Comment JPMorgan Chase a structuré ses contrats de données pour gouverner 50 domaines métiers

En 2021, JPMorgan Chase gérait plus de 50 domaines de données distincts, de la banque de détail au trading institutionnel en passant par la gestion de risque. Les équipes data de la banque documentaient régulièrement des incidents où la même donnée client, disons le statut de crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit d'une contrepartie, avait trois définitions différentes selon le domaine qui l'utilisait. Les pipelines analytiques tombaient, des réconciliations manuelles absorbaient des centaines d'heures par trimestre, et les équipes de conformité ne pouvaient pas attester de la lignée des données soumises aux régulateurs. La banque avait investi massivement dans sa plateforme de données interne, mais l'infrastructure ne suffisait pas : le problème était contractuel et organisationnel, pas technique.

La direction data a alors posé un diagnostic que peu d'organisations acceptent volontiers : la technologie était en avance sur les règles du jeu. Il fallait définir qui possède quoi, dans quelles conditions une équipe peut consommer les données d'un autre domaine, et qui répond quand la qualité dégringole.

Ce que JPMorgan a mis en place

La banque a formalisé un programme de data contracts qui s'appuie sur trois composantes distinctes.

La première : des data productdata productUn actif de données géré comme un produit : un owner, des utilisateurs identifiés, une qualité garantie et une valeur business mesurable.Voir la définition complète → owners désignés par domaine métier, avec un mandat explicite. Chaque domaine, qu'il s'agisse des données de paiement, des données de marché ou des référentiels clients, se voit attribuer un owner identifié, rattaché métier et non à l'IT. Ce point est délibéré : chez JPMorgan, la propriété de la donnée appartient à celui qui comprend la sémantique métier, pas à celui qui gère le stockage.

La deuxième : un contrat de données formalisé pour chaque flux inter-domaines. Ce contrat précise le schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → attendu, les niveaux de qualité minimaux (complétude, fraîcheur, unicité), les SLA de livraison, les règles d'accès, et la procédure d'escalade en cas de violation. L'analogie avec un contrat d'APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → est intentionnelle : le consommateur sait exactement ce qu'il peut attendre, et le producteur sait ce à quoi il s'engage. Shankar Subramanian, ancien responsable data architecture chez JPMorgan, a décrit ce cadre dans plusieurs interventions publiques comme un passage d'une logique de pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → à une logique de produit.

La troisième : un registre centralisé des contrats, accessible aux équipes techniques et aux data stewards, avec un suivi des versions et des violations. Chaque contrat a un identifiant, un historique de modifications, et un tableau de bord de conformité en quasi-temps réel.

Le déploiement n'a pas été uniforme. La banque a commencé par les domaines à fort impact réglementaire, notamment les données utilisées dans les reportings CCAR (Comprehensive Capital Analysis and Review) soumis à la Fed. C'est là que le coût d'une mauvaise qualité de données est le plus mesurable : un rejet ou une demande de correction de la part du régulateur chiffre à plusieurs millions de dollars en coûts de réponse. L'adoption a ensuite progressé vers les domaines analytiques moins contraints.

Un détail organisationnel mérite attention : JPMorgan a choisi de ne pas créererLe rapport entre les interactions (likes, commentaires, partages) et le reach d'un contenu, utilisé pour mesurer la réaction de l'audience au regard du nombre de personnes touchées.Voir la définition complète → une équipe centrale chargée de rédiger tous les contrats. Les domaines producteurs rédigent leurs propres contrats, avec l'appui d'un bureau CDO qui fournit les modèles, les standards et la validation finale. Cela évite le goulot d'étranglement d'une gouvernance centralisée qui, en pratique, finit toujours par prendre du retard sur la réalité opérationnelle.

Les résultats

Les chiffres précis restent confidentiels, JPMorgan ne publie pas de métriques internes sur sa gouvernance de données. Ce qui est documenté dans les interventions publiques de ses dirigeants data et dans des analyses de consultants indépendants (notamment des travaux publiés par le MIT Sloan Center for Information Systems Research) permet d'esquisser un bilan.

Les équipes data de la banque ont signalé une réduction significative des incidents de réconciliation inter-domaines dans les deux ans suivant le déploiement des premiers contrats. La durée moyenne de résolution des incidents de qualité a baissé, parce que la chaîne de responsabilité est claire : le contrat désigne qui doit répondre. Les équipes de conformité ont pu automatiser une partie de la documentation de lignée exigée par les régulateurs américains et européens, en s'appuyant sur les métadonnées des contrats.

Sur le plan humain, l'effet le moins attendu a été la réduction des conflits inter-équipes. Quand une équipe analytique consomme des données de mauvaise qualité, elle sait maintenant à qui s'adresser et sur quelle base contractuelle. Cela change le registre des échanges : d'une dispute sur les faits, on passe à une discussion sur le respect ou non d'un engagement documenté.

Ce qui se transfère, et ce qui ne se transfère pas directement

Plusieurs principes de cette approche valent indépendamment de la taille de l'organisation.

La propriété métier de la donnée est non-négociable. Tant que l'IT reste le seul interlocuteur sur la qualité des données, les décisions de priorisation restent déconnectées de la valeur métier. Le data product owner doit avoir le pouvoir de refuser une modification du schéma qui dégraderait les consommateurs en aval.

Les contrats doivent être versionnés comme du code. Une définition figée dans un document Word n'est pas un contrat : c'est une intention. La gestion sémantique des versions (1.0, 1.1, 2.0) avec des règles claires sur ce qui constitue un breaking change protège les consommateurs sans bloquer l'évolution des producteurs.

Commencer par les domaines à coût de défaillance élevé produit un double bénéfice : les résultats sont mesurables rapidement, et les parties prenantes les plus skeptiques voient une démonstration concrète avant d'être sollicitées.

Là où le contexte de JPMorgan diffère : la banque dispose de centaines d'ingénieurs data et d'un bureau CDO mature. Une organisation de taille intermédiaire devra accepter que les premiers contrats soient moins formels, parfois rédigés dans un simple fichier YAML ou une fiche Notion structurée. L'outil importe moins que la discipline : un accord écrit, signé par un owner identifié, avec des critères de qualité mesurables. C'est suffisant pour commencer.

Les organisations qui échouent dans cet exercice reproduisent presque toujours la même erreur : elles traitent les contrats de données comme un projet de documentation plutôt que comme un mécanisme de gouvernance vivant. Un contrat qui n'est pas suivi, qui n'a pas de procédure de violation, et dont personne ne réclame le respect est une bureaucratie sans effet.

La leçon de JPMorgan est finalement assez directe : la qualité des données entre domaines ne s'améliore pas par conviction, elle s'améliore par engagement contractuel. Formal