La sémantique universelle est la clé des données en libre-service

Les données ont besoin d’un contexte. Sans celui-ci, elles ne sont que des mots et des chiffres. Pour que les données aient de la valeur, les gens doivent comprendre ce qu’elles représentent. Les gens ont besoin d’un contexte. Pour mieux comprendre les données, les analystes doivent également connaître les détails sur le moment, le lieu et la manière dont elles ont été collectées. Dans de nombreux cas, cela peut être nuancé et contradictoire. Les données ont-elles été collectées dans le Massachusetts ou aux États-Unis ? Ont-elles été collectées au premier trimestre civil ou au premier trimestre fiscal ?

La sémantique des données fournit ce contexte et constitue un élément essentiel de votre pile de données. La couche sémantique fournit une vue logique des données, ce qui facilite leur utilisation par les professionnels. Elle traduit la structure technique des données en une terminologie compréhensible pour les utilisateurs professionnels.

Les composants clés de la couche sémantique sont les suivants :

Catalogue de données

Le catalogue de données est un inventaire des actifs de données d'une organisation, les décrivant afin que les professionnels des données puissent facilement trouver ce dont ils ont besoin.

Dictionnaire de données

Le dictionnaire de données définit la structure des données de l'organisation, la signification et l'utilisation des éléments de données.

Glossaire des affaires

Le glossaire commercial définit les termes, concepts et règles commerciaux couramment utilisés.

Sémantique fragmentée

La sémantique étant si importante, elle est présente partout dans l'organisation. Les couches sémantiques ont évolué au fil des ans et ont été mises en œuvre à différents endroits, chacun avec des normes uniques. Ce manque de définitions et de contexte uniformes rend difficile pour les consommateurs de données l'accès aux données dont ils ont besoin de manière standardisée, créant ainsi des murs et des silos de données.

La couche sémantique est généralement créée pour l'environnement dans lequel elle sera déployée. Bien qu'elle puisse être très efficace pour répondre à l'objectif pour lequel elle a été créée, la fragmentation sémantique constitue un gouffre croissant qui nuit au partage des données.

Par exemple, les outils BI ont des couches sémantiques uniques, chacune avec ses propres définitions de données. Une organisation type utilise près de quatre outils BI différents, ce qui rend la collaboration entre les services assez difficile.

Les couches sémantiques sont également programmées dans des pipelines de données très rigides, ce qui nécessite qu'un développeur exécute les modifications. À mesure que les exigences du pipeline évoluent, les programmeurs, qui ne comprennent généralement pas parfaitement le contexte des données, doivent implémenter des mises à jour. Le contexte des données est souvent déformé au cours de ce processus, ce qui le rend de plus en plus incohérent avec les autres pipelines et outils.

Les entrepôts de données disposent également de leurs propres couches sémantiques intégrées aux datamarts qui les surplombent. Celles-ci sont généralement propres à chaque entrepôt de données ou au groupe qui gère le datamart. Cette fragmentation rend difficile le partage des données avec des collègues d'autres services qui peuvent ne pas comprendre les nuances du modèle de données.

Les entreprises ont recours aux lacs de données pour regrouper les données en un seul endroit, facilitant ainsi l'accès. Cependant, la disparité entre les modèles de données reste un obstacle à l'intégration et au partage des données. Même si les données peuvent se trouver au même endroit dans un lac de données, sans les mêmes définitions de données, il n'est pas facile de comparer des pommes avec des pommes. Par exemple, certains ensembles de données peuvent considérer un client comme un individu, alors que d'autres peuvent le classer comme une entreprise. Cela dépend vraiment du contexte dans lequel les données ont été collectées et de la raison pour laquelle elles ont été collectées. La sémantique de chaque ensemble de données doit être normalisée pour analyser correctement les données partagées.

Ce défi de gestion d’un écosystème sémantique fragmenté ne fera que croître à mesure que les données deviendront plus critiques et que le monde continuera à en collecter autant que possible.

Maîtrisez la fragmentation grâce à la virtualisation des données et à la couche sémantique universelle

La virtualisation des données et une couche sémantique universelle peuvent maîtriser la fragmentation sémantique et permettre un meilleur partage des données et un meilleur libre-service.

Une couche sémantique universelle est une source unique de vérité qui traduit les données en termes commerciaux de manière uniforme. Elle est indépendante de la plate-forme et n'est pas rattachée à un pipeline, un outil ou un entrepôt, mais est conçue pour se situer entre les ressources de données brutes et les outils d'analyse. Pour que la sémantique universelle fonctionne, les outils de virtualisation des données doivent séparer les métadonnées et la sémantique du plan de données. Cette approche permet aux analystes de travailler avec une représentation des données tandis que les données d'origine restent dans le système source, et les analystes interagissent avec elles via un modèle de données uniforme. Alors que les données restent en place, les métadonnées sont consolidées dans une source unique et organisées en un ensemble unique de sémantique. Lorsqu'une couche sémantique universelle est activée par la virtualisation des données, les analystes disposent soudainement d'une vue unique de données commerciales faciles à comprendre qu'ils peuvent interroger où qu'elles se trouvent. Cette uniformité permet à une seule requête de données d'accéder simultanément à plusieurs magasins de données, élevant la découverte de données au niveau supérieur. La complexité du stockage des données et l’incohérence de la syntaxe des données étant éliminées, les utilisateurs moins techniques peuvent accéder aux données dont ils ont besoin sans avoir recours à des experts pour trouver les données et expliquer leur signification.

La virtualisation des données élimine également de nombreuses technologies qui favorisent la fragmentation sémantique. Les données peuvent être interrogées directement à partir de la source, ce qui réduit la dépendance aux pipelines de données avec sémantique intégrée. En tirant parti de la virtualisation et d'un modèle de données uniforme, les plateformes BI peuvent accéder aux données à partir de la source, en contournant la sémantique native. Les datamarts ne sont également plus nécessaires.

Lorsque les catalogues de données, les dictionnaires de données et les glossaires d'entreprise sont regroupés sur une seule plateforme, les consommateurs de données peuvent découvrir et accéder aux ensembles de données de toute l'organisation. Cette capacité crée de nombreuses nouvelles opportunités pour améliorer la prise de décision basée sur les données.

La sémantique et l'avenir de la gestion des données

La sémantique unifiée et les données virtualisées sont des composants essentiels des stratégies de gestion des données modernes émergentes telles que le maillage de données et les structures de données. Ces stratégies et technologies connectent le dernier kilomètre en rendant les données beaucoup plus accessibles aux consommateurs de données. Elles permettent de nouveaux canaux de consommation et de découverte tels que les produits de données ou les graphes de connaissances.

Grâce à une couche sémantique consolidée, les humains sont non seulement mieux à même de comprendre toutes les données au sein et autour de leur organisation, mais cela facilite également la tâche des machines. Les capacités de recherche sémantique vous permettent de rechercher des produits de données en fonction du langage et des termes de l'entreprise. Lorsque Gen AI peut analyser un référentiel de métadonnées unique et accessible, il peut apprendre à récupérer des données avec des commandes linguistiques simples. En combinant cela avec l'IA qui peut créer automatiquement des visualisations, la possibilité de réduire le travail d'analyse fastidieux est révolutionnaire.