Qu’est-ce que la gouvernance des données ? Cadres, modèles et mise en œuvre

Chaque organisation collecte des données, mais sans système formel pour en définir la propriété, encadrer les accès et garantir l’exactitude, ces données deviennent plus vite une source de responsabilité qu’un véritable asset. La gouvernance des données est précisément ce système : la qualité de sa conception détermine si l’organisation peut se fier aux décisions qu’elle prend à partir de ses données.

Cet article aborde les points suivants :

• Qu’est-ce que la gouvernance des données ?
• En quoi la gouvernance des données diffère-t-elle de la gestion des données ?
• Quels sont les principaux modèles de référentiel de gouvernance des données ?
• Qui supervise la gouvernance des données ?
• Comment mettre en œuvre la gouvernance des données ?
• Quelles sont les bonnes pratiques en matière de gouvernance des données ?
• Que doit couvrir le reporting en matière de gouvernance des données ?
• Quels critères privilégier dans le choix d’une plateforme de gouvernance des données ?
• Pourquoi les approches traditionnelles de gouvernance des données montrent-elles leurs limites ?
• Comment Adobe Experience Platform aborde-t-il la gouvernance des données à grande échelle ?
• Comment articuler la gouvernance des données autour des résultats métier ?
• Mettre en place un programme de gouvernance des données

La gouvernance des données est l’ensemble des politiques, processus, rôles et normes qui définissent la manière dont une organisation gère ses assets de données. Elle couvre la qualité, la sécurité, les accès et la responsabilité tout au long du cycle de vie des données, depuis la création ou l’ingestion d’un enregistrement jusqu’à son archivage ou sa suppression.

Trois questions en définissent immédiatement les contours :

• Quelles données possédons-nous ?
• Qui en est responsable ?
• Comment en vérifier la qualité ?

Toute organisation incapable de répondre à ces trois questions fonctionne sans gouvernance des données.

Une distinction fondamentale s’impose : la gouvernance des données n’est pas un logiciel, c’est une discipline métier. La technologie vient en appui, mais un programme de gouvernance repose sur des politiques documentées, des responsabilités clairement attribuées et des standards rigoureusement appliqués — quel que soit l’outil en place. De même qu’acheter une armoire à dossiers ne suffit pas à instaurer un système d’archivage, acquérir un catalogue de données sans définir la propriété des données qu’il contient ne relève pas de la gouvernance.

La gouvernance des données ne devient généralement urgente qu’au moment où un incident éclate : un audit de conformité tourne mal faute de journaux d’accès, une campagne marketing s’appuie sur des doublons et envoie des offres contradictoires au même client, ou un régulateur réclame un journal d’audit inexistant. Engager une démarche de gouvernance en réaction à l’un de ces événements revient bien plus cher qu’une approche proactive, car l’entreprise doit alors résoudre le problème immédiat et, en parallèle, bâtir le programme qui aurait dû l’anticiper.

Prenons un exemple concret : une entreprise de grande distribution découvre que ses données clients sont réparties dans trois systèmes, avec trois définitions différentes du « client actif ». La plateforme de fidélité comptabilise toute personne ayant effectué un achat au cours des 12 derniers mois. La GRC comptabilise toute personne disposant d’un compte ouvert. Le système d’emailing comptabilise toute personne ayant cliqué au cours des 90 derniers jours. La gouvernance des données résout ce problème en désignant un responsable des données pour le domaine client, en établissant une définition de référence unique et en mettant en place un processus de réconciliation entre les systèmes, afin que chaque équipe s’appuie sur le même chiffre fiable.

La gestion des données est la pratique opérationnelle générale qui consiste à collecter, stocker et traiter des données. La gouvernance des données représente la couche d’autorité qui s’y superpose : les règles, les rôles et les structures de responsabilité qui définissent la manière dont la gestion des données est conduite.

Pour situer les choses : la gestion des données répond à la question « comment gérons-nous les données ?», tandis que la gouvernance des données répond à « qui décide, qui est responsable et quels standards s’appliquent ?» Une gouvernance sans gestion aboutit à des politiques inapplicables sur le terrain. Une gestion sans gouvernance produit des résultats incohérents et non maîtrisés. C’est à l’articulation entre la gouvernance et les fonctions de gestion des données que les règles rencontrent les pipelines — et les organisations qui traitent ces deux dimensions comme une seule finissent invariablement par sous-investir dans l’une ou l’autre.

Pour un public mixte composé de professionnels du marketing et de l’informatique, voici comment s’articule la distinction en pratique : un ingénieur des données met en place un pipeline d’ingestion (gestion des données), mais c’est la gouvernance qui détermine quels champs de données sont classifiés comme PII, qui a approuvé cette classification et quelle règle de rétention s’applique, tant avant qu’après l’exécution du pipeline.

La qualité des données est un sous-ensemble qui relève à la fois de la gouvernance et de la gestion des données. La gouvernance définit les seuils de qualité. La gestion des données met en œuvre les contrôles. La confusion entre ces trois disciplines est une cause documentée d’échec des programmes de gouvernance. Les organisations investissent dans des outils de gestion des données tout en négligeant la couche de gouvernance, puis s’interrogent sur la persistance des problèmes de confiance, même après avoir modernisé leur infrastructure.

Un cadre de gouvernance des données constitue le plan structurel qui définit la manière dont les politiques de gouvernance sont organisées, qui détient l’autorité décisionnelle et comment les décisions sont prises à l’échelle de l’organisation. Choisir un modèle inadapté à la structure organisationnelle est l’une des causes les plus fréquentes de blocage des programmes de gouvernance après leur lancement, car le modèle d’autorité entre alors en contradiction avec le fonctionnement réel de l’entreprise.

Trois modèles de gouvernance des données largement adoptés répondent à des contextes organisationnels différents :

Des référentiels établis constituent le socle méthodologique de ces différents modèles :

• DAMA-DMBOK (Data Management Body of Knowledge) propose un corpus de connaissances couvrant l’ensemble des disciplines de la gestion des données, y compris la gouvernance, et constitue l’une des normes de référence les plus citées pour définir le périmètre de gouvernance.
• COBIT est un référentiel de gouvernance informatique qui traite les données comme un asset d’entreprise. Il convient aux organisations cherchant à aligner la gouvernance des données sur la gouvernance informatique globale et la gestion des risques.
• Data mesh principles proposent une approche sociotechnique qui traite les données comme un produit distribué, applicable lorsque le modèle décentralisé est la cible.

Aucun de ces référentiels ne constitue un achat logiciel. Chacun est une méthodologie qui requiert un engagement organisationnel.

Pour choisir le bon modèle, mettez en regard les caractéristiques organisationnelles et les atouts de chaque approche : un secteur réglementé avec une seule équipe de données s’oriente vers le modèle centralisé ; une entreprise mondiale avec des unités métier indépendantes s’oriente vers le modèle fédéré ; une entreprise axée sur la technologie avec des équipes d’ingénierie distribuées s’oriente vers le modèle décentralisé.

Une gouvernance efficace repose sur une responsabilité humaine clairement définie à trois niveaux : stratégique, opérationnel et technique. Sans responsables désignés à chaque niveau, les politiques demeurent de simples documents plutôt que des pratiques réelles.

• Le directeur ou la directrice des données, ou le vice-président ou la vice-présidente des données, assume la responsabilité stratégique et le portage du programme. Ce rôle garantit l’obtention des budgets nécessaires, définit les priorités de gouvernance des données en adéquation avec la stratégie d’entreprise et représente le programme auprès de la direction générale.
• Le conseil de gouvernance des données est un comité transversal composé de responsables de domaine qui valident les normes, tranchent les litiges entre domaines et approuvent les modifications de politique. Ce conseil doit réunir des représentants métier et IT pour éviter que la gouvernance ne devienne un exercice purement technique.
• Les data stewards sont les propriétaires métier responsables de l’exactitude et de la pertinence de domaines de données spécifiques. Le ou la data steward du domaine client, par exemple, définit à quoi ressemblent « de bonnes » données clients, résout les problèmes de qualité et approuve les modifications apportées aux définitions des données.
• Les data custodians occupent des postes IT ou d’ingénierie et sont responsables de la mise en œuvre technique des contrôles d’accès, des règles de stockage, des normes de chiffrement et des procédures de sauvegarde. Leur rôle consiste à mettre en œuvre les exigences techniques définies par les data stewards et le conseil.

Un écueil fréquent : la gouvernance est confiée à la seule équipe IT. Cette approche prive les décisions de politique de tout contexte métier et aboutit à des normes certes conformes sur le plan technique, mais inutilisables dans la pratique. Par exemple, une équipe de gouvernance exclusivement IT pourrait classifier l’ensemble des données clients comme « Restreint » pour limiter les risques, empêchant ainsi, sans le vouloir, l’équipe marketing de se servir d’adresses e-mail consenties pour le ciblage de campagnes. Le modèle en conseil, avec une coresponsabilité métier et IT, se révèle systématiquement plus performant qu’une gouvernance mono-fonction, car il concilie gestion des risques et utilité opérationnelle.

La mise en œuvre de la gouvernance des données suit une progression par phases. Chercher à couvrir simultanément tous les domaines de données est la cause la plus fréquente d’échec du programme. Restreindre délibérément le périmètre lors de la première phase est un choix stratégique assumé, non un compromis.

• Phase 1 : inventaire et hiérarchisation. Recensez les assets de données existants, identifiez les domaines à risque de conformité élevé ou à haute valeur métier, et documentez les lacunes de propriété actuelles. Les données clients et les enregistrements financiers constituent généralement les points de départ naturels, car ils combinent exposition réglementaire et impact direct sur les revenus.
• Phase 2 : définition des politiques et des normes. Établissez les définitions des données (la définition de référence unique pour chaque terme métier clé), les niveaux de classification (public, interne, confidentiel, réglementé), les calendriers de conservation et les seuils de qualité. Chaque politique doit désigner un responsable ou une responsable avant sa publication. Une politique sans propriétaire n’est qu’une recommandation.
• Phase 3 : Définition des rôles et communication. Constituez le conseil de gouvernance, désignez des référents de domaine et publiez une matrice RACI pour que chaque équipe sache précisément où se prennent les décisions. Clarifier les rôles avant de déployer les outils est une discipline de séquençage que la plupart des programmes négligent — or cet oubli conduit les investissements technologiques à résoudre les mauvais problèmes.
• Phase 4 : Mise en place des contrôles technologiques. Appliquez les règles de gouvernance des accès, automatisez les contrôles de qualité des données, intégrez le suivi de la traçabilité et configurez la journalisation des audits. À cette phase, la technologie applique les politiques déjà formalisées par écrit — elle ne s’y substitue pas. Adobe Experience Platform, par exemple — le référentiel unique pour l’unification, l’analyse et l’activation des données client dans Adobe CX Enterprise — permet aux organisations d’appliquer des libellés d’utilisation et des politiques d’application au niveau du schéma, afin que les règles de gouvernance accompagnent les données dans chaque application en aval.
• Phase 5 : Mesure, reporting et itération. Définissez des KPI de gouvernance (score de qualité des données par domaine, taux d’exceptions aux politiques, délai de résolution des demandes d’accès), établissez un rythme de reporting sur la gouvernance des données et planifiez des révisions trimestrielles des politiques. La gouvernance est un programme continu, non un projet ponctuel. Les programmes qui omettent cette phase ne peuvent pas démontrer leur valeur à la direction et perdent leurs financements dans les 18 mois.

• Partez des objectifs métier, non des catalogues de données. Définissez les décisions que l’organisation doit prendre en toute confiance — par exemple, une vue unifiée de la valeur client — puis remontez jusqu’aux données nécessaires pour étayer ces décisions. Les programmes qui débutent par le catalogue produisent souvent des inventaires que personne n’exploite, faute de lien avec une question métier concrète.
• Rendez la qualité des données mesurable dès le premier jour. Attribuez un score de qualité à chaque domaine supervisé, couvrant l’exhaustivité, l’exactitude et l’actualité, et publiez-le. La visibilité engendre la responsabilisation. Les engagements abstraits en matière de qualité, comme « nous améliorerons la qualité des données », ne génèrent aucun changement de comportement.
• Intégrez la gouvernance dans les workflows existants plutôt que de créer des processus d’approbation parallèles. Une gouvernance qui génère des frictions sans réduire les risques sera tout simplement contournée. Les équipes adoptent les standards qui leur font gagner du temps ou les mettent à l’abri des reproches. Concevez votre approche en tenant compte de ces deux impératifs. Par exemple, intégrer la validation de la qualité dans un pipeline d’ingestion de données existant est bien plus efficace que d’imposer une étape de vérification de gouvernance distincte après l’ingestion.
• Considérez la gouvernance des accès aux données comme un contrôle continu, et non comme une simple autorisation ponctuelle. Les droits d’accès doivent être révisés selon un calendrier défini — trimestriellement pour les domaines sensibles — et toute extension des accès doit reposer sur une justification métier documentée. Les autorisations d’accès obsolètes figurent parmi les anomalies les plus fréquemment relevées lors des audits de conformité.
• Documentez le lignage de chaque asset de données critique. Savoir d’où provient une valeur — système source, logique de transformation et date de la dernière actualisation — fait toute la différence entre un rapport fiable et un rapport contestable. Le lignage constitue le journal d’audit qui rend la gouvernance défendable face aux contrôles réglementaires.
• Alignez les révisions de politique de gouvernance sur les cycles d’évolution réglementaire. Le RGPD (Règlement général sur la protection des données), le CCPA (California Consumer Privacy Act) et l’HIPAA (Health Insurance Portability and Accountability Act), ainsi que les réglementations sectorielles, sont régulièrement mis à jour. Les programmes de gouvernance qui ne révisent leurs politiques qu’au lancement risquent de se retrouver hors conformité sans s’en apercevoir. Intégrez la veille réglementaire à l’ordre du jour des révisions trimestrielles du conseil de gouvernance.

Le reporting de gouvernance des données est le mécanisme par lequel un programme de gouvernance démontre sa valeur auprès de la direction et identifie les points de défaillance dans l’application des politiques. Sans couche de reporting, la gouvernance demeure purement formelle et ne peut attester de son efficacité.

Quatre catégories de métriques de gouvernance constituent le socle d’un reporting efficace :

• Métriques de qualité des données. Taux d’exhaustivité, d’exactitude et de ponctualité par domaine, suivis dans le temps pour révéler les tendances plutôt que de simples instantanés.
• Métriques de conformité. Taux de respect des politiques, nombre d’exceptions accordées et délai de résolution des anomalies d’audit.
• Métriques d’accès et de sécurité. Nombre de demandes d’accès traitées, délai moyen d’approbation et pourcentage de droits d’accès révisés dans les délais impartis.
• Métriques d’intendance des données. Pourcentage d’assets disposant d’un responsable désigné, incidents de qualité des données ouverts par responsable de domaine et délai de réponse des gestionnaires aux problèmes escaladés.

La fréquence du reporting doit s’aligner sur le niveau de maturité en matière de gouvernance de l’organisation. Les programmes en phase de démarrage tirent profit de révisions mensuelles qui font remonter les gains rapides et les premières défaillances. Les programmes matures évoluent vers des révisions stratégiques trimestrielles, complétées par des tableaux de bord opérationnels mensuels à destination des gestionnaires.

Un tableau de bord de gouvernance accessible à la fois aux équipes IT et aux responsables métier s’avère bien plus efficace que des rapports techniques et exécutifs distincts. Une visibilité unifiée supprime la barrière d’interprétation qui pousse généralement les dirigeants à considérer la gouvernance comme une préoccupation purement IT.

Prenons un exemple concret : une organisation qui suit le « pourcentage d’enregistrements clients avec une adresse e-mail vérifiée » comme KPI de qualité voit ce score chuter de 94 % à 87 % au deuxième trimestre. Le tableau de bord identifie immédiatement le responsable, le domaine et le pipeline d’ingestion en cause. Le délai de résolution passe de plusieurs semaines à quelques jours, car les responsabilités sont clairement désignées plutôt que noyées dans un tableur.

Une plateforme de gouvernance des données concrétise les politiques, les rôles et les normes définis dans le programme de gouvernance. La bonne plateforme réduit la charge liée à l’application manuelle des règles et rend la conformité auditable sans nécessiter une révision humaine de chaque événement d’accès.

Fonctionnalités clés à évaluer :

• Découverte et classification automatisées des données, permettant de localiser et de catégoriser les assets de données sans inventaire manuel.
• Application des politiques au niveau de la couche de données, et pas uniquement au niveau de la couche applicative. Les politiques d’utilisation des données définissent les types d’actions marketing autorisées ou interdites sur les données.
• Traçabilité de la lignée des données à travers les systèmes sources, les transformations et les points de consommation.
• Contrôles d’accès basés sur les rôles avec des autorisations limitées dans le temps.
• Journalisation des audits générant des rapports conformes aux exigences réglementaires sans développements spécifiques.

Pour les organisations qui gèrent des données d’expérience sur les canaux marketing, analytics et service client, la gouvernance doit couvrir l’intégralité du cycle de vie des données, depuis la collecte des consentements et la résolution des identités jusqu’à la segmentation et l’activation. Une plateforme qui régit le stockage mais pas l’activation crée une faille de conformité précisément là où les données clients sont le plus exposées.

Adobe Experience Platform intègre nativement des fonctionnalités de gouvernance des données dans son architecture, plutôt que de les greffer après coup. Les libellés d’utilisation, l’application des politiques et la gestion des consentements s’appliquent au niveau du schéma, ce qui signifie que les règles de gouvernance suivent les données quelle que soit l’application en aval qui les exploite. Cette distinction architecturale est déterminante pour les organisations soumises à des réglementations et opérant à grande échelle, car elle élimine l’écart entre l’endroit où la gouvernance est définie et celui où les données sont réellement utilisées.

Les critères d’évaluation sont à adapter aux conditions propres à chaque organisation : dans un environnement mono-cloud à faible contrainte réglementaire, les outils de catalogage et de lignage des données peuvent se révéler suffisants. Un secteur réglementé, fonctionnant en multi-cloud et dans plusieurs régions, doit quant à lui s’appuyer sur l’application des règles au niveau de la couche de données, un lignage automatisé et une activation respectueuse des consentements. Les organisations qui placent les données d’expérience au cœur de leur stratégie et gèrent des profils clients en temps réel doivent miser sur des plateformes où la gouvernance est nativement intégrée au modèle de données, et non ajoutée en surcouche.

Les programmes de gouvernance traditionnels ont été conçus pour des environnements de données structurés et On-Premise, où les volumes de données restaient maîtrisables, les sources dénombrables et les cycles de mise à jour lents. Ces conditions sont désormais étrangères à la réalité des organisations modernes, qui gèrent des flux d’événements en temps réel, des intégrations de données tierces et une infrastructure distribuée dans le cloud.

Trois schémas d’échec documentés se retrouvent dans l’ensemble des secteurs :

• Gouvernance fondée sur les politiques seules. Des documents de normes détaillés sans application technique, où la conformité repose entièrement sur le comportement individuel. Sous la pression des délais, un PDF de politique laisse la porte ouverte aux raccourcis.
• Gouvernance rétrospective. Contrôles qualité et audits de conformité réalisés après que les données ont déjà été exploitées dans des prises de décision, révélant les problèmes trop tard pour en limiter les conséquences. Une campagne expédiée à des clients ayant retiré leur consentement est irrémédiable.
• Gouvernance cloisonnée. Des programmes de gouvernance distincts pour chaque système ou département, qui génèrent des normes contradictoires et des conflits de propriété redondants, créant davantage de confusion qu’ils n’en résolvent.

Le coût de la non-conformité lié à des données non gouvernées est bien réel. Les organisations soumises au RGPD ou au CCPA et incapables de démontrer une utilisation des données respectueuse des consentements s’exposent à des amendes par infraction. Plus couramment, ce coût se manifeste par des dépenses de campagne gaspillées en envois à des clients désabonnés, ou par une paralysie des analytics lorsque les équipes refusent de se fier à des rapports fondés sur des données non gouvernées.

La transition vers une gouvernance moderne implique de déplacer l’application des règles de la couche politique vers la couche de données : des règles qui s’appliquent à un enregistrement de données quel que soit le système qui le lit, la personne qui en demande l’accès ou l’outil en aval qui le consomme.

Adobe Experience Platform intègre la gouvernance des données au cœur même du modèle de données de la plateforme, y compris dans son lac de données sous-jacent, grâce à un système de libellés d’utilisation, de politiques de gouvernance des données et d’application des consentements — le tout appliqué au niveau du schéma et du jeu de données, et non à celui de l’application.

Les libellés d’utilisation classifient les données à l’ingestion. Par exemple, un champ portant un libellé prédéfini « contient des informations directement identifiables » ou un libellé personnalisé « restreint à une zone géographique spécifique » conserve ces libellés tout au long des étapes de transformation, de fusion et d’activation. Un champ de données marqué comme soumis à des restrictions de consentement ne peut pas être activé vers un canal publicitaire sans politique de consentement correspondante. La plateforme applique ces règles automatiquement via Adobe Privacy and Security Shield et Adobe Healthcare Shield.

Pour les organisations qui gèrent des données de parcours client sur Adobe Journey Optimizer, Adobe Customer Journey Analytics et Adobe Real-Time CDP, les règles de gouvernance définies dans Adobe Experience Platform se propagent à l’ensemble des applications connectées, sans nécessiter de configuration de politique distincte dans chaque outil. Cela répond directement à l’écueil de la « gouvernance en silos » : la gouvernance étant ancrée dans la couche de données plutôt que dans la couche applicative, toute modification de politique se répercute simultanément sur l’ensemble des consommateurs en aval, réduisant ainsi les dérives de politique qui surviennent généralement lorsque les organisations gèrent chaque application de façon indépendante.

• Cas d’usage, services financiers réglementés : Une société de gestion de patrimoine s’appuie sur Adobe Experience Platform pour centraliser les profils clients issus des points de contact conseil, trading et marketing. Les règles de gouvernance d’accès aux données restreignent l’activation marketing des données de comptes de trading sans consentement explicite du client. L’application est automatique et la conformité est auditable sans révision manuelle de chaque campagne.
• Cas d’usage, grande distribution mondiale : Un retailer multinational s’appuie sur les libellés d’utilisation des données géographiques dans Adobe Experience Platform pour empêcher le traitement des données clients de l’UE dans des pipelines d’analytics basés aux États-Unis, satisfaisant ainsi les exigences de résidence des données au titre du RGPD, sans avoir à développer une logique de routage personnalisée pour chaque flux de données.

Les programmes de gouvernance présentés uniquement comme des initiatives de conformité peinent à obtenir un financement continu. En revanche, ceux qui sont positionnés comme des leviers de performance — améliorant la précision des prévisions de revenus, réduisant les dépenses inutiles dans les campagnes et accélérant les validations réglementaires — bénéficient d’un investissement durable.

Trois résultats métier mesurables découlent directement d’une gouvernance efficace :

• Informations accessibles plus rapidement. Lorsque la qualité des données est jugée fiable et que la traçabilité est documentée, les analystes consacrent moins de temps à valider les données sources et davantage à l’analyse. Les organisations qui éliminent, grâce à la gouvernance, le débat « quel chiffre est le bon ?» réduisent systématiquement la durée de leurs cycles d’analytics.
• Réduction des coûts de conformité. L’application automatisée des politiques remplace la préparation manuelle des audits, ce qui diminue les heures d’ingénierie et juridiques nécessaires à chaque cycle. Pour les organisations soumises à plusieurs audits par an, cet effet se démultiplie.
• Renforcement de la confiance de la clientèle. Une activation des données respectueuse des consentements et une gouvernance des accès aux données vérifiable réduisent le risque d’actions réglementaires et de réclamations de la part des clients liées à des utilisations inattendues des données.

Connecter la gouvernance à une plateforme de données client ou à un outil d’orchestration du parcours client génère un rendement cumulatif : chaque asset de données gouverné devient davantage exploitable à des fins de personnalisation, de segmentation et d’analytics, renforçant ainsi la contribution aux revenus de données qui, jusqu’alors, présentaient trop de risques pour être activées.

Un cadre de décision aide à hiérarchiser les investissements en gouvernance en fonction du risque prioritaire. Si le risque principal de l’organisation est réglementaire (RGPD, CCPA, HIPAA), priorisez la gouvernance des accès, la gestion des consentements et la journalisation des audits. Si le risque principal est la qualité des données (méfiance envers les analytics, gaspillage des campagnes), privilégiez la notation de la qualité des données, les rôles de gestion et le suivi de la traçabilité. Si le risque principal est la rapidité (délai d’accès aux informations, analytics en libre-service freinées par des goulets d’étranglement de gouvernance), optez pour un modèle de gouvernance fédérée avec des contrôles qualité automatisés plutôt que des workflows d’approbation centralisés.

Appuyez-vous sur les phases de mise en œuvre, les critères de sélection de modèles et les bonnes pratiques présentés dans cet article pour rédiger une charte de gouvernance d’une page : sponsor nommé du programme, principaux domaines de données en périmètre pour la première phase, métriques de qualité cibles et date de la première réunion du conseil de gouvernance. Les organisations qui évaluent une plateforme de gouvernance des données doivent mettre en regard leurs trois principaux risques de gouvernance (conformité, qualité ou rapidité) avec la liste de contrôle des capacités ci-dessus, avant de lancer un appel d’offres, afin que les démonstrations des fournisseurs ne définissent pas les critères d’évaluation selon leurs propres termes. Adobe Experience Platform est conçu pour les organisations qui ont besoin d’une gouvernance capable d’opérer à la vitesse et à l’échelle des données clients en temps réel. Découvrez comment son architecture de gouvernance native peut réduire la charge d’application et renforcer la confiance en matière de conformité dans l’ensemble de votre écosystème de données, sur Adobe Experience Platform.