Yale University : révolutionner la gestion des données — 75 % d'économies et insights plus rapides

Yale University a présenté son parcours Datavault au Data Vault North America User Group en septembre 2023 — l’histoire d’une grande institution de recherche passée des data warehouses codés à la main à une plateforme Enterprise Common Reporting entièrement pilotée par modèle, et de ce qui a changé une fois ce cap franchi.

Contexte

Yale a reconnu l’urgence de consolider ses données pour améliorer le reporting et l’analytique, en s’affranchissant des contraintes des silos d’information. Cela a conduit au développement stratégique d’une plateforme Enterprise Common Reporting.

Le parcours Data Vault

Yale a engagé une démarche d’implémentation d’une stratégie Data Vault, en se concentrant sur l’unification de flux de données critiques dans les domaines People, Space, Finance et Academics, tout en favorisant les capacités de self-service et en préservant l’information historique.

Objectifs de conception. La plateforme a été conçue avec un accent sur la flexibilité, la répétabilité, la fiabilité et une qualité élevée — permettant des ajustements rapides, des processus reproductibles, l’intégrité des données et un reporting fiable.

Processus simplifiés et génération de code pilotée par les métadonnées pour l’ETL/ELT. Yale a adopté la simplification en décomposant les processus complexes, en exploitant des patterns réutilisables et en générant du code à partir des métadonnées, notamment en SQL.

En 2016, Yale a développé son premier data warehouse DV 2.0 — codé à la main. Par la suite, l’équipe a décidé d’utiliser l’outil d’automatisation de data warehouse piloté par le modèle métier, Datavault Builder, pour ses futurs projets.

L’impact de Datavault Builder

Le passage à Datavault Builder a apporté des bénéfices significatifs sur trois dimensions :

1. Productivité et time to insights

L’approche pilotée par le modèle de Datavault Builder s’est traduite par une réduction de 75 % des heures utilisées/facturées par rapport aux méthodes manuelles.
Les nouvelles exigences et les intégrations de sources de données ont été livrées rapidement.

Codage à la main vs. développement piloté par le modèle — slide originale de la présentation de Yale University — Codage à la main vs. développement piloté par le modèle (slide originale de la présentation de Yale University)

2. Extension du data warehouse

L’équipe de gestion des données de Yale s’est considérablement étoffée avec Datavault Builder, permettant la prise en charge de plusieurs projets en parallèle.
L’extension horizontale via des domain warehouses s’est révélée efficace, gérable et performante. Chaque warehouse sert de “Golden Reference” pour un domaine de données.
Les Data Marts combinent des données issues de plusieurs domaines pour un reporting global.

3. Ressources humaines de l’équipe

L’adoption de Datavault Builder a simplifié les rôles, rendant inutile l’ETL Architect. Les Data Engineers se sont concentrés sur les couches staging et data mart, sans plus intervenir dans le processus de conception.
La complexité des rôles a diminué, les Business Analysts jouant un rôle plus important — ce qui a rendu la contribution au succès du projet plus accessible aux profils moins seniors et moins expérimentés.

Conclusion

Datavault Builder a accompagné Yale dans la mise en œuvre d’une plateforme Enterprise Common Reporting, l’atteinte des objectifs de conception et la minimisation du coût total de possession.

Les 75 % d’économies, le time to insight réduit et l’optimisation des rôles et de la composition de l’équipe ont diminué la complexité de gestion d’équipe — preuve que la bonne automatisation peut transformer en profondeur la façon de travailler d’une équipe data.

Vous voulez voir comment Datavault Builder s’intègre à votre environnement ? Réservez une démo gratuite — nous parcourons ensemble votre cas d’usage spécifique.