Modern Data Stack : Centraliser l’intelligence, pas les données

 

Modern Data Stack : Centraliser l’intelligence, pas les données... Chaque éditeur d’outil BI a inventé son propre « langage », sa propre grammaire, sa propre logique interne. On pense au DAX, au MDX, au LookML, aux Semantic Models, etc. Et chaque outil ajoute ses propres mécanismes internes, qui changent complètement d’un outil à l’autre. Ensuite, les utilisateurs créent des règles métier spécifiques, qui ne sont pas toujours les mêmes d’un dashboard à l’autre, d’une techno à l’autre, parfois répliquées, parfois adaptées… avec de subtiles variations qui créent de l’incertitude.   Alors on « patch », on « bricole », et on finit par consolider une logique métier propre à chaque outil… ce qui revient, doucement mais sûrement, à créer une dépendance… fatale.   Il y a plusieurs options pour changer cet état de fait.   Option 1 : de la data prep dans la base de données Une (fausse) bonne idée… Centraliser la préparation des données dans des bases modernes et scalables a de vraies vertus : On « vide » la couche BI de sa complexité, on crée de la transparence. On centralise la logique métier dans un endroit unique. On crée de fait de l’interopérabilité côté BI.   Mais dans la pratique, centraliser toute la préparation devient vite très lourd. Trois exemples concrets : Chaque changement métier demande une intervention de l’IT. Les pipelines doivent être rejoués entièrement pour mettre à jour un simple dashboard, avec des coûts Cloud qui explosent. Et surtout, une plateforme BI est (presque) toujours multi-sources, et tout rebasculer sur une seule source de données représente un effort de migration énorme. On conserve donc des dépendances complexes, peu maintenables.   En gros, dans ce cas de figure, on perd en grande partie la souplesse et la réactivité plébiscitées par les métiers (self-BI). Option 2 : mise en œuvre de "oa-lake"  La couche qui manque entre les deux mondes Alors est née l’idée d’oa-lake, avec une idée sous jacente : « centraliser l’intelligence, pas les données » : Au lieu de charger, transformer, croiser des données issues de plusieurs sources pour alimenter Power BI, Looker, Strategy ou autre, oa-lake fournit une couche SQL distribuée : oa-lake unifie les sources telles qu’elles sont (Oracle, DB2, BigQuery, Excel…) - pas besoin de migrer pour changer de solution BI . oa-lake génère un format pivot Parquet, calculé à la demande, avec un cache périssable. oa-lake applique les règles métier en SQL simple, en dehors des dashboards et des bases de données sources, qui restent focalisées sur leur rôle premier, sans encapsuler (et masquer) la complexité métier. Prendre un RV de 30' avec les équipes techniques début 2026 pour un retour d'expérience oa-lake ne remplace pas les outils existants. L’idée n’est ni de refaire un ETL, ni de construire un nouveau data warehouse. C’est une couche intermédiaire simple, ouverte, où la logique métier est écrite une seule fois, en SQL lisible.    Bonus  Nous sommes capables de migrer des dashboards existants, en particulier depuis des technos legacy (SAP BO, Cognos... ) de façon automatisée vers cette architecture pour catalyser très fortement vos projets de migration.