Smart Data : pourquoi le big data est mort et comment les Critical Data Elements changent la gouvernance des données en 2026

Une conversation entre David Frappa, Sales Engineering Director Europe chez DataGalaxy, et Laurent Dresse, Chief Evangelist, sur la fin du règne du big data et l’émergence d’une approche ciblée, pragmatique et contextuelle de la donnée.

À un moment donné, vous avez probablement lancé une réunion pour faire le point sur ce que votre organisation fait vraiment avec ses données. Quelqu’un a monté une présentation. Quelques responsables ont envoyé leurs chiffres. Et à la fin, la question de départ était toujours sans réponse.

La partie gênante, ce n’est pas que la réponse était incomplète. C’est que personne dans la salle n’était surpris.

Le paradoxe cruel du big data

En 2026, le volume de données d’une entreprise moyenne double tous les quatre ans. Selon IDC, 90 % des données mondiales ont été générées au cours des deux dernières années seulement. Chaque jour produit plus de données que toute la quantité cumulée jusqu’à il y a dix ans.

Et pourtant, les métiers n’ont jamais eu autant de mal à trouver la bonne information au bon moment.

Plus on a de données, moins on a de clarté. C’est le constat que partagent aujourd’hui la plupart des leaders data. C’est aussi le point de départ d’un changement de paradigme profond : passer du big data au smart data.

Trois douleurs que toutes les organisations partagent

Quand on écoute les entreprises — en France, aux États-Unis, dans l’industrie comme dans les services — trois douleurs reviennent systématiquement.

Trop de données. Les systèmes débordent. Les data lakes sont devenus des dépotoirs. Les IA génératives en rajoutent chaque jour, sans gouvernance claire.

Pas de confiance. Sans gouvernance, impossible de savoir si une donnée est juste, si sa formule de calcul est la bonne, si elle a été validée. Chaque rapport devient une enquête.

Une perte de temps phénoménale. On passe plus de temps à vérifier la donnée qu’à l’utiliser. Et parfois, même en cherchant, on n’arrive pas à expliquer pourquoi une donnée est juste ou fausse.

La conséquence est prévisible. Dix définitions différentes d’un même terme métier. Le « client » vu par le marketing n’est pas celui de la comptabilité, ni celui du commercial. Les emails sont dupliqués dans six, sept, parfois dix bases de données. Lancer une simple campagne d’anniversaire devient un casse-tête logistique.

Après le shadow IT, le shadow IA

Si ce problème existait déjà à l’époque de la BI, l’IA générative l’a considérablement aggravé.

Après le shadow IT et la shadow BI, on voit aujourd’hui émerger le shadow IA : des collaborateurs qui utilisent ChatGPT, Claude ou d’autres plateformes en parallèle des outils d’entreprise, génèrent de l’information non gouvernée, la repartagent, et alimentent sans le savoir une montagne de données impossible à maîtriser.

Le big data ne répond plus à ces douleurs. Les data lakes ne les résolvent pas. L’enjeu n’est plus de stocker plus, mais de stocker moins et mieux : identifier, parmi tout ce volume, les données essentielles à la vie de l’entreprise et leur appliquer une gouvernance rigoureuse.

C’est l’idée centrale du smart data.

Ce que les Critical Data Elements changent vraiment

Au cœur de cette approche, un concept : les Critical Data Elements (CDE). Ce sont les données qui, dans un contexte d’usage donné, doivent absolument être correctes pour que ce cas d’usage produise de la valeur.

La nuance est importante. Un CDE l’est toujours par rapport à un cas d’usage, pas dans l’absolu. L’adresse email du client est critique pour le marketing automation. La date de naissance aussi. Mais pour la comptabilité qui génère une facture, la date de naissance n’a aucune importance.

Cette vision matricielle — une donnée critique, pour quel usage — permet enfin de sortir des débats sans fin sur la définition universelle du client ou du chiffre d’affaires. Au lieu d’essayer de gouverner 100 % du patrimoine de données, on se concentre sur les 20 ou 30 données clés qui rendent un cas d’usage métier opérationnel.

La méthode en cinq étapes : ce que Nike a fait concrètement

Laurent Dresse a mis en œuvre cette approche chez Nike pour un cas concret : consolider le reporting de ventes entre points de vente propriétaires et franchisés. La difficulté ? Chaque franchisé avait son propre système, rendant la réconciliation au niveau ville, pays ou région particulièrement complexe.

La méthode tient en cinq étapes, et sa force est d’être délibérément simple. Plus simple égale plus efficace. Plus d’usine à gaz égale moins de valeur.

Étape 1 : identifier la problématique métier et le cas d’usage. Sans cas d’usage précis, toute démarche CDE devient théorique. Il faut ancrer la réflexion dans un processus opérationnel réel.

Étape 2 : appliquer un scoring à chaque donnée candidate. Une grille de dix critères pondérés permet de décider objectivement si une donnée est critique ou non. Le critère le plus fort : l’identification par un expert métier, pondéré à cinq points. Viennent ensuite l’utilisation dans un tableau de bord stratégique, l’impact client, le lien avec des régulations sectorielles — Solvency II pour l’assurance, BCBS 239 pour la banque — et la présence de données personnelles.

Étape 3 : inventorier les CDE dans un data catalog. Une fois identifiés, les CDE entrent dans un processus de certification : assignation d’un Data Owner, mesure de qualité, classification interne, classification RGPD.

Étape 4 : publier et exposer à l’entreprise. Les CDE certifiés sont mis à disposition dans une marketplace interne, consommable par les métiers et les projets IA.

Étape 5 : maintenir un cycle de vie. Un CDE n’est pas éternel. Il faut le revoir régulièrement, le recertifier ou le décommissionner. Sinon, on recrée à l’identique le chaos qu’on cherchait à résoudre.

Pourquoi c’est l’expert métier qui doit tenir la plume

Dans cette démarche, c’est l’expert métier qui tient la plume. C’est lui qui connaît son processus opérationnel, qui sait quelle donnée fait réellement tourner son activité. L’IT peut compléter la grille avec des considérations techniques, mais le cœur de la certification repose sur la connaissance opérationnelle.

C’est d’ailleurs pour cela que la certification ne peut pas être un processus purement technique ou descendant. Elle doit être par et pour les métiers, avec un accompagnement outillé qui évite l’usine à gaz.

Smart data et IA : un prérequis, pas une option

On ne peut pas faire d’IA fiable sur du big data désordonné. Les algorithmes, même les plus sophistiqués, restent dépendants de la qualité des données qu’on leur fournit.

Le smart data et sa logique de Critical Data Elements jouent ici un double rôle : ils fournissent à l’IA un contexte fiable, certifié, tracé ; et ils permettent aux équipes de répondre aux questions de plus en plus précises des RFP clients sur la gouvernance des données.

C’est une tendance forte en 2026. Beaucoup d’entreprises sont effrayées par les risques liés à l’IA — exposition de données sensibles, hallucinations, utilisation non conforme. Les clients et prospects exigent des réponses précises sur quelles données sont utilisables par l’IA, dans quel contexte, avec quelles garanties. La certification CDE apporte une réponse structurée à cette question.

Ce qu’un data catalog moderne rend possible

Pour opérationnaliser cette démarche à l’échelle, un outillage est nécessaire. C’est là qu’intervient une plateforme comme DataGalaxy, qui permet de référencer et documenter les termes métiers avec leur classification RGPD, leur propriétaire et leurs liens vers les implémentations techniques. De tracer le lineage de chaque donnée pour comprendre où elle est utilisée, transformée, stockée. De matérialiser visuellement la politique CDE avec les critères de scoring et leur pondération. De gérer le cycle de vie des CDE via des campagnes de validation workflowées. Et d’exposer les jeux de données certifiés dans une marketplace interne, consommable à la fois par la BI et par l’IA.

Le changement de posture qui change tout

Pendant vingt ans, on a cherché à tout collecter, tout stocker, tout documenter — dans l’espoir qu’un jour quelqu’un saurait quoi en faire. Ce modèle a atteint ses limites.

Le smart data inverse la logique. On part du besoin métier, on identifie ce qui est vraiment critique, on certifie, on expose, on monitore. Tout le reste peut exister dans le data lake, mais ce n’est pas là que se construit la valeur.

C’est une approche plus humble, plus pragmatique, plus alignée sur la réalité opérationnelle. Et à l’ère où l’IA demande des fondations solides, elle devient le prérequis pour transformer l’explosion des données en avantage concurrentiel durable.

Découvrez comment DataGalaxy accompagne les entreprises dans la mise en place d’une approche smart data fondée sur les Critical Data Elements. Regardez le replay complet du webinaire.

Q&A

Qu’est-ce que le smart data ?

Le smart data est une approche de gouvernance des données qui part du besoin métier plutôt que du volume. Au lieu d’essayer de documenter et gouverner l’intégralité du patrimoine de données, les organisations identifient les 20 à 30 données vraiment critiques pour chaque cas d’usage, les certifient, et les exposent dans une marketplace interne. C’est l’opposé du big data : moins de données, mieux gouvernées, directement connectées à la valeur opérationnelle.

Qu’est-ce qu’un Critical Data Element (CDE) ?

Un Critical Data Element est une donnée qui, dans un contexte d’usage précis, doit absolument être correcte pour que ce cas d’usage produise de la valeur. La nuance fondamentale : un CDE n’est jamais critique dans l’absolu, il l’est toujours par rapport à un cas d’usage défini. L’adresse email est critique pour le marketing automation ; elle ne l’est pas pour la comptabilité. C’est cette approche contextualisée qui rend la démarche scalable là où la gouvernance universelle échoue.

Pourquoi le big data ne répond plus aux besoins des entreprises ?

Le big data a atteint ses limites pour trois raisons concrètes. D’abord, l’accumulation crée de l’opacité : plus il y a de données, plus il est difficile d’identifier celles qui sont fiables et pertinentes. Ensuite, sans gouvernance ciblée, la confiance dans les données s’effondre — chaque rapport devient une enquête. Enfin, l’IA générative a aggravé le problème en créant du shadow IA : des données non gouvernées produites et partagées en dehors des systèmes officiels, à un rythme impossible à maîtriser.

Comment identifier les Critical Data Elements dans mon organisation ?

La méthode repose sur une grille de dix critères pondérés appliquée à chaque donnée candidate. Le critère le plus important est l’identification par un expert métier, qui représente cinq points sur dix. Les autres critères incluent l’utilisation dans un tableau de bord stratégique, l’impact client, le lien avec des régulations sectorielles comme Solvency II ou BCBS 239, et la présence de données personnelles. Toute donnée atteignant un score de cinq ou plus entre dans le processus de certification. La clé est de rester pragmatique : six à dix critères suffisent, et la grille doit pouvoir être complétée par les métiers sans assistance technique.

Quel est le lien entre smart data et IA ?

Le smart data est le prérequis d’une IA fiable. Les modèles, même les plus sophistiqués, produisent des résultats proportionnels à la qualité des données qu’on leur fournit. La certification des Critical Data Elements remplit deux fonctions dans un contexte IA : elle fournit un contexte de données fiable, tracé et certifié pour alimenter les modèles ; et elle permet de répondre aux exigences croissantes des clients et régulateurs sur la gouvernance des données utilisées par l’IA. En 2026, cette capacité à documenter quelles données peuvent être utilisées par l’IA, dans quel contexte et avec quelles garanties, est devenue un critère différenciant dans les RFP.

À propos de l'auteur: Laurent Dresse

Data Governance Kitchen Head Chef

Laurent met à profit sa connaissance approfondie du secteur, son expérience ainsi que son expertise du marché pour partager avec le public les principales tendances, observations et analyses du moment.