Projet IT

TGV Europe prend le train du Data Mesh

Dans un contexte d'ouverture à la concurrence, TGV Europe est passé à une architecture Data Mesh pour industrialiser ses produits de données et poser les fondations pour l'IA. Le but étant d'optimiser des processus maîtrisés plutôt que de créer des inefficiences automatisées.

Christophe Auffray
par
Publié le: 15 sept. 2026

La SNCF n'est plus une seule entreprise unique, mais trois sociétés anonymes (SA) distinctes : la holding SNCF, SNCF Voyageurs et SNCF Réseau pour l'infrastructure. Cette séparation répond aux impératifs de l'Europe pour garantir que tous les transporteurs accèdent de manière équitable au réseau ferré. Mais cette structure impose aussi une étanchéité stricte des flux d'informations, ce qui complexifie la gestion des données.

De surcroît, au sein de ce périmètre, la filiale TGV Europe gère une diversité d'offres qui vont de Ouigo, à Eurostar en passant par des coopérations internationales comme Lyria.

Une régulation qui affecte directement les données

La gouvernance d'Eurostar, partagée avec la SNCB, illustre la complexité de la maîtrise des données dans un cadre international comme celui-ci. Julien Iris, le Chief Data Officer, explique que TGV Europe évolue principalement sur le marché du « service librement organisé » (SLO). Le transporteur pilote directement sa base clients et sa stratégie commerciale. Ce modèle se distingue du marché « conventionné » (TER, Intercités) où les régions agissent comme autorités organisatrices et décisionnaires.

Julien Iris insiste sur le fait que la fragmentation du groupe rend le désilotage technique encore plus indispensable pour transformer la donnée en actif stratégique.

La transition vers le Data Mesh a en grande partie été motivée par des irritants métiers liés au manque d'autonomie et à un délai de mise sur le marché (Time to Market) trop long. TGV Europe a donc abandonné la gestion centralisée au profit d'un modèle distribué qui distingue plus clairement le « contenant » du « contenu ».

La Direction des Systèmes d'Information assure la responsabilité de l'infrastructure technologique, tandis que les métiers assument le « Data Ownership » du contenu (les données).

L'architecture Data Mesh : Désilotage et responsabilité métier

Côté architecture, une plateforme cloud, des socles de données urbanisés par domaines (Client, Distribution, Production) et une gouvernance fédérée permettent de supporter des capacités « Big Data » et de « Real-time traffic tracking » pour le suivi de la production ferroviaire.

Le passage des silos verticaux à des « zones business » permet aux métiers d'exploiter leurs propres données de manière indépendante. « La donnée devient de plus en plus la responsabilité du métier », résume le CDO.

L'autonomisation des métiers constitue en tout cas un changement vers un paradigme où la responsabilité des traitements et de la qualité est déléguée aux experts fonctionnels.

L'infrastructure repose sur un écosystème hybride avec Azure, AWS, avec Databricks comme pivot du traitement des données. L'implémentation de « Unity Catalog » a permis de lever les verrous techniques en facilitant l'accès transverse aux informations auparavant cloisonnées.

Stack technologique et déploiement des « Data Products »

Chez TGV Europe, un « Produit de données » ne se limite pas à une table de base de données. Il s'agit d'un actif industrialisé incluant des API et un cycle de traitement complexe.

Le cycle de vie d'un produit suit une progression rigoureuse depuis la zone « Raw » (données brutes) vers la zone « Silver » (données nettoyées), pour aboutir à la zone « Gold ».

Ces produits de zone « Gold » sont ensuite exposés via PowerBI pour le pilotage décisionnel. L'exposition peut aussi s'effectuer via des extractions de fichiers pour d'autres usages métiers.

Pour gérer ces différents Data Products, le catalogue est clé. Flavien Goupy, Product Owner Data, confirme que Unity Catalog « a permis de faire un bond sur la question de l'accès à la donnée ». Il garantit une distinction claire entre les produits « socle », transverses à l'entreprise, et les produits « business » spécifiques à une direction.

Marketplace, traçabilité et demandes d'accès

La visibilité et la conformité des actifs Data sont assurées par la Marketplace DataGalaxy, qui sert d'interface unique pour l'ensemble des collaborateurs. Chaque produit de données y est documenté selon un « Data Contract ».

Ce contrat précise la profondeur des données, la fréquence de mise à jour et le format technique. Le catalogue intègre des métadonnées critiques sur la sensibilité des informations, notamment le niveau de classification et la présence de données personnelles.

Lors d'une demande d'accès, le Data Office vérifie que le dossier est complet tandis que l'équipe RGPD émet un avis sur la finalité du traitement. La décision finale d'ouverture des droits appartient systématiquement au Data Steward du domaine concerné, ajoute Flavien Goupy. TGV Europe évite ainsi l'écueil d'un « guichet central » qui ralentirait les processus.

La traçabilité des demandes d'accès permet d'alimenter le registre des traitements, insiste le CDO. Mais cette supervision constitue aussi un préalable à l'exploitation des données par l'intelligence artificielle.

Passage à l'échelle de l'IA et mesure de la valeur métier

La convergence entre les socles de données urbanisés et l'IA vise à quatre domaines : revenus, réduction des coûts, productivité et satisfaction client.

Cette stratégie IA se déploie selon trois axes. Le premier, « l'IA pour tous », s'appuie sur SNCF-GPT et le déploiement de Copilot. Le deuxième, « l'IA pour la production ferroviaire », se concentre sur l'automatisation des spécifications et des tests. Le troisième concerne « l'IA pour les métiers », avec des applications comme le diagnostic de rames pour prévenir les immobilisations coûteuses et l'optimisation des réponses aux appels d'offres.

Cette approche est portée par des « IA Offices » décentralisés au sein de chaque direction. Julien Iris rappelle toutefois que l'efficacité de ces modèles dépend de la qualité des fondations avec la « nécessité d'avoir des processus documentés avant toute optimisation par l'IA ».

La documentation n'est pas une fin en soi. Elle garantit que l'IA optimise des processus maîtrisés plutôt que de créer des inefficiences automatisées.

Défis opérationnels : FinOps, Shadow AI et industrialisation

Pour maîtriser la problématique du coût des tokens des LLM, TGV Europe met également en œuvre des pratiques FinOps intégrant le « smart routing ».

Le « routage intelligent » consiste à aiguiller chaque requête vers le modèle le plus adapté (par exemple entre les versions Opus, Sonnet ou Haiku de Claude). Il permet de réduire jusqu'à 70 % les coûts par rapport à une utilisation non arbitrée, chiffre le CDO de l'entreprise.

Enfin, pour contrer le « Shadow AI », TGV Europe explore également le concept de « Marketplace d'agents ». En complétant sa marketplace de données, la filiale de la SNCF entend favoriser la réutilisation de briques technologiques ou de compétences entre les différentes entités du groupe, à l'image de LVMH pour ses 75 maisons.

Aujourd'hui, la transformation vers un modèle totalement distribué et industrialisé est toujours en cours. Avec comme garde d'arrivée la maturité opérationnelle complète du Data Office.

Pour approfondir sur MDM - Gouvernance - Qualité