Data hub : définition, différences et bénéfices clés pour la gouvernance des données

Le matin. Vous attendez patiemment votre tour pour sélectionner votre habituel petit serré noir sans sucre, en cochant les éléments de votre ToDo mentale, quand soudain :

« N’est-ce-pas ? T’en penses quoi, toi ? » Vos collègues préférés vous regardent en souriant : « le Data Hub, c’est demain, c’est maintenant, non ? T’en penses quoi ? »

Zut. Vous pensiez tous les maîtriser, les Data Trucs et compagnie. En voilà un nouveau qui arrive. Enfin nouveau, cela vous rappelle quelque chose mais … Ah ! Il vous faut vraiment ce café.

Pour vous permettre de parler de Data Hub avec assurance, et ce, quel que soit votre taux de caféine, je vous propose de forger votre propre avis sur le concept, au travers d’une découverte en 2 points : qu’est un Data Hub et à quoi cela sert. Pour compléter, vous trouverez une liste d’éditeurs qui se positionnent aujourd’hui sur ce sujet.

Qu’est-ce qu’un Data Hub ?

Telle que la définition littéraire le laisse penser, Hub, en français, centre, traduit la concentration, en un lieu central et commun, servant de point de départ comme d’arrivée.

D’une manière plus imagée, un hub, c’est une plaque tournante, un point central de réseau de transport. C’est un merveilleux endroit où les diaboliquement fameux silos de données sont abolis.

Pour légitimement s’appeler Data Hub, les données qui transitent dans cette plaque tournante sont améliorées : indéxées, taguées, sécurisées et harmonisées (voir la recette de la Data Soup pour quelques pistes d’harmonisation).

D’une part, la performance technique est assurée pour les utiliser au mieux, d’autre part, la valeur business est renforcée. Le Hub gère également les notions de planification et de chaînes de traitement des données, dans un cadre de propriétés ACID.

Ainsi, la force du Hub est d’améliorer la cohérence des données qui y transitent offrant une vue 360° fiable et compréhensible.

Autrement dit, le Data Hub est un endroit unique, où se retrouvent l’ensemble de vos données, sans discrimination aucune.

Bonne pratiques pour développer et maintenir vos data products

Dans ce guide, nous vous proposons une présentation complète afin de vous aider à faire face aux complexités du développement et du maintien de data products.

Téléchargez le livre blanc

Elles y sont intégrées quelles que soient leurs sources, structures, formats, granularité, niveaux d’agrégations, type de contenus, et surtout quelle que soient leurs destinations. En effet, le mot Hub connote bien l’idée de transit d’un point de collecte vers un ou plusieurs points cibles.

Mais le Data Hub, ce n’est pas juste un espace de stockage à l’instar du Data Lake. Les données y gagnent également un premier niveau d’intelligence et de gouvernance.

Attention, malgré cette intelligence, il ne faut pas prendre le Data Hub pour un classique Data Warehouse. Aucun schéma n’est imposé lors de l’intégration des données et bien que le Hub soit schema aware, il reste schema agnostic.

En ce qui concerne la centralisation et la valorisation des données, la définition du Data Hub fait l’unanimité. Toutefois, la question du stockage et de l’architecture semble garder un contour de réponse plus floue.

Vous vous demandez : « dans ce centre, les données sont-elles physiquement stockées ? ». A priori, pas forcément. Plusieurs sites décrivent le Data Hub comme un espace de stockage virtuel.

Mais alors, ne devrait-on pas parler de Data Virtualization ? L’article de fond de Damon Feldman indique que les données sont effectivement physiquement déplacées dans le Hub. René Mandel, qui met en avant une architecture flexible, ne semble pas indiquer de stockage physique, et glisse même au passage que la couche d’intelligence n’est pas forcément dans le Hub.

Finalement, une définition générale du Data Hub se résume ainsi : le centre névralgique d’une architecture orientée données. Une définition plus en détails dépends de chaque contexte d’entreprise et de comment il a été implémenté.

 » Un ODH combine la flexibilité des technologies NoSQL pour traiter tous schémas, avec la gouvernance, la rigueur et l’intégrité transactionnelle des technologies relationnelles. »

Gerhard Ungerer, auteur de Cleanning up the Data Lake with an Operational Data Hub

A retenir : 

Un Data Hub est un centre névralgique des données d’entreprise.

• C’est une plaque tournante (hub) qui relie différents systèmes et permet de casser les silos.
• Contrairement au Data Warehouse qui impose une structuration stricte, ou au Data Lake qui stocke les données brutes, le Data Hub joue un rôle d’orchestrateur et de gouverneur.
• Il assure la cohérence et la qualité des données (indexation, enrichissement, gestion des métadonnées, traçabilité).

On peut le voir comme un point central d’accès et de circulation, garantissant que les bonnes données arrivent aux bons utilisateurs, au bon moment.

Vous êtes toujours là ?

À ce point, vous devriez vous sentir à l’aise avec ce qu’est, ou à minima ce que n’est pas, un Data Hub. Mais ce n’est pas tout, pour vraiment captiver votre audience à la machine à café, il faut également savoir à quoi ça sert.

Dans tous les cas, un point commun ressort pour activer les leviers de la connaissance. La gouvernance des données, qui est aujourd’hui reconnue comme indissociable des architectures Data pour en tirer de la valeur.

Ainsi, l’avenir peut se voir au travers d’un Data Hub, peut-être. Au travers d’une vraie stratégie de Data Governance, sûrement. D’ailleurs, avez-vous pensé ou repensé la vôtre ? Car aujourd’hui, de nouveaux outils se développent et portent la gouvernance des données dans une nouvelle ère, ou plutôt une nouvelle DataGalaxy.

À quoi sert un Data Hub ?

Vous vous rappelez les fameux silos de données ? Le « fléau du 21 siècle » ?

Bonne nouvelle, le Data Hub sert en premier lieu à casser ces silos. Il permet une vue 360° sur les données – harmonisées et sécurisées en plus. Pourquoi c’est utile ?

Pour un Data Scientist ou Data Analyst, cela permet un travail de découverte et d’analyse plus exhaustif, en traitant les uses cases Data au travers du prisme de tous les systèmes. Leurs manipulations des données sont simplifiées.

Et les données sont traitées avec une plus grande confiance. Ainsi, l’utilisateur gagne du temps en fouille ou préparation des données, pour se concentrer sur sa vraie valeur ajoutée : sortir l’information, la valeur business des données. Mais l’intérêt n’est pas que métier.

L’un des principes de l’architecture moderne énoncés par Joshua Klahr, préconise d’éliminer les copies et mouvements de données. Que l’on adhère ou pas à ces principes, c’est un fait : plus de copies, plus de flux, plus de temps de traitement, plus de chances d’erreurs, plus de maintenance, plus de coût, etc.

Dans un Hub, le travail sur les données est fait une seule fois pour être utilisé partout et à chaque fois. La mise en place de gouvernance des données se fait à un unique endroit, clairement identifié. Les études d’impact, suite à des évolutions, sont simplifiées et le risque d’en oublier diminue. Ainsi, on rationalise le travail.

La maintenance est simplifiée, les coûts sont réduits et la productivité de l’équipe augmentée.

A retenir :

Un Data Hub répond à plusieurs enjeux :

• Casser les silos de données et créer une vision 360° de l’information.
• Améliorer la gouvernance grâce à la traçabilité, la sécurité et l’alignement réglementaire (ex. RGPD, HIPAA, BCBS 239).
• Faciliter l’analyse et l’IA : les données sont contextualisées et prêtes à alimenter des cas d’usage avancés de Data Science et IA générative.
• Optimiser les flux d’intégration : il devient un maillon central pour relier Data Lakes, Data Warehouses, systèmes applicatifs et outils analytiques.

Data Hub vs. data mesh vs. data fabric : complémentarités et limites

Bénéfices clés d’un Data Hub pour les entreprises

• Qualité et fiabilité : normalisation, enrichissement, validation des données.

• Agilité : adaptation rapide aux nouveaux cas d’usage sans refonte complète
• Sécurité et conformité : centralisation des règles et contrôles réglementaires
• Collaboration : IT et métiers alignés grâce à une source commune de vérité

Brand tie-in : Le Data Hub incarne une approche de data & AI product governance platform, comme celle proposée par DataGalaxy, en transformant la gouvernance des données en un levier stratégique pour l’IA, la conformité et la performance métier.

Exemples de solutions Data Hub (éditeurs et outils du marché)

Plusieurs acteurs du marché proposent des solutions orientées Data Hub (liste non exhaustive) :

• Informatica
• SAP
• Cloudera
• Oracle
• Talend
• Ataccama
• Collibra

Pour aller plus loin

Le Data Hub s’inscrit dans un écosystème plus large de concepts et d’architectures de données. Pour approfondir et comprendre ses complémentarités, voici quelques articles utiles :

• Comment ne pas se noyer dans un Data Lake de nos jours ? – Le Data Lake est conçu pour le stockage massif et flexible de données brutes. Découvrez ses forces, ses limites et son rôle face au Data Hub.
• Architecture Data Mesh et Data Catalog : la stratégie gagnante – Le Data Mesh repose sur la décentralisation et l’appropriation des données par les métiers. Cet article explique ses fondements et ses impacts organisationnels.
• Data lake vs. data warehouse : quelles différences ? – Deux piliers historiques : le stockage brut (Lake) et l’analyse structurée (Warehouse). Cet article explore leurs complémentarités et leur articulation avec le Hub.
• Data mesh vs. data lake : quelles différences ? – Deux approches souvent comparées : l’une technique, l’autre organisationnelle. Comprenez pourquoi elles ne s’opposent pas mais se complètent.
• Data mesh vs. data fabric : 5 différences essentielles – Le Data Fabric fournit une couche technologique automatisée. Ce comparatif met en lumière ses différences avec le Mesh et le rôle que peut jouer le Data Hub.

À propos de l'auteur

Jessica Sandifer

Passionnée par la transformation de la complexité des données en clarté, Jessica Sandifer est une gestionnaire de contenu expérimentée qui conçoit des histoires qui résonnent auprès d'audiences techniques et commerciales. Chez DataGalaxy, elle crée des messages de marketing de contenu et de produit qui démystifient la gouvernance des données et rendent la préparation à l'IA réalisable.