Malakoff Humanis

Après avoir poussé leur outil de catalogue de données jusqu’à ses limites, Malakoff Humanis cherchait un outil ergonomique pour toutes ses équipes métiers, avec une fonctionnalité de lignage des données.

La problématique du départ avec leur ancien catalogue :

• l’outil de recherche ne fonctionnait pas,
• l’outil était trop complexe à utiliser, ce qui a empêché l’adoption,
• les fonctionnalités étaient trop basiques pour leurs cas d’usages, comme la recherche facile de données et la cartographie des données de leur data lake.

Ils souhaitaient se lancer dans une stratégie de données de bout en bout, en mettant en corrélation les équipes commerciales et SI. Ils cherchaient donc un outil plus « user friendly » facile à utiliser pour cartographier les données de leur data lake (AwS).

Après avoir poussé leur outil de catalogue de données jusqu’à ses limites, Malakoff Humanis cherchait un outil ergonomique pour toutes ses équipes métiers, avec une fonctionnalité de lignage des données.

La problématique du départ avec leur ancien catalogue :

• l’outil de recherche ne fonctionnait pas,
• l’outil était trop complexe à utiliser, ce qui a empêché l’adoption,
• les fonctionnalités étaient trop basiques pour leurs cas d’usages, comme la recherche facile de données et la cartographie des données de leur data lake.

Ils souhaitaient se lancer dans une stratégie de données de bout en bout, en mettant en corrélation les équipes commerciales et SI. Ils cherchaient donc un outil plus « user friendly » facile à utiliser pour cartographier les données de leur data lake (AwS).

En utilisant une approche agile qui a impliqué leurs équipes internes, de data, DSI, et métiers, avec l’aide des équipes de DataGalaxy, Malakoff Humanis a mis en place la Data Catalog en plusieurs étapes.

Dans une première phase :

• Identification des projets clés – mise à jour de la Data Lake, du processus Solvabilité 2 et de la gouvernance transversale.
• Définition des fonctionnalités prioritaires à mettre en place pour chaque projet.
• Intégration des informations existantes, y compris les glossaires et les usages, avec un processus de chargement et de saisie réduit.

Une fois ces premières étapes franchies, ils sont devenus plus autonomes et ont poursuivi  leur démarche pour :

• Compléter le scope des données et des SI à connecter.
• Ajouter des cas d’usage à forte valeur ajoutée, notamment pour les données personnelles et les API.
• Structurer les usages et les processus de gouvernance des données.
• Impliquer leur communauté étape par étape.

Leurs équipes continuent de fonctionner en mode projet “agile”, avec une équipe interne devenue experte dans l’outil.

Pour encourager l’adoption de l’outil, ils font régulièrement la promotion des fonctionnalités et des cas d’utilisation de DataGalaxy auprès de leur communauté de plus de 300 collaborateurs en partageant des infographies simples et des retours d’expérience.