Les nouvelles règles de la gestion des données

gestion des données
gouvernance
intelligence artificielle

Méthodologie : enquête Oxford Economics auprès de 1 475 professionnels IT, ingénierie et cybersécurité (9 pays, 16 secteurs), novembre 2024 – janvier 2025. « Leaders » = organisations ayant pleinement implémenté fédération, gestion de pipelines et gestion du cycle de vie des données.

Nature de la source : étude d'éditeur — méthodologie solide (Oxford Economics) mais conclusions orientées vers l'offre Splunk (plateforme unifiée, fédération).

1. Le paradoxe : noyés sous les données, affamés d'insights

Les organisations stockent leurs données comme un garage encombré : elles empilent sans organiser. La centralisation systématique, longtemps considérée comme la bonne pratique, a montré ses limites — complexité accrue, coûts, environnements hybrides multipliant les défis.

Principaux obstacles à la stratégie data cités par les répondants :

Obstacle	%
Sécurité et conformité des données	69 %
Volume et croissance des données	67 %
Définition des tiers de données	41 %
Maîtrise des coûts	35 %

2. Des conséquences business mesurables

71 % disent que leurs difficultés de gestion des données ont conduit à de mauvaises décisions (40 % impact significatif).
62 % ont subi des échecs de conformité ; 46 % un désavantage concurrentiel.
59 % constatent que leur stratégie actuelle a aggravé la duplication de données (20 % : significativement).
91 % ont dépensé plus en gestion des données que l'année précédente. Causes principales : volumes (73 %) et évolutions réglementaires (71 %) — le RGPD étant cité comme l'une des réglementations les plus coûteuses à supporter.
26 % ne savent pas calculer le ROI de leurs investissements data.

3. Des pratiques en retard sur la réalité

L'ancienne approche impose un choix perdant : tout consolider à grands frais, ou vivre avec des silos et sacrifier la visibilité.

53 % doivent se connecter à plusieurs plateformes pour accéder à leurs différentes sources.
Seuls 13 % incluent la visibilité unifiée dans leur stratégie, 11 % l'accessibilité unifiée.
47 % déplacent des données chaque mois — avec les risques de fuite, de non-conformité et les coûts associés.
La gouvernance est mal appliquée : accès par rôle non appliqué (57 %), règles de localisation des données non appliquées (57 %), durées de rétention non définies ou non appliquées (44 %), et 79 % n'ont pas de politique de destruction des données.

4. Les « nouvelles règles » : quatre pratiques créatrices de valeur

Au-delà des fondations répandues (gestion du cycle de vie : 75 % ; gestion des pipelines : 73 %), quatre pratiques moins courantes différencient les organisations performantes :

Qualité des données (48 % des répondants) — ceux qui la priorisent améliorent leur MTTR (73 % vs 51 %), leur détection des menaces (61 % vs 37 %) et l'identification des causes racines (45 % vs 34 %).

Réutilisation des données (16 %) — moins de difficultés face aux gros volumes (46 % vs 71 %), moins de violations de données (44 % vs 33 %), meilleure détection (62 % vs 47 %).

Tiering (36 %) — bénéfice n°1 : réduction des coûts de stockage (classé premier par 50 %), puis accélération des accès fréquents (32 %).

Fédération — accéder aux données là où elles sont, sans les déplacer. 92 % en ont une forme, mais seuls 20 % l'ont pleinement implémentée. Bénéfices déclarés : accès plus rapide (67 %), meilleure gouvernance (54 %), meilleure posture de conformité (47 %).

5. Ce que les leaders font différemment

Le trio gagnant : fédération + gestion des pipelines + gestion du cycle de vie, pleinement implémentés. Les leaders surpassent les autres sur :

Indicateur	Leaders	Autres
Économies de coûts	62 %	34 %
Marge opérationnelle nette en progression	69 %	56 %
Vitesse d'innovation	55 %	44 %
MTTR amélioré (sécurité)	79 %	61 %
Neutralisations de menaces réussies	65 %	45 %

6. Data management et IA : une relation symbiotique

L'IA dépend de la qualité des données : 85 % disent que leur stratégie data fournit à l'IA le volume et la variété nécessaires ; 82 % qu'elle a amélioré la précision de leurs modèles ML.
Réciproquement, l'IA améliore la gestion des données : 98 % disent qu'elle l'a facilitée, surtout par l'automatisation des tâches répétitives de qualité (73 %) et la découverte de données (59 %).
Mais l'IA aggrave aussi le problème qu'elle aide à résoudre : intégration plus difficile, volumes accrus.

7. Recommandations finales

Connaître et classifier ses données — partir des cas d'usage et des contraintes métier, appuyé par une gouvernance (rétention, accès par rôle) et de la formation.
Garder des données propres — la qualité est un processus itératif dès la génération de la donnée ; « garbage in, garbage out » vaut doublement pour l'IA.
Accéder aux données sans les déplacer — la fédération évite les migrations coûteuses et risquées.
Adopter une approche plateforme — vue unifiée, réduction des outils redondants, fin du « swivel chair syndrome ».

Points clés à retenir

Le problème n'est plus de stocker mais d'organiser : la centralisation systématique a atteint ses limites, la complexité est devenue le premier ennemi.
Les difficultés de gestion des données ont un coût business direct et mesuré : mauvaises décisions (71 %), échecs de conformité (62 %), désavantage concurrentiel (46 %).
La gouvernance échoue moins par absence de politique que par absence d'application (accès par rôle et localisation non appliqués à 57 %).
La fédération — accéder sans déplacer — est la pratique la plus prometteuse et la moins mature (20 % d'implémentation complète).
Qualité des données et IA se renforcent mutuellement : pas d'IA fiable sans données propres, et l'IA automatise à son tour le nettoyage.
Convergence forte avec le discours de l'Audit Data : connaître ses données, les classifier, définir des responsabilités — avant d'acheter des outils.