Etude sur la gouvernance des données dans le secteur finance (Dataflux et PAC)

(Merci à Christophe et pour l'info!)

Dataflux et PAC publient un livre blanc sur l'état de la gouvernance des données dans le secteur finance en France. > Lire les conclusions de Christophe Brasseur sur son blog.

Pour information, il existe une étude équivalente également pour l'Allemagne (dans la langue de Goethe).

Liens:

• Etude "La Gestion des Données dans le secteur de la Finance en France"
  
• Etude "Datenmanagement im deutschen Finanzsektor"
  

Information Management Forum, le 22 octobre 2009 à Paris

Enfin un forum francophone dédié à la gestion de l'information d'entreprise !

Organisé le 22 octobre prochain aura lieu à la Grande Arche de Paris la Défense, la première édition de l’Information Management Forum (IMF 09') qui sera dédiée à la compréhension et à la gestion du cycle de vie de la donnée: collecte, intégration, référencement, master data management, gestion de la qualité, stockage, restitution, analyse...mais également organisation (gouvernance), méthodes, et outils.

Au programme: des témoignages clients, des analyses d'experts, et des présentations de solutions des éditeurs SAP, DataFlux, IBM, Orchestra Networks, Information Builders et Tibco seront notamment là pour présenter leurs solutions.

Les inscriptions sont ouvertes depuis hier.

PS: Pour ceux qui auront la possibilité de s'y rendre, merci de penser à twitter vos impression ! (par exemple en incluant le tag #IMF09)

Plus d'informations:

• Site de l'Information Management Forum
  
• Agenda
  
• Liste des intervenants

(Merci au site Buzz.MDM pour l'info!)

Data Quality: Map, Landscape et Carré de solutions

Pour les amateurs de comparatifs visuels et autres visualisation du paysage de solutions de Data Quality, les cabinets d'analyses Bloor Research et Information Difference nous font part de leurs derniers crûs de comparatif des solutions de Data Quality.

 Data Quality Map (Bloor Research), Juin 2009

Data Quality Landscape (The Information Difference), Mai 2009

Ces cabinets sont certes moins célèbres que d'autres géants, mais spécialisés dans le data management, ils permettent d'aborder d'un autre oeil ou de compléter les évaluations faites par d'autres cabinets plus généralistes (fabricants de carrés  magiques et autres vagues forrestières, dans l'attente de leurs mises a jour 2009). Retrouvez ces analyses plus détaillées ci-dessous:

• The Data Quality Market - Spring 2009 (The Information Difference)
• Data Quality Vendor Map (Bloor Research)

Edit du 15/05/09:
Gartner vient également tout juste de sortir des presses son dernier carré magique des solutions de Data Quality.

 

Source: Gartner (June 2009)

Retrouvez le rapport ici:

• Gartner - Magic Quadrant for Data Quality Tools, 2009

L'Affaire Madoff et le MDM

Quelles leçons peut-on tirer de l'affaire Madoff ?

Alors que Bernard Madoff attend sa sentence dans sa confortable cellule de prison, l'éditeur DataQualityFirst illustre les bienfaits de l'approche MDM en analysant les données comptes et clients (titulaires de comptes et leurs adresses) de Bernard L. Madoff Investment Securities LLC à l'aide de sa solution PartyQualityInsight, dopée par l'outil DQM d'IBM: QualityStage (l'étude de cas téléchargeable).

L'illustration s'avère plutôt parlante, puisque l'analyse révèle des données éparses (réparties dans plusieurs systèmes type ERP et DataWarehouses) et souffrant de problèmes de qualité (redondances de données en particulier) - c'est à dire à peu près la même situation que celle l'on retrouve encore dans de très nombreux SI.

Et en analysant qui sont les victimes de ce stratagème pyramidal, on découvre que cette mauvaise qualité de données a probablement contribué à Madoff lui même. Pour preuves: sur plus de 23.076 comptes clients (personnes morales et physiques), seuls 13.561 se sont avérés être des clients uniques et parmi lesquels 41 contiennent les mots "Bernard" ou "Madoff". Combien Madoff en a-t'il créé par lui même ? Quels sont ceux rattachés à ses propres comptes ? Combien de fausses adresses et de relations a-t'il également créé pour faire fructifier son stratagème ?

Et cet exercice pousse plus loin la réflexion: Et chez vous ? Qui dans votre entreprise est responsable des données Client ? Qui est en charge de leur création, et garant de leur validité ? Qui est responsable de la gestion des règles métiers en charge de contrôler ces données ? Quelle stratégie de gouvernance de données avez-vous mis en place pour vous protéger de tels abus ?

L'exercice est plutôt bien mené par l'éditeur, et placé dans un contexte pour le moins parlant. Un article à lire, donc.

Sources:

• DataQualityFirst Untangles Madoff Client List (Communiqué de DataQualityFirst)
• What does Bernard Madoff have to do with MDM? Case Study (Etude de cas de DataQualityFirst)
  
• Bernie Madoff's Client List vs. MDM Software: Lessons Learned (Article sur CIO.com)
• Liste des Clients de Madoff (Wall Street Journal) - qui a servi de base à l'étude.
  

Série d'articles sur les problèmes actuels des solutions de Data Quality

Philip Howard, du cabinet Bloor Research, pousse la grogne contre l'état actuel du marché des solution de Data Quality (gestion de la qualité des données), dans une série de cinq articles (voir plus bas) plutôt pertinents.

Selon lui, les solutions leaders du marché sont basés et construites sur des technologies anciennes et dépassées, et qui ne permettent pas de relever les nouveaux défis liés en particulier à ceux levés par la gestion des données de référence :

• algorithmes inefficaces de matching (détection de doublons) par comparaison de masques (patterns),
  
• algorithmes inadaptés dans un contexte de données internationales,
• l'incapacité des outils de comprendre le contexte dans lequel s'applique une donnée, et la traitant sans en prendre compte,
• Le manque d'automatisation avancée tant dans le nettoyage (cleansing) que dans le profilage (profiling) de données.
  

Il invoque ainsi l'arrivée de nouveaux entrants pureplayers, approchant le marché avec des approches innovantes tels Silver Creek, Exeros (allié à CA), Zoomix (racheté par Microsoft) ou encore Netrics, basées sur la compréhension sémantique, sur la contextualisation des données et l'importance des relations entre elles (même entre applications) - grâce à la résolution d'identités complexes, sur la modélisation mathématique avancée en lieu et place de la comparaison par pattern, et sur des techniques automatisées avancées de profiling de données.

Vous trouverez cette excellente suite de cinq articles ci-dessous :
(ainsi que leur traduction automatique approximative, pour les non-anglophones - merci g00gle)

• The problem with data quality solutions - part 1 (Traduction)
• The problem with data quality solutions - part 2 (Traduction)
• The problem with data quality solutions - part 3 (Traduction)
• The problem with data quality solutions - part 4 (Traduction)
• The problem with data quality solutions - part 5 (Traduction)