L’archivage de données assisté par IA de CTERA déplace les fichiers froids sans les rendre inaccessibles

L’archivage de données assisté par IA de CTERA cible désormais les 95,6 % de la capacité de fichiers d’entreprise que ses recherches classent comme inactive. L’entreprise veut que des agents logiciels identifient les fichiers négligés, recommandent ceux qui devraient être déplacés et orientent les données approuvées vers un stockage moins coûteux.

L’évolution importante ne tient pas seulement au fait que CTERA peut archiver d’anciens fichiers. Les systèmes de stockage déplacent les données froides entre différents niveaux depuis des décennies. CTERA associe les recommandations sémantiques d’InsightAI à l’exécution, aux contrôles de conservation et à la piste d’audit de CTERA Archive.

Cette combinaison ajoute une couche de décision devant une opération de stockage bien connue. Un agent peut identifier des candidats plausibles à l’archivage à une échelle qu’aucun humain ne peut examiner manuellement, mais les métadonnées ne révèlent pas toujours pourquoi un fichier est important.

Des concurrents tels que Komprise, Datadobi, Diskover et Quantum analysent déjà les données non structurées ou orchestrent leur placement. CTERA entre dans cette compétition depuis sa propre plateforme de fichiers, où elle contrôle à la fois l’intelligence et le flux de déplacement.

L’archivage de données assisté par IA de CTERA relie les recommandations à l’action

CTERA transforme l’analyse d’archivage en flux opérationnel, au lieu de laisser aux administrateurs un rapport de stockage supplémentaire.

L’entreprise a annoncé sa Data Archiving Solution le 16 septembre 2026. Cette version associe le CTERA InsightAI Data Service et CTERA Archive au sein de la CTERA Intelligent Data Platform.

InsightAI analyse des métadonnées telles que le nom, le chemin, l’extension et le répertoire environnant d’un fichier. Il combine ces indices avec l’ancienneté, la taille, le type et les habitudes d’utilisation afin de déduire le contenu probable du fichier et son importance pour l’entreprise.

Les agents recommandent ensuite des candidats à l’archivage. Selon la description de CTERA, ils n’ont pas besoin d’ouvrir et d’interpréter le contenu intégral de chaque fichier pour effectuer cette classification initiale.

CTERA Archive prend en charge l’étape suivante. Il déplace les fichiers sélectionnés du stockage principal vers un niveau d’archivage dédié dans le même environnement client.

Cette destination peut utiliser du matériel sur site moins coûteux ou un stockage objet de classe archivage. CTERA cite notamment les classes de stockage Amazon S3 ainsi que les niveaux Microsoft Azure Blob Cool et Cold parmi les approches disponibles.

L’entreprise affirme que les fichiers archivés restent gouvernés par sa plateforme et accessibles aux services d’IA ou d’analytique. Elle présente cela comme un accès sans étape de réhydratation distincte, ce qui signifie que les utilisateurs n’ont pas d’abord à restaurer un jeu de données archivé complet vers le stockage principal.

Cette affirmation doit être interprétée avec prudence. Le fait de rester visible pour la plateforme ne signifie pas que chaque cible d’archivage offre une latence, un débit ou un comportement de récupération identiques. Le service sous-jacent et sa configuration déterminent toujours la rapidité avec laquelle une application peut utiliser un fichier.

Le produit enregistre également les activités d’archivage et de restauration. Ses entrées d’audit comprennent l’opérateur, la source, la destination, le motif, le nombre de fichiers, le volume de données et l’horodatage.

Ces enregistrements sont importants, car déplacer un fichier ne constitue qu’une partie de l’archivage. Les organisations réglementées doivent aussi établir qui a autorisé l’action, combien de temps les informations doivent être conservées et si elles ont changé durant cette période.

CTERA prend en charge des modes de conservation configurables et propose une protection WORM via CTERA Vault. WORM signifie write once, read many, une politique de stockage qui empêche la modification ou la suppression de contenus conservés pendant une période déterminée.

En pratique, un service juridique pourrait conserver des dossiers d’affaires closes hors des partages de fichiers actifs. Une organisation d’ingénierie pourrait déplacer les répertoires de projets achevés tout en préservant leurs métadonnées et leur disponibilité contrôlée.

L’annonce de lancement présente le système comme une réponse à un processus traditionnellement manuel. Sa nouveauté repose sur le lien entre les étapes de recommandation, de déplacement, de gouvernance et d’accès futur.

Ce lien explique pourquoi cette annonce mérite davantage d’attention qu’une fonctionnalité d’archivage ordinaire. CTERA ne vend pas seulement un emplacement supplémentaire pour d’anciennes données. L’entreprise demande aux clients de faire confiance à l’interprétation d’un agent quant à ce qui doit y être placé.

Les chiffres sur les données froides renforcent la pression en faveur de l’automatisation

Les propres mesures de CTERA suggèrent qu’un examen manuel fichier par fichier ne peut pas suivre l’ampleur du problème de stockage.

L’entreprise a analysé plus de 16 pétaoctets de données de production actives collectées lors de 856 analyses de découverte. Ces analyses couvraient des environnements de stockage en réseau d’entreprise dans plusieurs secteurs.

CTERA indique que seulement 4,4 % de la capacité stockée était constituée de données régulièrement utilisées par des personnes ou des applications. Cela laisse 95,6 % en dehors de sa catégorie d’usage actif.

Ses résultats indiquent également que 83,1 % de la capacité n’avait pas été modifiée depuis plus d’un an. Mesuré en nombre de fichiers, 97,5 % des fichiers n’avaient subi aucune modification durant cette période.

Les habitudes d’accès étaient à peine moins extrêmes. CTERA a constaté que 88,3 % des fichiers n’avaient pas été consultés depuis plus d’un an, tandis que moins de 10 % de la capacité avait été consultée au cours des 90 jours précédents.

Ces chiffres proviennent d’une analyse financée par un fournisseur, et non d’un recensement neutre de tous les environnements de stockage d’entreprise. CTERA a un intérêt commercial direct à démontrer que les données inactives représentent un problème vaste et exploitable.

Même avec cette limite, l’ensemble de données est suffisamment vaste pour illustrer un décalage opérationnel bien connu. Les entreprises conservent d’énormes patrimoines de fichiers, mais le travail quotidien n’en sollicite qu’une petite fraction.

Les résultats complets sur les données froides distinguent des signaux d’activité faciles à confondre. Un fichier peut rester non modifié alors que des personnes le consultent encore, ou ne plus être lu alors qu’une règle de conservation impose sa préservation.

Cette distinction explique pourquoi l’ancienneté seule constitue une mauvaise règle de suppression. C’est aussi pourquoi CTERA ne considère pas chaque fichier obsolète comme jetable.

Les données inactives continuent de consommer de la capacité primaire. Elles apparaissent également dans les sauvegardes, les copies de reprise après sinistre, les index, les analyses antimalware, les outils de gouvernance et les projets de migration.

Chaque couche ajoute du travail opérationnel. Un fichier négligé peut ainsi générer des coûts et une exposition bien au-delà de la capacité occupée par sa copie d’origine.

L’argument de sécurité est tout aussi direct. Les fichiers exposés via des partages SMB ou NFS standard restent accessibles aux comptes, aux applications et potentiellement aux rançongiciels, même lorsque personne n’a besoin d’un accès immédiat.

Déplacer ces fichiers hors de l’accès aux fichiers ordinaire peut réduire cette surface exposée. Cela n’élimine pas les obligations de sécurité, car l’archive a toujours besoin de contrôles d’identité, de chiffrement, de surveillance et de procédures de récupération testées.

La qualité des données crée une pression plus récente. Les systèmes d’IA d’entreprise recherchent de plus en plus des fichiers internes au moyen de pipelines de récupération, d’index ou d’outils d’agents.

Un patrimoine de fichiers encombré de brouillons obsolètes, de doublons et de documents abandonnés peut produire de mauvais résultats de recherche. Il peut aussi alimenter les systèmes d’IA avec des informations contradictoires ou expirées.

L’archivage seul ne résout pas ce problème. Une organisation a toujours besoin d’une classification, de décisions de conservation et d’une distinction claire entre des informations froides mais faisant autorité et du contenu véritablement redondant.

Cependant, séparer le contenu actif du contenu peu utilisé peut constituer un point de départ plus gérable. Cela donne aux équipes de stockage et de données un moyen d’examiner la longue traîne sans considérer chaque fichier conservé comme tout aussi actuel.

Pour les travailleurs du savoir, il s’agit du même problème de gestion de l’information, observé à l’échelle personnelle. Une base de connaissances utile dépend d’un contexte fiable, des autorisations et de la récupération, et non de la simple accumulation de davantage de documents.

La pression qui pèse désormais sur CTERA est de démontrer que ses agents peuvent améliorer ces décisions. Un volume important de données froides prouve qu’il y a du travail à accomplir, mais ne prouve pas qu’une recommandation automatisée est correcte.

Les métadonnées donnent aux agents une grande portée, mais pas une compréhension parfaite

Le compromis central oppose l’échelle au contexte : les métadonnées permettent à CTERA d’inspecter rapidement de vastes patrimoines de fichiers, mais elles peuvent manquer le sens métier dissimulé dans les documents.

Prenons un répertoire appelé « Final Contracts » contenant une décennie d’accords signés. Les noms, chemins, extensions et historiques d’accès fournissent de solides signaux indiquant que ces fichiers sont d’anciens documents métier.

Ces signaux n’expliquent pas si un contrat particulier reste actif. Ils ne peuvent pas non plus déterminer chaque suspension pour litige, règle juridictionnelle ou dépendance opérationnelle non documentée.

Le même problème apparaît dans les données d’ingénierie. Une sortie de simulation peut rester intacte pendant des années tout en demeurant essentielle pour valider une conception réglementée ou reproduire une décision antérieure.

À l’inverse, un fichier consulté récemment n’est pas nécessairement précieux. Des processus automatisés, des analyseurs antimalware, des services d’indexation ou des applications mal configurées peuvent mettre à jour les horodatages d’accès sans usage humain significatif.

Le modèle de CTERA tente d’améliorer les politiques d’ancienneté unidimensionnelles en combinant plusieurs attributs. Le contexte du répertoire et les habitudes d’utilisation peuvent produire une recommandation plus riche qu’une règle qui archive tout après un intervalle fixe.

L’entreprise n’a toutefois pas publié de mesures indépendantes de précision de classification. Elle n’a pas divulgué de taux de faux positifs montrant à quelle fréquence InsightAI recommande de déplacer des données qui devraient rester sur le stockage principal.

Cette lacune de vérification compte davantage que la capacité technique du logiciel à effectuer le déplacement. Un faux positif peut perturber un flux de travail, introduire de la latence ou enfreindre une attente de service interne.

Un faux négatif a un coût différent. Il laisse des données inutiles sur un niveau coûteux et préserve précisément l’exposition que le système est censé réduire.

CTERA décrit cette fonctionnalité comme assistée par IA, ce qui constitue une limite importante. Les recommandations peuvent aider la décision d’un administrateur sans accorder à un agent autonome l’autorité finale sur chaque fichier.

Les acheteurs devraient déterminer à quel stade l’approbation humaine intervient dans le flux de travail. Ils devraient également tester si les règles d’approbation peuvent varier selon les services, les types de fichiers, les propriétaires de données et les catégories réglementaires.

Les organisations ont aussi besoin d’un parcours d’exception. Un groupe de recherche et une équipe financière peuvent attribuer des significations totalement différentes à des habitudes d’ancienneté et d’accès identiques.

La cible d’archivage introduit un autre ensemble de variables. « Accessible » peut signifier consultable via les métadonnées, récupérable par une application ou immédiatement utilisable avec des performances de production.

Ces états ne sont pas interchangeables. Un niveau d’objets froids peut fournir une conservation économique tout en introduisant des délais de récupération, des frais de requête ou des contraintes de débit dans le cadre de l’accord cloud du client.

CTERA affirme que les fichiers restent disponibles pour l’IA et l’analytique sans étape de réhydratation distincte. Les clients devraient valider ce comportement par rapport à leur classe de stockage, leur charge de travail et leur objectif de récupération choisis.

Ils devraient aussi tester ce qui se produit lors d’un rappel massif. Une archive qui fonctionne bien pour des récupérations occasionnelles peut se comporter différemment lorsqu’une enquête, un projet de création de modèle ou un événement de récupération demande des millions d’objets.

Une bonne gouvernance exige davantage que la conservation d’une entrée d’audit. Les équipes doivent savoir si les autorisations suivent le fichier, comment les changements d’accès sont réconciliés et ce qui se passe lorsque le propriétaire d’origine quitte l’organisation.

La transparence des modèles est un autre enjeu pratique. Un administrateur a besoin d’une raison compréhensible pour chaque recommandation, en particulier lorsque le déplacement proposé affecte des données sensibles ou importantes sur le plan opérationnel.

Un libellé tel que « inactif depuis 400 jours » est exploitable. Un score d’agent vague, sans les signaux qui le sous-tendent, serait plus difficile à justifier lors d’un audit ou d’un incident de service.

Ces questions ne remettent pas en cause la valeur de l’archivage de données assisté par l’IA de CTERA. Elles définissent les éléments de preuve nécessaires avant qu’un moteur de recommandation ne devienne un plan de contrôle fiable.

CTERA entre dans une bataille établie pour le placement des données

La question concurrentielle est de savoir si les clients préfèrent une intelligence intégrée à leur plateforme de fichiers ou une couche indépendante couvrant de nombreux fournisseurs de stockage.

CTERA dispose d’un avantage structurel évident. InsightAI et Archive fonctionnent au sein de la même plateforme qui gère déjà l’environnement de fichiers du client.

Cette intégration peut réduire les transferts entre les logiciels de découverte et les outils de déplacement. Elle peut également préserver une vue partagée des autorisations, chemins, paramètres de rétention et opérations d’archivage.

Le compromis concerne le périmètre. Les entreprises stockent rarement tous leurs fichiers non structurés dans l’environnement d’un seul fournisseur, surtout après des acquisitions, des migrations vers le cloud et des années d’achats départementaux.

Un produit indépendant de gestion des données peut séduire les acheteurs qui souhaitent une couche de politiques unique couvrant de nombreux systèmes de fichiers, d’objets, cloud et sur site. Cette étendue peut compter davantage qu’une intégration étroite avec une plateforme donnée.

Komprise, par exemple, commercialise des capacités d’analyse indépendantes du stockage et d’orchestration des données pilotée par des politiques. Sa plateforme de gestion des données se concentre sur la découverte, la hiérarchisation, la migration et la conservation des données non structurées à travers des silos de stockage.

Datadobi aborde le marché par la mobilité et la cartographie des données. Diskover se concentre sur l’indexation, l’analyse et l’exploitation de vastes parcs de données non structurées, y compris les données redondantes, obsolètes et triviales.

Quantum a rejoint cette même conversation en septembre 2026 avec Autonomous Data Management. Son système évalue le placement au sein d’un parc de stockage non structuré et recommande des changements liés au coût, à la sécurité et aux performances.

Selon l’analyse de Quantum, cette offre commence par une évaluation et est conçue pour fonctionner avec plusieurs fournisseurs de stockage. Quantum affirme pouvoir appliquer continuellement des politiques après configuration.

Ces produits n’ont pas des architectures ou une maturité identiques. Leur chevauchement montre néanmoins que CTERA répond à une évolution plus large de la gestion du stockage.

L’ancien modèle séparait le stockage en produits primaires, de sauvegarde et d’archivage. Les administrateurs rédigeaient des règles de cycle de vie largement fondées sur l’emplacement, l’âge des fichiers ou la capacité disponible.

La nouvelle approche ajoute une couche d’interprétation. Les fournisseurs veulent que les logiciels estiment la valeur métier, le risque de sécurité, les exigences de gouvernance et l’utilité future pour l’IA avant de modifier le placement.

Cette évolution confère une importance stratégique au moteur de décision. Le déplacement de stockage devient de plus en plus une fonctionnalité, tandis que la capacité à justifier chaque déplacement devient le facteur de différenciation.

CTERA concurrence également, de manière indirecte, les politiques de cycle de vie natives du cloud. Amazon, Microsoft et d’autres fournisseurs permettent déjà aux clients de déplacer des objets entre des classes selon des règles prédéfinies.

Ces politiques peuvent être efficaces lorsque les données résident déjà dans un stockage objet et que de simples seuils d’ancienneté correspondent à la charge de travail. Elles ne comprennent pas nécessairement le contexte des fichiers d’entreprise ni ne déterminent si un répertoire contient un dossier actif.

L’argument de CTERA est qu’InsightAI peut fournir ce contexte manquant. L’agent déduit l’importance probable avant qu’Archive n’exécute le déplacement contrôlé par les politiques.

Les concurrents peuvent rétorquer qu’une couche neutre offre une vue plus complète. Si les données sont réparties entre CTERA, des systèmes NAS historiques, des magasins d’objets et d’autres plateformes de fichiers, l’intelligence intégrée ne voit qu’une partie du parc.

Cela fait des limites de déploiement une question centrale dans la décision d’achat. Un client devrait cartographier les référentiels que CTERA peut analyser, ceux qu’il peut déplacer et ceux qui restent hors de son contrôle.

L’approche gagnante ne portera pas nécessairement l’étiquette IA la plus ambitieuse. Elle combinera une large visibilité, des recommandations explicables, des déplacements fiables et une gouvernance applicable dans les environnements réellement exploités par le client.

L’archivage des données froides peut aider l’IA, ou masquer son meilleur contexte

Les données froides ne sont pas synonymes de données sans valeur, en particulier lorsqu’un système d’IA a besoin de preuves historiques plutôt que des fichiers les plus populaires d’hier.

Un ancien document de politique peut contenir des instructions dépassées et mériter d’être isolé des recherches quotidiennes. Un autre document ancien peut consigner la seule justification approuvée d’une décision d’ingénierie critique.

Les deux fichiers peuvent avoir des horodatages similaires. Leur valeur ne devient visible que lorsqu’une personne comprend la décision, la règle de rétention ou la question future qui leur est associée.

C’est là que l’expression « données mortes » peut induire en erreur. Certains fichiers sont redondants, obsolètes ou triviaux, mais d’autres sont simplement dormants.

Les archives historiques reçoivent souvent peu de consultations régulières précisément parce qu’elles servent lors d’événements exceptionnels. Les litiges, audits, revues d’incidents, rappels de produits et évaluations de modèles peuvent soudainement les rendre importantes.

L’IA augmente les enjeux, car les systèmes de récupération peuvent exploiter une portion beaucoup plus vaste des connaissances de l’entreprise que les employés ne consultent manuellement. Le faible nombre d’accès humains à un document ne prouve pas son absence de valeur analytique.

Dans le même temps, tout indexer crée son propre mode de défaillance. Les doublons et les brouillons obsolètes peuvent encombrer les résultats de récupération, fragiliser l’ancrage factuel et compliquer l’identification d’une source faisant autorité.

Le meilleur objectif n’est pas une disponibilité maximale des données. Il s’agit d’une découvrabilité contrôlée, où les systèmes peuvent localiser les informations conservées tout en distinguant les dossiers actuels du contexte historique.

CTERA affirme que les fichiers archivés restent accessibles aux analyses et à l’IA au sein de sa plateforme. Cette approche vise à préserver la découvrabilité tout en retirant les fichiers du stockage primaire coûteux et des accès SMB ou NFS ordinaires.

L’affirmation est plausible sur le plan architectural, mais les clients ont besoin de tests de charge de travail. La capacité de recherche, la latence de récupération, la compatibilité applicative et l’application des autorisations doivent toutes être mesurées après le déplacement.

Les équipes devraient également dissocier la sélection pour archivage de l’inclusion dans l’IA. Un fichier peut avoir sa place dans une archive tout en restant accessible à un index de récupération. Un autre peut exiger une conservation tout en étant exclu d’un accès IA généraliste.

Il s’agit de politiques différentes. Les confondre transformerait une décision de stockage en décision accidentelle de gouvernance de l’information.

Les équipes de sécurité devraient accorder une attention particulière aux données sensibles archivées. Réduire l’exposition via des partages de fichiers standards peut diminuer le risque, mais les connecteurs IA peuvent introduire une autre voie d’accès.

Un agent capable de découvrir un enregistrement doit toujours appliquer une autorisation tenant compte de l’identité. Il ne devrait pas révéler des données archivées d’employés, de clients, juridiques ou de propriété intellectuelle simplement parce que la plateforme les a conservées.

La suppression présente le défi inverse. L’archivage constitue souvent la première réponse prudente à l’incertitude, mais une conservation indéfinie maintient des contraintes de confidentialité, de conformité et de découverte.

Les organisations ont donc besoin d’un état final pour chaque catégorie. Certains enregistrements devraient revenir au stockage primaire, d’autres rester soumis à la rétention, et d’autres encore parvenir à une suppression documentée.

La piste d’audit de CTERA peut soutenir ce processus en enregistrant les déplacements et les restaurations. Cependant, la conception des politiques reste de la responsabilité du client.

La mise en œuvre la plus solide intégrerait les propriétaires des données à cette conception. Les équipes de stockage comprennent la capacité et l’infrastructure, tandis que les équipes juridiques, de sécurité, de gestion des archives et métier comprennent les obligations et le sens opérationnel.

Les recommandations de l’IA peuvent relier ces groupes en faisant remonter une file priorisée. Elles ne devraient pas effacer les distinctions entre leurs responsabilités.

L’opportunité de CTERA est de prouver que ses agents produisent de meilleures files que de simples règles de cycle de vie. Son risque est de promettre une compréhension métier que les métadonnées seules ne peuvent pas fournir de manière cohérente.

Trois signaux montreront si les agents d’archivage fonctionnent

Le prochain test repose sur des preuves d’adoption, et non sur une nouvelle affirmation concernant le volume de données froides existant.

Le premier signal est la disponibilité générale et la maturité en production. Une fonction Archive associée est apparue dans la gamme Edge Filer 7.13 comme logiciel à accès anticipé, selon une précédente couverture produit.

Les clients devraient surveiller une version entièrement prise en charge, des chemins de mise à niveau documentés, la compatibilité avec les cibles et des recommandations opérationnelles. Une disponibilité étendue renforcerait l’idée que CTERA a dépassé le stade d’une annonce de produits coordonnée.

Un déploiement retardé ou un périmètre de déploiement restreint affaiblirait cette idée. Cela suggérerait que le moteur de recommandation et le flux de travail d’archivage nécessitent encore des efforts d’intégration.

Le deuxième signal est la qualité mesurée des recommandations. CTERA devrait publier des éléments montrant à quelle fréquence les administrateurs acceptent, rejettent ou annulent les suggestions d’archivage d’InsightAI.

Ces chiffres révéleraient davantage qu’une nouvelle enquête sur les capacités. Un taux d’acceptation élevé dans des secteurs variés indiquerait que l’inférence fondée sur les métadonnées produit des jugements opérationnels utiles.

Des dérogations fréquentes mettraient en évidence des lacunes de contexte, de conception des politiques ou d’explicabilité. La fréquence des restaurations compterait également, car des rappels urgents répétés peuvent révéler une classification trop agressive.

Le troisième signal est la réaction concurrentielle. Komprise, Quantum, Datadobi, Diskover et d’autres fournisseurs de gestion des données continueront d’étendre leurs capacités de classification et d’orchestration.

S’ils mettent l’accent sur une couverture indépendante à travers des parcs hétérogènes, ils pousseront CTERA à démontrer que l’intégration l’emporte sur les limites de la plateforme. Si les fournisseurs de plateformes de fichiers ajoutent des agents similaires, la fonctionnalité pourrait rapidement devenir attendue plutôt que distinctive.

Les acheteurs d’entreprise ne devraient pas attendre que cette compétition se tranche avant de tester leurs propres données. Ils peuvent commencer avec un référentiel limité, comparer les recommandations des agents aux décisions des propriétaires et mesurer la récupération après archivage.

Le pilote devrait inclure des cas difficiles, et pas seulement des fichiers manifestement abandonnés. Les dossiers juridiques, historiques d’ingénierie, brouillons en double, actifs multimédias volumineux et données sensibles des employés révéleront les cas où les politiques nécessitent des exceptions.

Les équipes devraient suivre la capacité déplacée, l’acceptation des recommandations, le temps de récupération, l’exactitude des autorisations, les événements de restauration et les preuves de conformité. Ces mesures relient l’affirmation liée à l’IA à des résultats opérationnels concrets.

L’archivage de données assisté par l’IA de CTERA répond à un décalage réel entre ce que les entreprises conservent et ce qu’elles utilisent activement. Ses agents peuvent rendre cette longue traîne visible et transformer les constats en actions gouvernées.

La question non résolue est de savoir s’ils comprennent suffisamment le contexte pour recommander systématiquement la bonne action. Les responsables du stockage devraient tester directement cette limite : quels fichiers les agents ont-ils sélectionnés, pourquoi les ont-ils sélectionnés et qu’est-il arrivé lorsque des personnes ont de nouveau eu besoin des données ?