Cahier des charges : MDM – Master Data Management

Le cahier des charges "Master Data Management - MDM - Gestion des données de référence" a été rédigé par des experts indépendants. Il a pour vocation de vous aider à mener à bien votre projet de gestion des données de référence au sein de votre organisation. Les 220 critères technologiques présentés répertorient tous les paramètres à prendre en compte pour arbitrer vos choix. Vous pourrez ainsi réaliser votre cahier des charges et de comparer les solutions de Master Data Management disponibles sur le marché.

Sommaire du cahier des charges "Master Data Management - MDM - Gestion des données de référence"

Qu'est-ce que le MDM (master data management) ?

Le MDM vise à uniformiser la description des données, à partir d’un référentiel standardisé. Ce référentiel pilote l’évolution des données dites « maîtres », la mise à jour des bases de données et des applications métier diverses, grâce à une donnée désormais identifiable, reconnue et synchronisée au travers des systèmes d’informations distincts.

L’outil choisi devra permettre de construire des modèles de données, de s’assurer de leur qualité et d’effectuer un contrôle sur celle-ci, au cours de leur création ou de leur évolution.

Les questions que se posera le chef de projet porteront dans un premier temps sur les types de données concernées et le référencement des systèmes clients ERP, Datawarehouse, CRM, logistique, PLM…

Quels connecteurs sont disponibles ? L’intégration se fera par des flux XML, des API, des Web services… Selon les cas, la solution de MDM à retenir pourra être ouverte, même partiellement, à des tiers, partagée au sein d’un groupe, auxquels cas des fonctions de mapping avec des bases ou référentiels externes seront nécessaires.

En fonction des types de données concernées, (s’agit-il de données gestion d’actifs, usines, référentiels comptables, de données « tiers » clients, fournisseurs, employés ?), on établira une modélisation, et on déterminera la volumétrie en nombre d’enregistrements de ces données.

Le choix du chef de projet MDM pourra varier selon que le volume d’enregistrement se situe en dessous d’un million d’enregistrements, ou au-dessus de 10 millions d’enregistrements, par exemple.

Introduction du cahier des charges "master data management (MDM) - gestion des données de référence"

Contexte des entreprises

L’informatique d’entreprise s’oriente depuis plusieurs années vers une plus grande agilité : ouverture du système d’information dans « l’entreprise étendue » pour inclure les partenaires, ou pour accompagner les opérations de fusions/acquisitions, que ce soit au travers de services web, d’outils de collaboration avancée, pour ne citer que ces exemples. Cependant, l’entreprise « agile » doit aussi pouvoir unifier ses différentes visions « métier », dans des contextes de processus métiers multiples et d’architectures informatiques distinctes, sans perdre de vue la base même de son capital : la donnée.

La fiabilité des informations, des données, fait donc de plus en plus l’objet de recherches au sein des départements d’urbanisation et d’organisation des systèmes d’informations des entreprises, chargés de trouver une solution au problème de mise à jour des données via l’ensemble des outils hétérogènes : les différentes bases de données, progiciels, ou autres applications.

La technologie de gestion des données de référence, ou Master Data Management, correspond à cette recherche: pouvoir identifier des données de référence, ou données maîtres, pour aboutir à une information à la fois unique et partagée dans l’entreprise.

Proche de l’EAI ou de l’ETL, le Master Data Management s’en distingue pourtant foncièrement : il ne s’agit pas d’intégrer des données entre applications, ni d’agréger les données dans un entrepôt pour ensuite les manipuler, mais de garantir leur unicité et leur cohérence à chaque fois qu’elles seront invoquées ou modifiées depuis des sources distinctes.
Au vu du caractère structurant de la gestion des données de référence, une analyse d’impact rigoureuse s’impose en amont de tout projet de MDM. Est-on confronté à une incohérence des processus entre les acteurs agissant sur une donnée, qui révèlerait un besoin d’orchestration ? Dans quelle mesure une information apparaissant plusieurs fois, avec des attributs différents, exploitée sous des formats différents, augmente-t-elle les coûts de fonctionnement ? etc…

Les objectifs à atteindre seront généralement liés à l’amélioration de la performance, la réduction de coûts, l’analyse à partir de données fiables pour piloter l’activité de l’entreprise.

Modélisation des données

Les données seront modélisées selon des hiérarchies : père d’une branche, éléments, scissions de branches. Il faudra donc déterminer si les solutions envisagées comportent des limites dans la profondeur des hiérarchies.

Par ailleurs, les liens hiérarchiques nécessiteront peutêtre une mise à jour, ou l’ajout d’une signification claire explicitant les liens entre données. Selon les solutions, il peut exister des modèles de données pré-établis.

Il faudra de même lors de cette phase de modélisation, lister les types de données supportées : textes, nombres entiers ou décimaux, listes de valeur, dates… et réfléchir à l’éventuelle attribution de valeurs par défaut.

L’outil choisi devra, selon les besoins, être assez souple pour admettre des exceptions à ces attributions de valeurs par défaut. Par ailleurs, il sera utile de cerner lors du choix de la solution quel traitement est réservé aux valeurs non explicitement spécifiées. L’autorisation de valeurs vides est-elle possible, par exemple ?

Les solutions diffèrent sur la définition des métadonnées, et, au-delà, de leurs « dérivations », ou « héritage ». Une des orientations possibles consiste en la définition d’objets avec des attributs communs, et de leurs dérivés avec des attributs spécifiques.

Dans d’autres cas, on a recours à un paramétrage dans une table contenant tous les attributs, et affichant les champs renseignés uniquement.

Qualité, contrôle et administration

Idéalement la solution doit permettre le dédoublonnage des données, leur standardisation et leur vérification. On peut envisager d’émettre des alertes en cas de valeurs incohérentes, de procéder à des contrôles y compris a posteriori, ou de rendre obligatoire le renseignement d’attributs en cas de saisie interactive, par opposition à l’alimentation automatisée depuis des bases externes.

On pourra ensuite réfléchir à l’intégration au sein de l’outil d’un moteur de règles, pour activer des attributs uniquement si certaines valeurs d’autres attributs sont vraies. Il restera à déterminer si ces règles devront être paramétrées via une interface graphique, via XML, Web services, ou un autre moyen.

Pour faciliter l’administration des données, il existe des fonctionnalités de mise à jour des données en masse, pour modifier toute une sélection en une seule transaction.

Autre point : en cas de création d’un élément à partir d’un autre, ou « clônage », certains outils permettront d’exclure des attributs à ne pas copier. Il sera utile de réfléchir à l’intégration de workflows de création, modification, validation, ou suppression d’éléments, et d’inclure des alertes en cas de process non fluide – tâche en suspens auprès d’un intervenant, par exemple. Il est important de prévoir une intégration avec des applications de Single Sign On, pour l’identification des utilisateurs à la création, mais aussi lors de la dernière modification, ou de la suppression de données.

Du fait de la grande quantité de données, des multiples services et sources dont elles sont issues, le risque que courent les entreprises est la dégradation de leur capital-données.
Le MDM s’impose comme la solution la plus appropriée pour optimiser la transmission et la cohérence des données de référence, de façon automatisée et simultanément.

Le chef de projet qui place la normalisation des données au coeur de l’infrastructure du système d’information optera pour une technologie qui protègera ce capitaldonnées, quelques soient les évolutions applicatives ou structurelles de l’entreprise.