Un traçage trop tardif des données engendre des lacunes de confiance: pourquoi les entreprises ont besoin d’une visibilité complète, des systèmes d’information à l’IA.

Ce blog est le deuxième d'une série consacrée à la collaboration entre Rocket Software et Ataccama pour aider les organisations à bâtir une intelligence des données fiable et complète. Dans le premier article, Ataccama a analysé pourquoi une traçabilité complète repose sur une visibilité à travers les environnements mainframe, distribués et cloud. Dans cet article, nous explorons l'importance de cette visibilité et le rôle crucial que joue une traçabilité complète pour instaurer la confiance dans le reporting, la gouvernance, l'IA et la prise de décision.

Résumé

• Pour instaurer la confiance dans les rapports, la gouvernance, l'analyse et l'IA, la traçabilité complète doit commencer au niveau du système d'origine, et non au point de consommation.
• Les lacunes en matière de traçabilité engendrent des lacunes de confiance. Faute de visibilité sur l'origine et l'évolution des données, les organisations prennent des décisions sur la base d'éléments incomplets.
• À mesure que l'IA influence les décisions et les actions, les organisations ont besoin de données explicables et gouvernées, offrant une visibilité sur l'intégralité de leur cycle de vie et leur contexte commercial.
• La traçabilité de bout en bout améliore les enquêtes sur la qualité des données, les rapports réglementaires, la planification de la modernisation et la préparation à l'IA en reliant les résultats en aval aux sources et dépendances en amont.
• Ensemble, Rocket et Ataccama offrent une visibilité continue des systèmes opérationnels aux plateformes de données modernes, aidant les organisations à passer d'une visibilité fragmentée à un contexte propice à la prise de décision.

Pourquoi la lignée complète est le fondement de la confiance

La plupart des stratégies de données d'entreprise partent du principe que la confiance peut être établie une fois que les données atteignent un entrepôt de données cloud, une application, un tableau de bord, un modèle d'IA ou un agent. Or, une grande partie du contexte qui détermine la fiabilité des données qui y arrivent se situe déjà plusieurs étapes en amont.

De nombreuses données critiques pour l'entreprise ne sont pas stockées dans le cloud. Elles proviennent des systèmes opérationnels qui gèrent l'activité: plateformes de gestion des sinistres, systèmes de polices d'assurance, de paiement et de comptes clients, ainsi que les environnements existants qui servent encore de systèmes d'enregistrement.

C’est pourquoi la traçabilité d’une entreprise ne peut pas commencer au point de consommation. Elle doit commencer au point d’origine.
Le premier article d'Ataccama dans cette série souligne un point important: la traçabilité n'est utile que si elle est complète. Dans les environnements d'entreprise complexes, elle se fragmente dès que des systèmes sont exclus du graphe. Cette fragmentation engendre des risques pour les rapports réglementaires, les enquêtes sur la qualité des données, les analyses d'impact, la gouvernance et le raisonnement de l'IA.

Rocket relève ce défi précisément là où il se situe, en étendant la traçabilité aux systèmes d'où proviennent les données critiques de l'entreprise.

Le manque de lignée n'est pas seulement un problème de couverture technique. C'est un manque de confiance.

Lorsque les organisations ne peuvent pas retracer les données depuis les systèmes où elles ont été créées jusqu'aux systèmes qui les transforment, les stockent, les analysent et les utilisent, elles sont contraintes de prendre des décisions sur la base d'informations incomplètes. Elles savent où une donnée a été enregistrée, mais pas quel processus opérationnel l'a générée. Elles peuvent visualiser une métrique dans un rapport, mais pas toutes les transformations en amont qui ont contribué à son calcul. Elles peuvent identifier un problème de qualité des données dans un tableau de bord, mais pas la cause sous-jacente.

Cela mine la confiance dans les initiatives mêmes que les programmes de données modernes sont censés soutenir.

Le problème avec la lignée qui commence en aval

Les entreprises ont investi massivement dans des plateformes de données modernes. Cet investissement a permis d'améliorer l'analyse des données, d'élargir leur accès et de mettre en place des programmes de gouvernance plus évolutifs. Cependant, il a également engendré un angle mort fréquent: les organisations n'ont une visibilité sur leurs données qu'une fois celles-ci transférées.
Cette vision en aval est précieuse, mais incomplète.

Le défi devient de plus en plus urgent à mesure que les organisations développent leur utilisation de l'IA et de la prise de décision fondée sur les données. Gartner^® prévoit que d'ici 2026, les organisations abandonneront 60 % des projets d'IA non étayés par des données compatibles avec l'IA.¹ .

Dans le même temps, 36 % des entreprises tirent encore plus de la moitié de leurs revenus des applications mainframe, et 21 % en tirent plus des trois quarts.² Lorsque le traçage commence dans l'entrepôt de données, le lac de données, la plateforme de BI ou le flux de travail d'IA, il peut passer à côté de règles métier critiques, de transformations, de déplacements de fichiers, de traitements par lots, de logique applicative et de dépendances du système source qui ont façonné les données avant leur arrivée.

Les dirigeants d'entreprise, les équipes de gouvernance et les ingénieurs de données ont tous besoin de réponses aux mêmes questions fondamentales: d'où proviennent les données, quels systèmes et processus les ont créées, comment ont-elles évolué au fil du temps et quels rapports, applications, modèles et processus métier en aval en dépendent.

Pourquoi le contexte du système source est plus important que jamais

La traçabilité des données est depuis longtemps essentielle à la gouvernance, à la conformité et à la qualité des données. Son importance s'accroît à mesure que les entreprises passent d'une utilisation des données axée sur l'analyse à une prise de décision assistée par l'IA et à des flux de travail automatisés.

Les initiatives en matière d'IA ne dépendent pas uniquement de la disponibilité des données. Elles nécessitent des données précises, explicables, à jour, gouvernées et contextualisées pour l'entreprise.

Le contexte métier trouve son origine dans les systèmes opérationnels où se déroulent les événements commerciaux. Pour de nombreuses organisations, notamment dans les secteurs réglementés, ces systèmes comprennent encore des mainframes et des plateformes héritées qui demeurent la source de référence des données critiques de l'entreprise. Lorsque ces environnements ne sont pas couverts par le traçage des données, les organisations ne se contentent pas de manquer un élément technique dans un graphe ; elles passent à côté de la réalité opérationnelle sous-jacente aux données.

Cela a des conséquences bien réelles.

Un rapport réglementaire est plus difficile à défendre lorsque les équipes ne peuvent pas retracer les chiffres jusqu'aux systèmes d'information qui les ont produits. Un problème de qualité des données est plus long à résoudre lorsque les équipes constatent la défaillance en aval, mais pas sa cause en amont. Toute initiative de changement devient plus risquée lorsque les équipes ne comprennent pas quels rapports, applications, produits de données ou pipelines d'IA dépendent du système modifié. Une initiative d'IA est plus difficile à piloter lorsque les équipes ne peuvent pas expliquer la provenance des données utilisées pour étayer les résultats des modèles ou les recommandations des agents.

Pourquoi l'IA renforce l'importance de la filiation

L'IA transforme les attentes des entreprises vis-à-vis de leurs données. Il ne suffit plus que les données soient disponibles, cataloguées ou approuvées pour une utilisation dans un tableau de bord. À mesure que les données alimentent les systèmes de pilotage automatique, les modèles, les agents et les flux de décision automatisés, les entreprises doivent s'assurer de leur interprétabilité et de leur fiabilité. Cela implique bien plus qu'une simple visualisation du produit final: il est essentiel de comprendre l'intégralité du parcours des données avant leur intégration dans un flux de travail d'IA.

Les systèmes d'IA héritent des angles morts des données qui les alimentent. Lorsque l'analyse de la provenance des données commence après leur transformation, leur agrégation, leur réplication ou leur séparation du contexte du système source, les équipes ne peuvent plus expliquer comment ces données ont été créées, ce qui a changé en cours de route ni les hypothèses sous-jacentes.

À mesure que l'IA passe de la simple génération d'informations à l'influence sur les décisions et les actions, ces lacunes deviennent de plus en plus importantes. Les utilisateurs professionnels doivent avoir la certitude que les réponses, les recommandations et les actions optimales générées par l'IA reposent sur des informations actuelles, fiables et explicables.

C’est là que la traçabilité devient un élément fondamental de la préparation à l’IA. Elle prouve que les organisations comprennent les données à l’origine des renseignements et peuvent démontrer leur provenance, leur évolution et les raisons de leur fiabilité.

Quelle lignée complète rend possible

Lorsque la traçabilité s'étend des systèmes opérationnels aux plateformes de données modernes, les organisations obtiennent bien plus qu'un simple graphique amélioré. Elles acquièrent le contexte nécessaire pour prendre des décisions plus éclairées.

Analyse plus rapide des causes profondes des problèmes de qualité des données: les problèmes de qualité des données apparaissent souvent en aval, mais leur origine se situe généralement bien plus tôt dans le parcours des données. Un défaut dans un champ source, un traitement par lots, un processus de transformation ou des définitions métier contradictoires peuvent tous engendrer des problèmes qui se manifestent ailleurs. Grâce à une traçabilité complète, les équipes peuvent remonter à la source des problèmes au lieu de s'appuyer sur des investigations manuelles et une documentation fragmentée. Cela réduit les efforts et renforce la confiance dans la résolution des problèmes.

Des rapports réglementaires plus fiables: les rapports réglementaires exigent plus que de simples chiffres exacts. Les organisations doivent être en mesure de retracer l’origine de chaque chiffre, son mode de calcul et son parcours au sein de l’environnement. Lorsque la traçabilité exclut le système d’information de référence, prouver la chaîne de responsabilité devient complexe. Une traçabilité complète permet de relier les données de reporting aux systèmes opérationnels et aux transformations qui les ont générées.

Modernisation plus sûre: avant de moderniser, remplacer, intégrer ou mettre hors service un système, les équipes doivent avoir une visibilité complète sur les rapports, applications, produits de données, processus et pipelines d’IA qui en dépendent. Les systèmes existants contiennent souvent des années de logique métier et de dépendances accumulées, mal documentées. Une traçabilité complète révèle ces relations avant toute modification, permettant ainsi aux équipes d’identifier les risques plus tôt et de prendre des décisions de modernisation avec plus d’assurance.

Préparation renforcée à l'IA et aux agents: les systèmes d'IA, les copilotes et les agents dépendent de données explicables et gouvernées. Lorsque la traçabilité remonte aux sources opérationnelles, les organisations acquièrent le contexte nécessaire pour comprendre, gouverner et faire confiance aux données sous-jacentes aux résultats et décisions générés par l'IA.

Où Rocket et Ataccama s'intègrent

Ataccama ONE centralise la gestion et la gouvernance des données de traçabilité, permettant aux équipes de les exploiter et de les gérer à l'échelle de l'entreprise. Les scanners Rocket, compatibles avec cet environnement, intègrent des sources de données de traçabilité ; les métadonnées générées par Rocket apparaissent ainsi dans le même graphique et la même interface que celles produites par les scanners natifs d'Ataccama.

Rocket étend cette visibilité aux systèmes opérationnels, applications, bases de données, tâches, codes et processus de transformation qui se trouvent souvent en dehors des traçabilités modernes. Ensemble, Rocket et Ataccama connectent les environnements d'origine des données critiques de l'entreprise aux plateformes modernes où elles sont gérées, analysées et de plus en plus utilisées par l'IA.

Capturer la traçabilité des données sur les plateformes modernes ne représente qu'une partie du défi. La tâche la plus ardue consiste à retracer les données à travers des décennies de logique de transformation dissimulée dans du code procédural, une planification et une orchestration complexes des tâches avec des branchements conditionnels, et un stockage non relationnel fragmenté et dépourvu de contexte. La vaste expérience de Rocket dans les environnements opérationnels complexes permet d'étendre la traçabilité jusqu'aux systèmes où sont créées les données critiques de l'entreprise – les systèmes que Rocket exploite et modernise en partenariat avec des entreprises depuis des années.

Sans visibilité sur les systèmes en amont et les points de transformation, les organisations ne perçoivent que les dernières étapes du parcours des données. Ensemble, Rocket et Ataccama offrent une vue continue, de l'origine opérationnelle à la consommation contrôlée, permettant aux équipes de comprendre non seulement où les données ont été déposées, mais aussi d'où elles proviennent, comment elles ont évolué et ce qui en dépend.

C’est là que la traçabilité devient plus qu’une simple documentation. Elle devient un mécanisme de confiance.
Prenons l'exemple d'un défi courant auquel sont confrontées les institutions financières: valider un chiffre clé dans un rapport et prouver son origine.

Que se passe-t-il si un numéro de déclaration réglementaire ne peut être retracé jusqu'à sa source ?

Avant: lignée fragmentée

Un organisme de services financiers prépare un rapport réglementaire trimestriel. Le chiffre publié est visible dans l'environnement analytique, mais la traçabilité s'interrompt avant d'atteindre les systèmes d'origine des données de compte, de transaction et de solde.

Lorsqu'un examinateur remet en question un chiffre, les ingénieurs de données, les équipes applicatives, les analystes et les responsables de la gouvernance enquêtent chacun sur leur partie du processus. Sans une vision complète de la source au rapport, prouver comment ce chiffre a été obtenu devient un exercice manuel fastidieux.

Résultat: validation retardée, efforts d'audit accrus et confiance réduite dans la capacité de l'organisation à justifier le chiffre communiqué.

Après: Rocket Data Intelligence et Ataccama

Grâce à Rocket Data Intelligence qui étend la traçabilité aux systèmes opérationnels et à Ataccama qui offre une expérience centralisée de traçabilité et de gouvernance, les équipes peuvent retracer les données du rapport jusqu'à leurs systèmes d'origine, leurs transformations et leurs dépendances.

En cas de contestation d'un chiffre, l'organisation peut rapidement identifier la source des données, leur évolution et les systèmes qui ont contribué au résultat final.

Résultat: une validation plus rapide, une confiance accrue dans les audits, une réduction des interventions manuelles et une base plus fiable pour les initiatives de reporting, de gouvernance et d'IA.

Dans le prochain article, nous examinerons comment la traçabilité fiable, les métadonnées et le contexte métier contribuent à la préparation à l'IA et aident les organisations à avoir confiance dans les données qui alimentent l'analyse, l'automatisation, les copilotes et les agents.

En attendant, découvrez comment Rocket Data Intelligence et Ataccama collaborent pour offrir une visibilité de bout en bout sur les environnements de données opérationnels et modernes.

À propos de cette série

La série a débuté par une exploration des raisons pour lesquelles une traçabilité incomplète crée des angles morts. Ataccama a démontré comment l'extension de la visibilité aux environnements mainframe, distribués et cloud permet de reconstituer la traçabilité complète nécessaire à la gouvernance, à l'analyse, à la modernisation et aux initiatives d'IA.

Dans le prochain article, Ataccama explore la transition des données explicables à l'utilisation gouvernée des données. Une traçabilité complète à travers les environnements permet aux organisations de comprendre l'origine, les transformations, les dépendances et les impacts des changements en aval. La gouvernance répond alors à la question cruciale: ces données sont-elles appropriées pour cette décision ? À mesure que l'IA influence davantage les résultats commerciaux, les organisations ont besoin de ces deux réponses. C'est là que la gouvernance fondée sur des politiques devient essentielle.