Data Mesh ou Data Fabric : quelle architecture choisir ?
Data Mesh ou Data Fabric : définitions, différences d'organisation, de gouvernance et de maturité requise, critères de choix et approche combinée.
Mis à jour le 10 novembre 2026
Data Mesh et Data Fabric sont souvent présentés comme deux architectures concurrentes. Ils répondent en réalité à des problèmes différents : l'un est d'abord une organisation, l'autre d'abord une technologie. Cet article les définit, les compare et propose des critères de choix.
Qu'est-ce que le Data Mesh ?
Le Data Mesh est une approche d'organisation qui confie la responsabilité des données aux domaines métier qui les produisent, au lieu de la centraliser dans une équipe data unique. Formalisé par Zhamak Dehghani, il repose sur quatre principes : la propriété des données par les domaines, la donnée traitée comme un produit, une plateforme en libre-service et une gouvernance fédérée.
En pratique, chaque domaine, marketing, finance ou opérations, possède et maintient ses produits de données, avec des engagements de qualité et de service. L'équipe centrale fournit la plateforme et les règles communes, sans porter la responsabilité du contenu.
Qu'est-ce que la Data Fabric ?
La Data Fabric est une couche technologique qui relie et intègre les données de l'organisation, quel que soit leur emplacement. Elle s'appuie sur des métadonnées actives pour automatiser la découverte, la préparation, l'intégration et la gouvernance des données.
Là où le Data Mesh modifie les responsabilités, la Data Fabric modifie l'outillage : elle vise à rendre les données accessibles sans les déplacer toutes ni réorganiser les équipes.
Quelles différences entre Data Mesh et Data Fabric ?
Les deux approches se distinguent sur quatre points.
Critère | Data Mesh | Data Fabric |
|---|---|---|
Nature | Modèle d'organisation | Architecture technologique |
Ce qui change | Équipes et responsabilités | Intégration et automatisation |
Gouvernance | Fédérée : règles communes, application par domaine | Centralisée et automatisée par les métadonnées |
Maturité requise | Forte maturité des métiers, compétences data dans chaque domaine | Maturité technique, qualité des métadonnées |
Contexte adapté | Grande organisation à domaines autonomes | Système d'information hétérogène, nombreuses sources |
Dans quels cas choisir le Data Mesh ?
Le Data Mesh convient à une organisation de grande taille dont l'équipe data centrale est devenue un goulet d'étranglement, et dont les domaines métier ont les moyens de porter leurs données. Il suppose des compétences data dans chaque domaine et un sponsor capable d'imposer des règles communes.
Sans ces conditions, il produit l'effet inverse de celui recherché : des silos supplémentaires, chacun avec ses définitions.
Dans quels cas choisir la Data Fabric ?
La Data Fabric convient à une organisation dont la difficulté est d'abord technique : des données dispersées entre de nombreux systèmes, sur site et dans le cloud, que les équipes peinent à trouver et à relier. Elle n'exige pas de réorganisation, ce qui la rend plus accessible à court terme.
Sa limite tient aux métadonnées : une Data Fabric vaut ce que valent la description et la qualité des données qu'elle relie.
Peut-on combiner les deux approches ?
Oui, et c'est la voie la plus fréquente. Une Data Fabric fournit le socle technique d'intégration et de métadonnées ; les principes du Data Mesh répartissent la responsabilité des données entre les domaines. Cette combinaison associe l'automatisation de l'une à la responsabilisation de l'autre.
Comment choisir ?
Trois questions orientent la décision :
Où se situe le blocage ? S'il est organisationnel, une équipe centrale saturée, regardez le Data Mesh. S'il est technique, des données introuvables ou non reliées, regardez la Data Fabric.
Les métiers peuvent-ils porter leurs données ? Sans data owners effectifs dans les domaines, le Data Mesh n'est pas praticable.
Quelle est la qualité de vos métadonnées ? Sans catalogue alimenté, la Data Fabric n'automatise rien.
Dans les deux cas, une gouvernance des données est un préalable : rôles nommés, définitions partagées et règles de qualité.
Quelles erreurs éviter ?
Trois erreurs sont courantes : adopter le Data Mesh comme un projet d'outillage, acheter une plateforme de Data Fabric en espérant qu'elle règle un problème de responsabilités, et lancer l'une ou l'autre sans cas d'usage métier qui en justifie l'effort.
Trouver un architecte ou un expert data
BeAdvize est une plateforme française qui met en relation freelances IT, ESN et cabinets, et entreprises, avec de l'IA au service du sourcing et du matching.
Les entreprises qui engagent un chantier d'architecture de données peuvent y rechercher un consultant parmi les freelances et les consultants d'ESN partenaires. Les architectes et ingénieurs data y trouvent les missions publiées, avec leur tarif journalier affiché.