Comment JPMorgan Chase a structuré ses contrats de données pour maîtriser la gouvernance inter-domaines

En 2021, JPMorgan Chase gérait plus de 4 000 systèmes de données internes, répartis entre ses branches Retail Banking, Asset Management, Corporate & Investment Bank et ses fonctions support. Chaque domaine avait ses propres définitions de « client actif », ses propres règles de rétention, ses propres équipes techniques. Lorsqu'un analyste risque demandait des données à une équipe produit, il recevait un fichier sans contexte, sans garantie de fraîcheur, sans responsable identifié en cas d'anomalie. Le même constat se posait pour les régulateurs : lors des exercices de stress test exigés par la Fed, les équipes passaient des semaines à réconcilier des définitions contradictoires entre divisions.

La direction data de la banque, sous Lori Beer (Global CIO) et les équipes de gouvernance associées, a formalisé un programme d'ownership par domaine adossé à des contrats de données. L'objectif déclaré : transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → des échanges informels de fichiers en engagements formels, auditables, avec des obligations claires de part et d'autre.

Ce qu'ils ont fait concrètement

La banque a structuré son approche autour de trois composantes.

La première est la désignation de Data Owners par domaine métier. Chaque domaine (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 à la consommation, gestion des risques de marché, paiements, etc.) a nommé un owner nommément responsable de la qualité, de la définition sémantique et du cycle de vie des datasets qu'il produit. Ce n'est pas un rôle purement technique : l'owner est un cadre senior capable de prendre des décisions sur les priorités et les compromis. JPMorgan a publiquement évoqué ce modèle dans ses présentations à des conférences sectorielles comme Money20/20 et dans des entretiens accordés à des publications comme MIT Technology Review.

La deuxième composante est le contrat de données lui-même. Un contrat de données chez JPMorgan spécifie, pour chaque dataset partagé entre domaines : 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 → et la sémantique de chaque champ, la fréquence de mise à jour et le SLA associé (par exemple, données actualisées sous deux heures pour les flux de trading, sous 24 heures pour les données clients CRMCRMCustomer Relationship Management : logiciel et stratégie pour gérer et analyser les interactions clients tout au long de leur cycle de vie.Voir la définition complète →), les règles de qualité mesurables (taux de complétude minimum, plage de valeurs acceptables), et les conditions d'accès et les obligations du consommateur. Ce dernier point est important : le contrat engage les deux parties. Le consommateur de données s'engage à ne pas modifier la donnée reçue sans accord, à signaler toute anomalie détectée, et à ne pas réutiliser la donnée hors du périmètre déclaré.

La troisième composante est technique : un catalogue de données (construit en partie sur des outils internes, complété par des solutions du marché) expose ces contrats de manière lisible et interrogeable. Les pipelines de données peuvent vérifier automatiquement la conformité au contrat à chaque exécution.

La décision difficile : que faire en cas de violation ?

JPMorgan a opté pour une approche graduée. Une première violation de SLA déclenche une alerte et une réunion entre owners. Une violation répétée remonte au Data Council de la division concernée, avec inscription au registre des risques opérationnels. Cette inscription a un effet concret : elle entre dans les reportings internes utilisés lors des revues de performance des managers. Ce mécanisme de gouvernance, sans être punitif au sens légal, crée une pression suffisante pour que les engagements soient tenus.

Les résultats : ce qui est documenté, ce qui reste incertain

Les chiffres publiquement disponibles sur ce programme restent partiels, ce qui est normal pour une banque sous surveillance réglementaire stricte. Voici ce qui est connu ou raisonnablement inférable.

JPMorgan a déclaré lors de sa présentation à l'Investor Day 2023 avoir réduit le temps de réconciliation des données lors des exercices réglementaires. Sans chiffre précis publié, des sources sectorielles (notamment des anciens employés cités dans des podcasts Data Council et le rapport Gartner sur la gouvernance des données financières de 2024) estiment que ce type de programme réduit le temps de préparation des reportings réglementaires de 30 à 50 % dans les grandes banques. Attribuer ce chiffre exclusivement à JPMorgan serait inexact : il s'agit d'une fourchette sectorielle.

Ce qui est documenté directement : la banque a multiplié par trois le nombre de datasets avec un owner identifié entre 2021 et 2023, selon des déclarations faites lors de conférences internes relayées dans la presse spécialisée. Le nombre de contrats de données actifs dépassait 1 200 en fin 2023, toujours selon des sources indirectes. Ces chiffres n'ont pas été audités indépendamment.

L'effet le plus tangible, rapporté par plusieurs dirigeants de la banque dans des interviews publics, est culturel : les équipes métier ont commencé à poser la question de l'ownership avant de lancer de nouveaux projets data, plutôt qu'après avoir rencontré des problèmes de qualité.

Ce que vous pouvez transposer, et où votre contexte diffère

Quatre éléments du modèle JPMorgan sont transposables indépendamment de la taille de l'organisation.

Commencer par les flux inter-domaines les plus douloureux, pas par une cartographie exhaustive. JPMorgan n'a pas tenté de gouverner 4 000 datasets simultanément. Les premiers contrats ont couvert une dizaine de flux critiques entre la banque de détail et la gestion des risques.

Ancrer l'ownership dans une responsabilité managériale, pas uniquement technique. Un data owner sans pouvoir de décision ne peut pas tenir un contrat. Le rôle doit être formalisé dans les fiches de poste et les objectifs annuels.

Rédiger des contrats de données asymétriques au départ : le producteur porte l'essentiel des engagements initiaux, le consommateur s'y ajoute progressivement. Demander trop d'obligations aux consommateurs dès le départ freine l'adoption.

Lier les violations à un mécanisme existant, risque opérationnel, RACI projet, ou revue de performance, plutôt que de 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 bureaucratie parallèle.

Deux points de divergence méritent attention. JPMorgan dispose d'une capacité d'ingénierie interne que la plupart des organisations n'ont pas, et peut construire des outils sur mesure. Une entreprise de taille intermédiaire s'appuiera davantage sur des solutions du marché comme Atlan, Collibra ou Monte Carlo (éditeurs de catalogues et d'outils de qualité des données, dont les affirmations commerciales restent à croiser avec des retours d'expérience indépendants). Par ailleurs, la pression réglementaire qui a accéléré le programme à JPMorgan n'existe pas nécessairement dans tous les secteurs : l'urgence doit être construite différemment, souvent à partir d'un incident de qualité visible.

Un contrat de