Data quality : enjeux et bonnes pratiques

À l’ère du Big Data, la qualité des données est devenue un véritable enjeu en termes de performance et d’efficacité pour beaucoup d’entreprises. Comment faire pour l’améliorer ?

À l’ère du Big Data, la qualité des données est devenue un véritable enjeu en termes de performance et d’efficacité pour beaucoup d’entreprises. Selon une étude de MIT Sloan, négliger la qualité de leurs données pourrait coûter aux organisations entre 15 à 25 % de leur chiffre d’affaires.  

Comment mettre en œuvre avec succès une démarche d’amélioration de la qualité de vos données ? Quels sont les enjeux liés à une bonne gestion de cette data quality ?

La data quality, qu’est-ce que c’est ?

Data quality

Le Data Quality Management (DQM) désigne les actions réalisées dans une entreprise pour s’assurer que les données recueillies dans son Système d’Information (SI) sont correctes, fiables, pertinentes et mises à jour.  Des erreurs applicatives, humaines ou organisationnelles peuvent dégrader la qualité de ces données.

Opportunités commerciales manquées, sanctions légales, mauvaises décisions, atteinte à l’image… Une base de données obsolète peut avoir des répercussions catastrophiques sur toute une organisation.  

Le Data Quality Management vise ainsi à fiabiliser les bases de données. Il cherche aussi à constituer des bases de qualité adaptées aux besoins de leurs utilisateurs métiers. Il est intimement lié par définition au Big Data.

Pourquoi la data quality est-elle un enjeu clé pour les entreprises ? 

 

Les données jouent un rôle central au sein des entreprises. Elles leur permettent d’avoir une vision claire de leur performance et de prendre des décisions stratégiques.  

Cependant…

  • Ernst & Young affirmait en 2019 qu’un dirigeant sur quatre n’avait toujours pas confiance dans les données de son entreprise.
  • Pire encore, selon le rapport Gartner Magic Quadrant for Data Quality Solutions paru en 2020, plus de 25 % des données critiques des plus grandes entreprises seraient erronées. Cette mauvaise qualité de données pourrait ainsi leur coûter jusqu’à 11 millions d’euros chaque année.
  • En effet, le Harvard Business Review rapportait en 2017 qu’une tâche réalisée avec une donnée erronée génère un coût cent fois supérieur à celui d’une tâche effectuée sur la base d’une donnée vérifiée. 

 

L’addition est salée. Il est donc très important que la qualité de ces données soit surveillée, améliorée et au service du pilotage global de l’organisation.

Comment assurer la bonne qualité de ses données ? 

 

L’utilité des informations qu’une entreprise peut extraire de ses données brutes dépend de leur qualité. Cette dernière se mesure à travers plusieurs caractéristiques intrinsèques. Celles-ci répondent à des exigences internes (pilotage, prises de décisions, etc.) ou externes (réglementations, conformité, etc.) à l’entreprise.

Quelle stratégie de data quality mettre en place ? 

La qualité d’une donnée peut être évaluée dès lors que l’on sait ce que l’on souhaite en faire. Autrement dit, lorsque les usages attendus par ses usagers sont clairement définis.  

Les organisations doivent donc définir leurs attentes en matière de data quality et des normes. Ces dernières doivent toutes deux s’appuyer sur l’impact potentiel d’une non-conformité. 

Une entreprise de prêt-à-porter pourrait ainsi se fixer l’objectif suivant. Elle veut que ses quantités en stock soient constamment mises à jour pendant en journée pour être exactes. Le coût de la non-conformité de ces données serait le temps perdu par ses équipes et des ventes manquées.

Quels sont les indicateurs d’une donnée de bonne qualité ? 

Parmi ces indicateurs de data quality, on trouve notamment la fraîcheur, l’exactitude, la cohérence technique et/ou fonctionnelle, la validité et l’intégrité. Mais aussi l’exhaustivité, la traçabilité, la disponibilité, la consistance, l’applicabilité, l’intelligibilité, l’intégration, la flexibilité, l’actualité et la sécurité. 

A contrario, une donnée de mauvaise qualité sera inexacte, non contrôlée, non sécurisée (ou non fiable), non conforme, dormante et statique.  

Par exemple, l’OCDE a construit son Cadre de qualité autour de 8 dimensions pour évaluer la qualité de ses données : 

  • La pertinence et l’exactitude 
  • La crédibilité et l’actualité 
  • L’accessibilité et l’interprétabilité
  • La cohérence et la rentabilité 

Une solution BI, la clé pour une bonne gestion de la qualité des données ? 

 

De nombreuses entreprises ont déjà des processus de gestion des données en place. Mais beaucoup continuent à être bridées par des silos d’information persistants dans leur organisation.  

C’est là que la Business Intelligence (ou Informatique Décisionnelle) peut changer la donne. Elle propose d’accompagner les entreprises vers plus de transversalité et de les aider à répondre à leurs enjeux stratégiques grâce à ses outils clé-en-main. Ces outils permettent à chaque organisation de déployer rapidement une stratégie de gestion de la qualité des données. 

Les fonctionnalités d’une solution BI incluent :

  • Un entrepôt protégeant les données de référence
  • Des fonctionnalités « ETL » avec des règles de qualité
  • Et des tableaux de bord permettant de piloter l’évolution de la qualité des données. 
Articles liés
Reporting financier
Décryptez le reporting financier : définition, bénéfices et outils
Sans reporting financier en place, une entreprise peut difficilement être sûre de sa situation financière et d’avancer dans le bon sens. …
BI PME Table Ronde
Qu’est-ce que la BI peut apporter aux PME ?
3 experts en BI et un client discutent de l’impact de la Business Intelligence sur les PME. Envie de savoir ce qu’ils se disent ? …
entreprise data driven
Être data-driven : c’est quoi ?
Une organisation data-driven a 19 fois plus de chance d’être rentable. Comment être guidé par la donnée au quotidien ? …
Contactez un de nos experts
contact expert bi
RGPD
Hidden
{embed_url}