Depuis 2022, le Data Mesh occupe l’espace médiatique data. Beaucoup de DSI le regardent avec un mélange d’intérêt et de scepticisme. La question qui revient : « On a déjà un Data Lake qui marche à peu près, faut-il basculer ? ». Réponse structurée, sans hype.
Rappel : de quoi parle-t-on
Data Lake. Une plateforme centralisée qui stocke les données brutes issues de multiples sources, en général sur cloud public (S3, GCS, ADLS). Les équipes data centrales préparent des couches consommables (silver, gold) pour la BI, la data science et les cas d’usage métier.
Data Mesh. Une approche organisationnelle et technique qui décentralise la responsabilité des données vers les domaines métier. Chaque domaine devient propriétaire de ses data products, avec une plateforme self-service commune et une gouvernance fédérée (federated computational governance).
La différence n’est pas d’abord technique. C’est un choix d’organisation.
Où le Data Lake pêche
Un Data Lake centralisé fonctionne bien tant que :
- Les cas d’usage restent limités en volume (10-30 use cases)
- Les équipes data centrales tiennent le rythme des demandes métier
- Les données sources sont stables et bien documentées
Il commence à craquer quand :
- Le nombre de cas d’usage dépasse la capacité de l’équipe centrale (backlog qui grossit)
- Les métiers reprochent aux équipes data un manque de contextualisation
- La qualité des couches gold se dégrade parce que personne ne connaît vraiment le domaine
- La plateforme centrale devient un goulot d’étranglement organisationnel
Sur nos audits data 2024-2026, environ 60% des Data Lakes matures de grands groupes présentent ces symptômes.
Ce que le Data Mesh promet
Le Data Mesh propose de :
- Recentrer la propriété des données sur les domaines métier (finance, achats, RH, logistique)
- Traiter les données comme un produit : versioning, SLA, documentation, consommateurs identifiés
- Fournir une plateforme self-service qui absorbe la complexité technique (ingestion, storage, cataloguage, observabilité)
- Fédérer la gouvernance par des règles communes (contrats de données, standards de qualité) plutôt que par un pouvoir centralisé
Sur le papier, cette approche répond aux problèmes du Data Lake mature.
Ce que le Data Mesh coûte
Le passage à un Data Mesh n’est pas gratuit :
- Coût organisationnel : il faut former et équiper 5-15 domaines métier sur des compétences data engineering
- Coût plateforme : la plateforme self-service doit être solide dès le premier domaine embarqué (sinon les métiers se démotivent)
- Coût gouvernance : les contrats de données et les standards de qualité doivent être écrits, adoptés, maintenus
- Coût migration : les datasets existants doivent être réattribués et remis en forme produit
Nous estimons le ROI Data Mesh à 18-30 mois minimum sur des SI de 20 000+ collaborateurs. En dessous, un Data Lake bien piloté suffit.
Quand basculer
Voici les 5 signaux qui, cumulés, justifient d’engager une trajectoire Data Mesh.
- Le backlog de la Data Platform dépasse 12 mois de charge
- Plus de 8 domaines métier demandent une prise en main partielle de leurs données
- Les équipes data centrales admettent ne plus connaître les données qu’elles servent
- Les métiers construisent des shadow analytics (Excel, Power BI perso) parce que la plateforme est trop lente
- La direction générale a une ambition data-driven claire, avec un budget structuré et un sponsor exécutif
Si vous cochez 3 signaux sur 5, ça vaut le coup d’étudier. Si vous en cochez 1 ou 2, un chantier de renforcement du Data Lake suffit.
Notre recommandation opérationnelle
Ne basculez pas d’un bloc. Testez un domaine pilote (achats, finance ou RH selon votre contexte) pendant 6-9 mois. Mesurez trois indicateurs :
- Le temps entre demande métier et livraison data product (avant / après)
- La satisfaction du domaine pilote et des consommateurs internes
- Le coût réel de la plateforme self-service par domaine embarqué
Sur cette base, décidez : on continue et on ajoute 2 domaines, ou on revient à un Data Lake renforcé. Cette décision est plus honnête qu’un plan de transformation à 3 ans écrit dans une slide.
Le Data Mesh n’est pas un dogme. C’est une architecture qui convient à certains contextes. Le pire scénario est de basculer parce qu’un cabinet vous l’a vendu, sans vérifier que votre organisation est prête à en assumer la charge.