Le passage de "données comme sous-produit" à "données comme produit" est l'un des changements organisationnels les plus impactants. Inspiré des principes du data mesh, le data product thinking applique la discipline du product management — recherche utilisateur, SLAs, gestion de cycle de vie — aux datasets, APIs et modèles analytiques.
Cycle de Vie du Data Product
tadata
Center: Boucle de feedback
Découvrir — identifier les consommateurs, définir la valeurConstruire — schéma, contrats, pipeline, testsOpérer — suivi des SLAs, qualité, supportFaire évoluer — versioning, dépréciation, migration, décommissionnement↻ then back to step 1
tadata
Conditions Remove Narrow Semantics Add Docs Column removed or renamed Y N N N N Type narrowed or nullability tightened – Y N N N Meaning, unit or grain changed – – Y N N Optional column added or type widened – – – Y N Docs or descriptions only – – – – Y Actions MAJOR bump, new version side by side X X X Deprecation window, notify consumers X X X MINOR bump X PATCH bump X Notes consumers fail loudly values may truncate or fail silent: same schema, wrong numbers safe for readers no data impact
Conditions Remove Narrow Semantics Add Docs Column removed or renamed Y N N N N Type narrowed or nullability tightened – Y N N N Meaning, unit or grain changed – – Y N N Optional column added or type widened – – – Y N Docs or descriptions only – – – – Y Actions MAJOR bump, new version side by side X X X Deprecation window, notify consumers X X X MINOR bump X PATCH bump X Notes consumers fail loudly values may truncate or fail silent: same schema, wrong numbers safe for readers no data impact Ce changement est-il cassant ? Que faire Extrait de la fiche « Data Contracts » · Demander la fiche complète
Canvas Data Product
Dimension Questions à Répondre Nom & Domaine Comment s'appelle ce produit ? Quel domaine le possède ? Consommateurs Qui utilise ces données ? Quelles décisions supporte-t-il ? Proposition de Valeur À quelle question répond-il ? Que casserait son absence ? Données Source De quelles données en amont dépend-il ? Schéma & Contrat Quels sont les champs, types et garanties ? SLAs Qualité Objectifs de fraîcheur, complétude, précision ? Patterns d'Accès Requête SQL ? Appel API ? Dashboard ? Feature store ML ? Sécurité & Confidentialité Gestion PII ? Contrôles d'accès ? Politique de rétention ?
tadata
contracts/orders.odcs.yaml 1 apiVersion: v3.0.2 2 kind: DataContract 3 id: commerce-orders 4 name: orders 5 version: 2.1.0 6 status: active 7 domain: commerce 8 description: 9 purpose: Orders for churn and demand models 10 limitations: No card data. Amounts in EUR. 11 schema: 12 - name: orders 13 physicalName: silver.orders 14 properties: 15 - name: order_id 16 logicalType: string 17 primaryKey: true 18 required: true 19 - name: customer_id 20 logicalType: string 21 required: true 22 classification: restricted 23 - name: amount_eur 24 logicalType: number 25 quality: 26 - type: sql 27 query: SELECT COUNT(*) FROM orders WHERE amount_eur < 0 28 mustBe: 0 29 quality: 30 - type: sql 31 query: SELECT COUNT(*) FROM orders 32 mustBeGreaterThan: 100000 33 slaProperties: 34 - property: latency 35 value: 4 36 unit: h 37 team: 38 - username: orders-team 39 role: owner 1 semantic version: major on breaking changes 2 purpose and limits: what ML may and may not do with it 3 grain and key: one row per order 4 classification drives PII handling (sheet 05) 5 column rule: no negative amounts 6 table rule: volume floor catches partial loads 7 SLA: data at most 4 h old 8 owner to page when a rule fails
contracts/orders.odcs.yaml 1 apiVersion: v3.0.2 2 kind: DataContract 3 id: commerce-orders 4 name: orders 5 version: 2.1.0 6 status: active 7 domain: commerce 8 description: 9 purpose: Orders for churn and demand models 10 limitations: No card data. Amounts in EUR. 11 schema: 12 - name: orders 13 physicalName: silver.orders 14 properties: 15 - name: order_id 16 logicalType: string 17 primaryKey: true 18 required: true 19 - name: customer_id 20 logicalType: string 21 required: true 22 classification: restricted 23 - name: amount_eur 24 logicalType: number 25 quality: 26 - type: sql 27 query: SELECT COUNT(*) FROM orders WHERE amount_eur < 0 28 mustBe: 0 29 quality: 30 - type: sql 31 query: SELECT COUNT(*) FROM orders 32 mustBeGreaterThan: 100000 33 slaProperties: 34 - property: latency 35 value: 4 36 unit: h 37 team: 38 - username: orders-team 39 role: owner 1 semantic version: major on breaking changes 2 purpose and limits: what ML may and may not do with it 3 grain and key: one row per order 4 classification drives PII handling (sheet 05) 5 column rule: no negative amounts 6 table rule: volume floor catches partial loads 7 SLA: data at most 4 h old 8 owner to page when a rule fails Contrat de style ODCS v3 pour une table de commandes (abrégé ; vérifiez les noms de champs avec la version de la spécification utilisée pour la validation) Extrait de la fiche « Data Contracts » · Demander la fiche complète
Template de SLA Qualité
Dimension SLA Objectif Exemple Mesure Fraîcheur <2h opérationnel, <24h analytique Vérification timestamp metadata Complétude >99.5% des enregistrements attendus Comparaison nombre de lignes Précision >99.9% des valeurs conformes à la source Requêtes de réconciliation Stabilité du Schéma 0 changement cassant non annoncé Monitoring du registre de schémas Disponibilité >99.5% uptime Health checks des endpoints
tadata
Quantity Formula Meaning SLI SLI = (good)/(valid)share of good events, minutes or rows Error budget B = (1 - SLO) × Tfailure allowed in the window Burn rate r = (e)/(1 - SLO)1 = budget spent exactly at window end Budget spent by an alert window s = (r × w)/(T)share of the budget consumed Data downtime DD = N × (TTD + TTR)incident time per period
Arithmétique des SLO Extrait de la fiche « Data Quality SLAs and Observability » · Demander la fiche complète
Modèle de Maturité de la Découvrabilité
Niveau Étape Comment les Données Sont Trouvées 0 Connaissance tribale Demander à quelqu'un qui sait 1 Documentation Guides écrits dans des wikis 2 Catalogue Catalogue de métadonnées avec recherche 3 Marketplace Data products avec notes, stats d'usage, SLAs 4 Assisté par IA Recherche en langage naturel, recommandations auto
Implications Organisationnelles
Le data product thinking exige trois changements :
Du projet au produit : Les initiatives data ont une propriété continue, pas de date de fin de projet.Du central au fédéré : Les équipes domaine possèdent et publient leurs data products. L'équipe plateforme fournit l'outillage et les standards.Du livrable au résultat : Le succès se mesure par l'adoption et l'impact sur les décisions, pas par le nombre de tables.
Ressources