Même s'il est facile de confondre les termes "produits de données" et "données en tant que produit", ils ont des significations différentes. Il est important de comprendre la différence entre ces deux concepts pour la création de solutions cloud.

• Les données en tant que produit (DaaP) sont un état d'esprit ou une stratégie, et sont généralement liées au concept architectural de maillage de données. Cela signifie que vous devez traiter vos ensembles de données internes avec le même soin que s'il s'agissait d'un produit logiciel public.
• Les produits de données, quant à eux, sont les livrables techniques à proprement parler. Il s'agit des données prête à l'emploi qui alimentent les logiciels ou les outils que vous créez à l'aide de ces données de haute qualité.

Différences majeures :

Voyons comment vous pouvez créer un produit de données, comme un "outil de prédiction d'inventaire de magasin", à l'aide d'outils tels que BigQuery et Knowledge Catalog.

Objectif : créer un outil interne qui indique aux responsables de magasin les articles en rupture de stock et prédit les quantités à commander pour la semaine suivante.

Tout d'abord, vous avez besoin d'un emplacement pour stocker les données de ventes. Vous pouvez utiliser BigQuery, un entrepôt de données sans serveur, pour configurer un pipeline qui transfère les chiffres de ventes quotidiens de chaque magasin vers des tables BigQuery.

Avant de créer le modèle, vous devez vous assurer que les données sont propres. Utilisez Knowledge Catalog pour gérer le cycle de vie des données. Cet outil peut vous aider à :

• cataloguer les données pour que les autres développeurs puissent les trouver ;
• définir des règles de qualité des données (par exemple, "Le prix ne peut pas être négatif") ;
• sécuriser les données pour que seuls les utilisateurs autorisés puissent y accéder.

Maintenant, vous créez l'intelligence. Au lieu d'exporter des données vers un outil distinct, vous utilisez BigQuery ML pour écrire une requête SQL simple qui entraîne un modèle de machine learning. Ce modèle examine les tendances de ventes passées pour prévoir la demande future.

Enfin, vous pouvez créer une API simple ou un tableau de bord à l'aide de Looker. Lorsqu'un responsable de magasin se connecte, au lieu de voir des requêtes SQL, il voit une interface claire qui indique : "Commandez 50 chemises rouges supplémentaires d'ici mardi". Félicitations ! Vous avez réussi à transformer des données brutes en un produit de données utile.