La presse (et les équipes marketing…) qualifient souvent la Data de « Nouvel Or Noir ». Mais le pétrole… il faut le raffiner et l’exploiter ! N’est ce pas pareil pour les données ? Bien sûr! D’où ce sujet de Data Quality
Sur de nombreux projets, j’ai eu l’occasion d’entendre des phrases comme “Ces données ne sont pas correctes!”, “Qui peut m’expliquer ce chiffre ? ” ou encore “Ces données ne sont plus d’actualité”.
Le résultat d’un projet Analytics repose bien souvent en grande partie sur les données fournies à l’utilisateur final. Une toute nouvelle application tout juste sortie de production génère une attente. Mais si elle affiche des résultats incorrects, elle entraînera au mieux des interrogations et au pire son abandon définitif, purement et simplement.
La Data Quality, c’est quoi ?
Je ne rentre pas ici dans les considérations des normes ISO. Nous verrons cela une autre fois.
Disons simplement, que la data quality c’est l’ensemble des actions qu’une entreprise met en place pour s’assurer que ses données utilisées dans son Système d’Information sont correctes, pertinentes et à jour.
En effet, la donnée est une matière qui se transforme… en mouvement… presque vivante!
C’est vrai pour les données « statiques ». Ainsi, une fiche client par exemple, va être modifiée lorsque le client déménage ou change de coordonnées de contact. Le référentiel d’articles de l’entreprise évolue. Il en est de même pour les informations RH de ses collaborateurs et toutes les autres données.
Et c’est bien sûr encore plus vrai pour les données « dynamiques »… La commande, par exemple, que va faire un client va évoluer tout au long d’un cycle de vie: elle va être initiée, émise, validée, livrée, réglée, close… autant de statuts et d’informations matérialisées par la donnée.
En plus de cela, des erreurs humaines ou applicatives peuvent dégrader la qualité des données ou générer des doublons dans le système d’informations. Une base de données non maintenue devient très rapidement obsolète. Elle ne reflète plus la réalité et peut avoir des conséquences désastreuses sur une entreprise.
Pourquoi est-ce un enjeu essentiel ?
Des erreurs sur les données peuvent par exemple entraîner des erreurs de mailing, la diffusion de données personnelles, des erreurs sur des virements de salaire… autant d’erreurs dramatiques soit en termes financiers (pénalités, travail supplémentaires) qu’en termes d’image.
Potentiellement, c’est aussi perdre des opportunités (commerciales notamment) ou souffrir d’un déficit d’image. Pour vous en convaincre, pensez à la dernière fois que vous avez parlé à un téléconseiller qui ne connaissait pas bien votre situation ou les échanges que vous aviez précédemment eu avec ses collègues… Agaçant, non?
Plus généralement, des problèmes de data quality peuvent conduire à des mauvaises décisions ! Et pour cause, si les théoriciens de la Qualité avaient coutume de dire « On ne peut améliorer que ce qu’on mesure », est-ce qu’un indicateur faux ne vas pas entraîner des décisions inadaptées?
Ne pas s’y intéresser, c’est potentiellement stocker de la donnée sur tout et n’importe quoi mais surtout ne pas pouvoir l’utiliser lorsqu’on en a besoin.
Ainsi, une data quality insuffisante entraîne des surcoûts et des risques pour une entreprise. Les opérationnels feront des erreurs, prendront de mauvaises directions. Ils passeront du temps à corriger ou à rattraper des données erronées.
Comme toujours en terme d’efficience et d’amélioration, il vaut mieux faire bon du premier coup! mais ce n’est pas évident car de nombreux éléments composent la data quality.
(Merci à Jean-Luc qui a co-écrit cet article!)
Les sujets qui m’intéressent le plus sont Data, Organisation et Temps Réel !
N’hésitez pas à me faire un retour sur cet article ou à me contacter sur LinkedIn pour partager nos actualités!
Andrea
