site de commerce électronique, les utilisateurs de données vont pouvoir consulter une "Enterprise Data Marketplace", dans laquelle les producteurs de données auront déposé leurs data products. Vous pouvez donc dans Zeenea cataloguer vos données, et partager vos data products.

La solution est de plus basée sur un graphe de connaissance. Il permet aux utilisateurs de découvrir des données ou des data products, en suivant les liens. Les points essentiels tels que la gestion du cycle de vie, des politiques d'accès aux données, ou encore de la conformité des data products, sont pris en charge par la plateforme. A plus long terme, Zeenea envisage de décentraliser plus encore ses catalogues de données, en intégrant une forme de fédéralisation. Un catalogage géré par les utilisateurs, mais dans un cadre de gouvernance fédéral.

Alors, appelez cela data mesh, ou pas, mais clairement Zeenea va dans la bonne direction. Allez, juste une remarque, Zeenea devrait intégrer la notion de data contracts dans sa plateforme. Ce contrat, signé entre le producteur et le consommateur d'un data product, est justement la partie qui manque à la théorie du data mesh.

Un peu comme Monsieur Jourdain faisait de la prose sans le savoir, la mode semble aujourd'hui de faire du Data Mesh sans le dire. Presque toutes les entreprises que je rencontre testent actuellement le concept de Data Product, permettant de faire négocier directement les producteurs et les consommateurs de données. Mais personne ne semble utiliser le terme de Data Mesh. Alors certes, inventé par Zhamak Dehghani en 2019, le data mesh est également devenu pour son inventeur l'occasion de promouvoir un outil informatique ad-hoc.

Mais c'est surtout parce que le data mesh est assez contraignant, si l'on en respecte l'ensemble des principes. Les entreprises choisissent donc plutôt de s'en inspirer et de sélectionner les règles qu'elles souhaitent appliquer.

Se pose bien entendu la question de l'architecture informatique qui va supporter ces data products. Hors de question de laisser chaque utilisateur gérer cela de son côté. Ce serait une catastrophe technique et de conformité. Mais on ne veut pas non plus revenir à une centralisation, dans un outil technique inaccessible aux utilisateurs… nous n'aurions alors pas progressé par rapport au data warehouse… Et n'oublions pas, pour compléter le tableau, que ces data products vont devoir partager la scène, pendant plusieurs années sans doute, avec les architectures centralisées actuelles. Difficile d'imaginer qu'une grande entreprise ait la maturité nécessaire pour que tous les utilisateurs prennent dès maintenant le contrôle de leurs données. Il va donc falloir gérer une transition par étape, avant d'envisager de décommissioner les systèmes centraux.

Amazon propose d'apporter une réponse avec un nouveau produit, appelé Data Zone. Il s'agit d'un "espace", où l'on va pouvoir conserver l'ensemble des données, qu'elles soient dans des data lakes, des data products, avec une logique de place de marché. En parallèle, Amazon lance un outil d'intelligence artificielle générative au service de la donnée. Il s'appelle Data Genie. Il va fonctionner de concert avec le catalogue de données Amazon Glue Data Catalog. Et s'appuie sur ce catalogue pour y ajouter un glossaire métier, permettant à l'IA générative de créer des descriptions automatisées, et de comprendre des requêtes en langage naturel. Amazon reconnait que "cela ne remplacera jamais la description rédigée par un spécialiste métier", mais c'est une avancée intéressante. Attention cependant, les descriptions sont uniquement générées en anglais pour l'instant.

Dans le cadre de la compréhension des requêtes envoyées par l'utilisateur en langage naturel (d'ailleurs cela fonctionne ici en français, en espagnol et en anglais), plutôt que de vectoriser l'ensemble des données pour essayer de les comprendre, Amazon Genie s'appuie là encore sur le catalogue; et c'est lui qui est vectorisé - à la clef, gain d'espace, de temps de calcul et de coût. Cela renforce la place centrale de la gouvernance des données, et de son catalogue au coeur de la plateforme data. Bien sur cela ne fonctionne que si vous utilisez l'ensemble de l'écosystème Amazon. L'éditeur nous dit que le lien peut être fait avec des catalogues existants tels que Collibra ou Alation, mais cela suppose un export de tout le catalogue au format JSON… je n'appelle pas cela de l'intégration.

Alors, la Data Zone est-elle plus claire que les Data Plate-forme, Data Hub, Data Fabric et autres Data Trucs inventés par chaque fournisseur ? Je n'en suis pas certain, mais en plaçant le catalogue de données au centre de sa Data Zone, Amazon clairement va dans la bonne direction, celle de la gouvernance des données. Et celle d'une gouvernance appliquée à une architecture moderne, autour des data products, préservant cependant l'existant.

Depuis que je présente dans mes formations les concepts liés à une gouvernance des données orientée métiers, basée sur une répartition nouvelle des responsabilités entre l'informatique et les métiers, je ne cesse de répéter que les utilisateurs de 2024 veulent plus d'autonomie (en 2025 sans doute passeront-ils du "je souhaite", à "je veux"), et moins dépendre d'un département informatique ou d'un département data pour manipuler cette matière première qu'ils maitrisent parfaitement

Libérer pour attirer et conserver

L'autonomisation des utilisateurs serait même une des clefs pour raviver l'engagement des jeunes générations, nouvelles arrivées dans le monde de l'entreprise. "Il importe aujourd'hui de s'interroger sur la manière de rendre le travail attractif pour que chacun ait le sentiment que son travail compte", explique Pascale Griet dans son livre La Grande Impatience (Hermann Editeurs, 2023). "Valoriser le travail, c'est à la fois valoriser la contribution individuelle, et faire en sorte que chaque voix contribue effectivement à cette oeuvre collective", explique-t-elle en parlant du sens à donner à l'entreprise.

Autonomie d'accord, mais tout le monde est-il prêt ? Certes non ! Et mes dernières missions m'ont amené à rencontrer un assureur mutualiste, un département français, une administration sociale… dans lesquels manifestement, l'autonomie n'est pas le souhait de tous, en particulier au niveau de la direction. Y parvenir c'est "libérer" l'entreprise. Isaac Getz, dans son livre Liberté & Cie (Flammarion, 2009), définit l'entreprise libérée "lorsque la majorité des salariés disposent de la liberté et de l'entière responsabilité d'entreprendre toute action qu'eux-mêmes estiment comme étant la meilleure pour la vision de l'entreprise".

Une libération qui passe par les données

De quoi parle-t-on si l'on applique ces idées au monde de la donnée ? En résumé de l'idée que les métiers peuvent, et souhaitent, prendre en main leurs données (dans un cadre de gouvernance global à respecter impérativement), tout comme les générations précédentes ont pris leur autonomie dans l'usage du téléphone, du mail, de Powerpoint ou de Word. Utiliser un outil tel que Tableau ou PowerBI n'est pas hors de portée d'un trentenaire qui a utilisé un ordinateur pendant une bonne partie de ses études. Et dépendre d'un service informatique ou d'un service "data" pour requêter, analyser et comprendre ses données, lui semble totalement anachronique. Il faut donc répondre positivement à ce besoin justifié d'autonomie. Les "data products" ont été conçus pour cela.

Mais d'un autre côté, certains ne sont pas prêts ! Les vieux allez vous me dire ? Oui, mais ils peuvent être vieux dans leurs têtes sans ce que cela ne reflète leur état-civil. Certains n'ont pas la maturité pour prendre cette autonomie. Et parfois c'est la culture de leur organisation qui les a freiné. Doit-on les embarquer de force ? Cela ne fonctionnera pas. Doit-on les convaincre ? Ce serait idéal, mais certains resteront inflexibles. Doit-on rejeter l'autonomie aux autres pour satisfaire les moins agiles ? On risque alors de perdre les meilleurs éléments.

Il faut donc mettre en place une transition progressive. Développer des data products pour permettre aux couples producteurs - consommateurs de bénéficier de cette nouvelle autonomie (dans un cadre de gouvernance strict, je le répète); mais maintenir un architecture centralisée "à l'ancienne" pour servir les données traditionnelles. Ainsi les plus agiles pourront montrer aux plus réticents les bénéfices de la nouvelle organisation; peut-être les convaincre; et finalement permettre dans plusieurs mois ou années le décommissionnement de l'ancien système.

Ce n'est finalement pas pour rien, si le mot "autonomy" apparait 54 fois dans le livre de Andrew Johns sur les Data Contracts…

"Le chemin vers la durabilité est pavé de données de haute qualité", explique Janine Guillot, conseillère spéciale du président de l'ISSB, dans le rapport KPMG 2023 sur le reporting ESG. Tout le monde l'a compris, le respect des impératifs de reporting liés aux critères extra-financiers, sociaux et environnementaux, ne peut s'atteindre sans des données, et des données de bonne qualité. Dès 2024, environ 50 000 entreprises dans le monde seront concernées par la production de rapports sur leurs impacts sociaux et environnementaux respectant la directive européenne CSRD.

Au-delà des aspects règlementaires, c'est une exigence des nouvelles générations. On parle de crise de l'engagement dans les entreprises, mais c'est en réalité une recherche de sens, d'impact positif, au-delà des critères purement financiers de réussite. Les nouveaux salariés recherchent "des emplois où l'on voit concrètement l'aboutissement de son travail à la fin de la journée. La finalité surtout. La question de l'utilité se mêle ici à celle du sens", explique Pascale Giet dans La Grande Impatience.

Les données sont donc encore une fois au coeur du futur de l'entreprise. Et des données que nous n'avions pas l'habitude de collecter, de stocker, et donc d'analyser. Ces indicateurs sociaux et environnementaux naissent dans nos opérations quotidiennes, mais ils ne sont presque jamais collectés. Mesurez-vous l'impact social et environnemental de la dernière formation à laquelle vous avez participé, du dernier webinaire que vous avez écouté, de la lecture même de cet article ? Non, car nous avons l'habitude de voir tout cela au travers du prisme financier. Quelque chose qui ne coute rien, est considéré comme sans impact, et n'est donc pas comptabilisé. Pourtant si vous assistez à une formation gratuite, vous consommez peut-être du carbone (impact environnemental négatif), mais en revanche votre compétence augmente (donc impact social positif). Prendre l'habitude de mesurer les critères financiers et les externalités non financières deviendra d'ici la fin de la décennie, une bonne pratique, une habitude… et une obligation.

Cela ne se fera pas en quelques clics. Les processus sont à inventer, et les outils ne sont pas adaptés. Bien sur, vous avez votre Excel favori si vous souhaitez noyer votre entreprise dans une mer de données non vérifiées. Mais si vous êtes un peu sérieux, vous arriverez vite à la conclusion qu'il y a quatre options :

• Un data warehouse dédié : c'est la solution recommandée par les vendeurs de logiciels spécialisés… et pour eux une opportunité supplémentaire de chiffre d'affaires. Qu'il s'agisse d'applications conçues pour le reporting ESG, ou d'éditeurs de logiciels EPM, ils s'articulent autour d'un entrepôt de données qui centralise les données nécessaires à la production des rapports ESG, ESRS, CSRD, et leurs probables descendants. Avantage principal, une mise en place rapide, qui ne perturbe pas la production existante des indicateurs financiers, et n'impose pas de modifier la modélisation d'un entrepôt de données existant. D'ailleurs, étudiez également une alternative, celle d'une architecture plus moderne, basée sur les [concepts du data mesh, qui permettrait de créer des jeux de données, ou data products]urlblank:https://www.institut.capgemini.fr/formation/data-mesh-retours-dexperience-et-guide-pratique-de-mise-en-place/, sur la base de ces nouveaux besoins, produits directement par les utilisateurs.
• L'évolution de votre data warehouse existant : si votre entrepôt de données a été conçu de manière agile, si l'évolution de sa modélisation n'est pas un problème, cela permettra d'intégrer le reporting des indicateurs non financiers au coeur du système d'information. Mais cela nécessite de faire évoluer des flux d'intégration, et des structures de stockage, en prenant soin de ne pas perturber ce qui fonctionne actuellement.
• Adapter les applications sources : bien entendu, les applications métiers devront évoluer, pour générer les données des externalités. Et là… inutile de vous dire que le chantier est immense. Malgré la publication des normes officielles, rares sont les éditeurs de logiciels de gestion à aborder le sujet. SAP a annoncé que, dès le premier trimestre 2024, ses outils seront en mesure de [générer des données ESG à destination de son portail Profitability and Performance Management]urlblank:https://blogs.sap.com/2023/11/02/manoeuvring-through-the-complexity-of-eu-sustainable-finance-corporate-sustainability-reporting-directive-csrd /. Salesforce avait fait en septembre dernier une annonce similaire, montrant qu'il accompagnerait ses clients dans la [collecte des données et la production de rapports CSRD]urlblank:https://www.salesforce.com/news/stories/net-zero-cloud-ai-reporting-news/. Pour beaucoup d'éditeurs, c'est plutôt le silence. Que vous ayez choisi de construire une entrepôt de données dédié, de faire évoluer votre entrepôt actuel, ou d'en profiter pour mettre en place une architecture basée sur des data products, l'adaptation des applications sources est indispensable pour éviter l'usine à gaz. Pour les applications sur mesure, ce sera long, compliqué, et couteux !
• Virtualiser : des éditeurs de solutions de virtualisation telles que Denodo, ne manqueront pas de souligner que les rapports CSRD pourraient être l'occasion de tester le concept de virtualisation de données. En résumé, les données ne bougent pas, elles restent dans les applications sources, la plateforme les rend disponibles en virtualisant un entrepôt de données dédié. On retrouve les avantages de la première solution, mais sans duplication physique des données. Les avantages et inconvénients de cette architecture virtuelle sont nombreux. A étudier en détail, mais à tester en grandeur nature avant de l'adopter.

Face à ces choix, la premier constat est simple : personne n'est prêt ou presque. Lors d'un webinaire de présentation de sa solution EPM, Jedox a réalisé un petit sondage en ligne : 55 % des participants reconnaissaient n'avoir pas encore choisi d'outil… et c'est une bonne nouvelle.

Certes ce n'est pas pour demain… mais 2025 c'est après-demain. Car pour sortir des indicateurs fiables en 2025, il vous faudrait commencer à comptabiliser correctement en 2024… Or vous n'êtes pas prêts. Ne comptez pas sur un report de la date limite au dernier moment, ce n'est pas la France ! Mais l'Europe. Et les calendriers sont bien plus strictes que dans l'hexagone (voir par exemple la farce du report régulier de la mise en place de la facturation électronique).

N'allez pas non plus vous précipiter sur un outil (comme vous l'aviez fait il y a quelques années en installant un data lake sans savoir pourquoi… qui s'est transformé en data marécage). L'outil viendra en son temps, lorsque vous aurez cerné le périmètre, formalisé les processus, choisi les indicateurs, identifié les sources de données, défini les rôles de chacun… croyez-moi il y a du travail avant de passer à la plomberie ! Vous avez envie d'en savoir plus, j'ai conçu avec Capgemini Institut une formation dédiée à ces sujets, [Mettre en place les reporting CSRD – ESG en s'appuyant sur des données pertinentes]urlblank:https://www.institut.capgemini.fr/formation/mettre-en-place-les-reporting-csrd-esg-en-sappuyant-sur-des-donnees-pertinentes/, à suivre en 2024, ou à mettre en place de manière personnalisée dans votre entreprise.

Pour bien comprendre l'IA, il faut comprendre le principe de base de l'apprentissage machine. On apprend à la machine, on la dresse. Au risque de paraître à contre-courant, l'IA n'est pas "intelligente", c'est du dressage. Comme je l'explique dans mes formations, l'IA fonctionne un peu comme votre chien. Il est "intelligent" car il a compris que, en échange d'une friandise ou d'une caresse, il vous ramène la balle que vous avez lancée. Si vous appelez cela de l'intelligence, d'accord; moi, je préfère appeler cela du dressage.

Quoiqu'il en soit, l'IA fonctionne sur le même principe. C'est ce que l'on appelle des données d'entrainement. Vous montrez à l'algorithme ce qui s'est passé. Il en déduit ce qui va se passer.

Première contrainte, vous devez avoir des données sur ce qui s'est passé dans le passé. Sans données d'entrainement, aucune prédiction n'est possible. Et ne me parlez pas des générateurs de données d'entrainement, qui représente sans doute le pire des biais que vous pouvez enseigner à vos systèmes d'IA. Pas de données, pas de prévisions !

Dans le cas des IA génératives, comme ChatGPT, dont on parle beaucoup depuis six mois, ou de ses équivalents graphiques comme MidJourney; l'entrainement est réalisé à partir de contenus récupérés sur Internet ou dans différentes bases de données. Si vous demandez à MidJourney de dessiner un ordinateur à la manière de Picasso, il copiera l'ensemble des caractéristiques des tableaux de Picasso qui ont servi de base à son apprentissage et produira un nouveau dessin. Ce nouveau dessin sera ensuite intégré dans sa base de connaissance et servira à son tour de donnée d'entrainement, etc.

Et c'est là qu'à moyen terme, l'apprentissage machine creuse sa propre tombe. L'IA produit du contenu à partir du contenu existant. Dans le cas d'un tableau style Picasso, ou d'un texte style Victor Hugo, ce n'est bien sur ni du Picasso, ni du Victor Hugo, mais une copie. Cette même copie servira par la suite à alimenter les prochaines phases d'apprentissage.

Un article sur le sujet a été récemment publié sur Arxiv : "The Curse of Recursion: Training on Generated Data Makes Models Forget" - La malédiction de la récursivité : L'entraînement sur des données générées fait oublier les modèles. Cet article explique comment, à force de créer des contenus basés sur les contenus eux-mêmes générés par une IA générative, le système perd peu à peu de sa substance. A force de copier la copie de la copie de la copie, le contenu généré devient le plus petit dénominateur commun du tableau de Picasso ou du texte de Victor Hugo.

En résumé, pour paraitre intelligente, une IA générative a besoin de contenu humain original pour améliorer en permanence la copie qu'elle génère. Se posent alors deux questions.

Premièrement, dans un monde où plus personne ne voudrait travailler, et où tout le monde utiliserait l'IA, comment continuerait-on à progresser ? La réponse est simple, nous ne progresserons plus. Plus de découverte scientifique, plus d'imagination, juste des copies de copies de copies. Imaginez que tout le monde confie la rédaction de ses pages web ou de ses fiches produits à une IA générative… ce n'est plus la terre qui serait plate, mais bien l'ensemble des sites Web ainsi conçus.

Deuxièmement, les humains créateurs de contenus accepteront-ils que leurs créations soient pillées par les IA génératives sans leur accord ? J'ai déjà démontré que les IA génératives ne respectent ni les droits d'auteur ni le copyright, et ne mentionnent aucune de leurs sources. Et je plaide d'ailleurs pour la mise en place d'une balise permettant de publier du contenu sur Internet, et d'indiquer que l'on refuse son indexation par les IA génératives.

Donc si ces IA ne disposent plus de contenu original et humain pour apprendre, elle perdront peu à peu de leur valeur. C'est ce qu'explique l'article que je citais il y a quelques instants.

N'ayez donc pas peur de ces IA ! Utilisez les pour ce qu'elles savent faire : ramener la baballe. Et donnez leur une caresse. Pour l'imagination, la découverte, la création, l'originalité, faites confiance à l'Être humain. Son processus de création est cependant le même que l'IA. Quand l'Homme apprend, il lit, il regarde, il s'inspire. La différence vient après ! Il ne se contente pas de plagier, il veut ajouter sa propre dimension, sa propre recherche. Et c'est cela qui fait sa valeur !

Fondée par Grégoire Genest, Matthieu Heurtel et Mathieu Schimpl, Albert School est la première Business School qui place la data au coeur de son enseignement, et qui ambitionne de former les talents de demain.
Cette nouvelle école s'inscrit dans un contexte où l'enseignement supérieur français est segmenté entre formations d'ingénieur et écoles de commerce. Son ambition est de casser la frontière entre le commerce et la data et ainsi former des futurs managers/entrepreneurs qui comprennent à la fois le monde de l'entreprise et ses enjeux techniques, pilotés par la data.
Offrant un équilibre entre l'enseignement des grandes écoles de commerce et d'ingénieur, l'école veut réinventer la préparation de ses étudiants au monde de l'entreprise.
L'école propose des parcours post bac et master et garantit à ses étudiants de nombreux débouchés, à commencer par des opportunités dans ses entreprises partenaires renommées (LVMH, Carrefour, BCG Gamma...) et vise 100% d'employabilité post-cursus.
Les 33 étudiants de la première promotion ont fait leur rentrée en septembre dernier au sein d'un campus de 2500 m² dans le Xe arrondissement de Paris.

(Photo Albert School)

Le Digital Services Act (DSA) est une proposition de loi de l'Union européenne visant à réglementer les entreprises technologiques et les services en ligne opérant sur le marché européen. Cette proposition de loi est destinée à remplacer la directive e-commerce de l'Union européenne datant de 2000, qui était la principale loi régissant les services en ligne en Europe.

Le DSA vise à moderniser la réglementation des services en ligne et à renforcer la responsabilité des entreprises technologiques en matière de lutte contre la désinformation, les discours de haine, la contrefaçon et d'autres contenus illégaux en ligne. Il prévoit également la mise en place de nouvelles obligations de transparence pour les plateformes en ligne, notamment en ce qui concerne la publicité politique, les algorithmes et les pratiques de modération de contenu.

Le DSA est l'une des deux propositions législatives qui ont été présentées en décembre 2020 dans le cadre du paquet législatif sur la stratégie numérique de l'Union européenne. La seconde proposition, le Digital Markets Act (DMA), vise à réglementer les plateformes en ligne qui sont considérées comme des "gatekeepers" en raison de leur position dominante sur le marché.

Thierry Breton a annoncé le 25 avril 2023, la liste des grandes plates-formes qui seront soumises au DSA dès le mois d'août 2023.

"L'informatique décisionnelle a pour but de « faciliter la collecte des données, son analyse et la transmission de l'information, et la met en forme pour être un support à la prise de décision » (Rikhardsson et Yigitbasioglu 2018, p. 37). Grâce à l'automatisation des remontées de données et à leur agrégation, elle permet d'améliorer la fiabilité du reporting et de prendre des décisions sur les ressources et les charges d'une entreprise, ou encore sur ses besoins d'investissement. Le malheur des dirigeants réside néanmoins bien souvent dans leur difficulté à évaluer le retour sur investissement des solutions de Business Intelligence. 

À y regarder de plus près, on se rend compte que le temps passé par des employés sur la production et la consolidation de données, par exemple lors de la clôture d'un exercice comptable, est titanesque. Or quand un mois est nécessaire pour clôturer un exercice, les outils de BI permettent de le faire en moins d'une semaine. Leur valeur ajoutée se ressent également au quotidien : un dirigeant qui a besoin d'une analyse financière pour prendre une décision doit en temps normal attendre quelques jours pour l'obtenir. La technologie permet quant à elle de réaliser cette tâche en une trentaine de minutes", nous explique David In responsable d'activité Data (BI/EPM) chez Prodware France

2023 serait l'année du low-code ! C'est en tous cas ce que pense Pega, éditeur d'une plate-forme logicielle d'encadrement et d'administration de ces nouvelles pratiques de développement sans code. Sans code peut-être, mais pas sans données ! Et si les architectures de données, la gouvernance, la conformité sont au coeur des besoins actuels des entreprises, comment des technologies censées laisser à l'utilisateur le soin de développer ses propres outils informatiques peuvent-elles respecter le cadre contraignant global d'un système d'information ?

Nous recevons aujourd'hui Romain Delalande, Manager Solutions Consulting France chez Pegasystems pour aborder l'ensemble de ces sujets, et comprendre comme le low-code / no-code peut, ou ne peut pas, être utilisé dans le cadre d'applications décisionnelles.