Définition du catalogue de données
Un catalogue de données (data catalog) est l’inventaire des jeux de données d’une organisation, décrits par leurs métadonnées : ce que contient chaque jeu, comment il est structuré, qui en répond, comment il est classé et à quelles conditions il s’obtient. Le catalogue renvoie vers les données sans les héberger. Cette définition décrit un usage, dont le périmètre varie d’une source à l’autre.
Le W3C en donne une formulation pour les catalogues publiés sur le Web. Son vocabulaire DCAT (Data Catalog Vocabulary), dont la version 3 est une recommandation du 22 août 2024, définit le catalogue comme « a curated collection of metadata about resources » : une collection organisée de métadonnées sur des ressources (notre traduction). Il vise l’interopérabilité entre catalogues et permet de décrire des jeux de données et des services de données.
Les questions auxquelles le catalogue répond
Avant d’employer une donnée, un analyste, un chef de projet ou un délégué à la protection des données pose les mêmes questions. Cette donnée existe-t-elle, et où ? Que signifie cette colonne ? Qui en répond, et qui autorise l’accès ? S’agit-il de données personnelles ?
Sans catalogue, ces réponses peuvent n’exister que dans la mémoire de quelques personnes. Le catalogue les réunit en un point de recherche, ouvert aux utilisateurs métiers comme aux équipes techniques.
Ce que contient une fiche de catalogue, et qui la renseigne
On distingue ici quatre familles de métadonnées :
- techniques : schéma, types, emplacement, format, date de dernière mise à jour ;
- métier : description du jeu, définition des champs, termes du glossaire associés ;
- de gouvernance : propriétaire, intendant, classification, durée de conservation, conditions d’accès ;
- d’usage et de qualité : consultations, jeux dérivés, résultats des contrôles lorsqu’ils sont publiés.
Deux modes d’alimentation se complètent. Des connecteurs lisent les schémas des bases, des entrepôts et des outils de restitution, ce qui tient les métadonnées techniques à jour sans saisie. Le sens, la classification et le nom du propriétaire se déclarent : ils reviennent aux intendants des données, sous l’autorité des propriétaires. L’origine d’un jeu de données reçu de l’extérieur se déclare elle aussi, comme l’expose notre article provenance des données vs lignage des données.
Catalogue de données, glossaire, lignage, registre des traitements : ne pas confondre
Le glossaire métier fixe le sens des termes et des indicateurs. Le catalogue décrit les jeux de données et les rattache à ces termes.
Le data lineage décrit les liens entre jeux de données. Le catalogue décrit chacun pris isolément, et peut en afficher le graphe.
Le référentiel issu du master data management contient des données de référence. Le catalogue contient des métadonnées.
Le catalogue technique d’un moteur de requête ou d’un lakehouse enregistre les tables pour que les moteurs sachent les lire. Il peut alimenter le catalogue de données, sans en avoir la vocation documentaire.
Le registre des activités de traitement, prévu à l’article 30 du RGPD, règlement (UE) 2016/679, recense des traitements de données personnelles et non des jeux de données. Le catalogue ne le remplace pas.
Exemple : trois tables « contrats » dans le catalogue
Prenons un opérateur de télécommunications dont une analyste doit calculer un taux de résiliation. Elle cherche « contrat » dans le catalogue, qui lui présente trois jeux de données. Le premier est l’extraction quotidienne de l’application de gestion. Le deuxième est une copie constituée pour une campagne passée, sans propriétaire ni mise à jour récente. Le troisième est la table que la direction commerciale désigne comme référence : la date d’effet de la résiliation y est définie, le jeu est classé « données personnelles » et l’accès se demande à sa propriétaire.
L’analyste retient ce troisième jeu et adresse sa demande à sa propriétaire. Le catalogue lui a indiqué quelle table employer et à qui s’adresser. Il ne dit pas si les valeurs sont justes, sauf si les résultats des contrôles de qualité y sont publiés.
Décider des données à cataloguer, des personnes qui en tiennent les fiches et de leur mandat relève de la gouvernance des données. La collecte automatique des métadonnées techniques s’appuie sur la plateforme data.