Dans de nombreuses organisations, la gestion des métadonnées est encore une tâche manuelle, très chronophage, effectuée par des profils plutôt techniques pour des profils techniques.
Par conséquent, la gestion des métadonnées en tant que discipline est passée inaperçue pour les parties prenantes des données et de l’analyse. La capacité des équipes à en expliquer les bénéfices ou à démontrer sa valeur a été et peut encore être difficile. De plus, la diversité d’informations et de technologies dans les entreprises brouillent encore davantage sa définition et sa compréhension.
Comprenez que la gestion des métadonnées est encore une discipline naissante, mais surtout nécessaire pour les entreprises souhaitant renforcer des démarches d’innovation ou de conformité réglementaire sur leur patrimoine de données. Nombre d’entre elles essaient d’acquérir des convictions
sur le sujet et de se doter de solutions permettant de relever ce nouveau pari.
Même si les entreprises sont de plus en plus sensibilisées et convaincues, cette discipline ne représente encore que 12% du temps passé dans les projets de data management !
Au sommaire de ce document :
Introduction p 3
Les conditions de succès pour démarrer une gestion des métadonnées p 6
Accepter d’échouer p 7
Expérimenter p 8
Aligner p 10
Prioriser p 11
Sélectionner p 13
Capitaliser p 14
Comment gérer ses métadonnées ? p 15
Le choix d’une plateforme de gestion de métadonnées p 16
Explorer ses métadonnées p 19
Comment démarrer une gestion des métadonnées ? p 21
Définir un jalon p 23
Lancer le premier jalon p 26
Phase A p 27
Phase B p 28
Phase C p 29
Exemples de jalons p 31
Conclusion p 35
Auteurs p38
Sources p 39
Téléchargez ce guide pratique de 40 pages, en français, en remplissant correctement le formulaire ci-dessous :
Par conséquent, la gestion des métadonnées en tant que discipline est passée inaperçue pour les parties prenantes des données et de l’analyse. La capacité des équipes à en expliquer les bénéfices ou à démontrer sa valeur a été et peut encore être difficile. De plus, la diversité d’informations et de technologies dans les entreprises brouillent encore davantage sa définition et sa compréhension.
Comprenez que la gestion des métadonnées est encore une discipline naissante, mais surtout nécessaire pour les entreprises souhaitant renforcer des démarches d’innovation ou de conformité réglementaire sur leur patrimoine de données. Nombre d’entre elles essaient d’acquérir des convictions
sur le sujet et de se doter de solutions permettant de relever ce nouveau pari.
Même si les entreprises sont de plus en plus sensibilisées et convaincues, cette discipline ne représente encore que 12% du temps passé dans les projets de data management !
Au sommaire de ce document :
Introduction p 3
Les conditions de succès pour démarrer une gestion des métadonnées p 6
Accepter d’échouer p 7
Expérimenter p 8
Aligner p 10
Prioriser p 11
Sélectionner p 13
Capitaliser p 14
Comment gérer ses métadonnées ? p 15
Le choix d’une plateforme de gestion de métadonnées p 16
Explorer ses métadonnées p 19
Comment démarrer une gestion des métadonnées ? p 21
Définir un jalon p 23
Lancer le premier jalon p 26
Phase A p 27
Phase B p 28
Phase C p 29
Exemples de jalons p 31
Conclusion p 35
Auteurs p38
Sources p 39
Téléchargez ce guide pratique de 40 pages, en français, en remplissant correctement le formulaire ci-dessous :
En remplissant ce formulaire, vous acceptez de transmettre vos informations à Decideo et à l'éditeur du document téléchargé. Vous pouvez exercer l'ensemble de vos droits auprès de ces deux entités : droit de communication, droit à l'oubli, en conformité avec le RGPD.
Autres articles
-
Actian inaugure une nouvelle ère de la démocratisation des données avec le Data Catalog Fédéré
-
Le MIT a recensé 777 risques potentiels liés à l’IA dans une base de données partagée gratuitement
-
HCLSoftware annonce son intention d'acquérir l’éditeur français de logiciels de gestion des métadonnées Zeenea
-
Gouverner l’intelligence artificielle : les données, leur qualité, leur conformité (4ème partie)
-
Gouverner l’intelligence artificielle : cadres réglementaires et normatifs (3ème partie)