Les données sont devenues omniprésentes, partout et tout le temps.
Une nouvelle ère s’est installée depuis le développement très rapide des appareils mobiles, des objets connectés et des applications. Cela a fait exploser de manière exponentielle le nombre de données générées par chacun, chaque jour et partout dans le monde.
Aller plus loin grâce aux données
Ce profond bouleversement a créé de nouveaux enjeux pour les entreprises et leur a également offert de nouvelles opportunités de continuer à se développer et de conquérir de nouveaux marchés. Elles se sont donc, pour la plupart, dotées de solutions Big Data afin de collecter, analyser et traiter toutes leurs données pour pouvoir ensuite les exploiter dans le cadre de leurs stratégies marketing et commerciale (expérience client, stratégie digitale, analyses prédictives, etc…). Ces solutions ont pour objectif de leur permettre d’optimiser leurs décisions en les rendant plus rapides et plus pertinentes face aux marchés. Cela améliore la réactivité de l’entreprise et elle peut donc s’adapter plus facilement, et à moindre coût, à une nouvelle tendance de marché. C’est toute la rentabilité de l’entreprise qui est ainsi améliorée.
Si l’on prend en exemple le cas de la personnalisation de l’expérience client, celle-ci repose et dépend entièrement de l’ensemble des données collectées par l’entreprise concernant ses clients et ses prospects. Ces données collectées sont mises à disposition de l’organisation pour qu’elles puissent apporter un maximum de valeur ajoutée en termes de connaissance client. En ayant des informations très précises sur ses clients et ses prospects, à la fois personnelles mais aussi concernant leurs habitudes de vie et leur consommation, l’entreprise est alors en capacité de proposer à chacun d’eux des offres de produits et de services entièrement personnalisées. Proposer le bon produit au bon client au bon moment est un avantage concurrentiel très fort pour une entreprise car cela lui permet de vendre mieux et plus. En répondant aux besoins de ses clients de manière efficace, l’entreprise développe son chiffre d’affaires, mais au-delà de cet aspect purement financier, c’est toute l’image de marque de l’entreprise qui est valorisée auprès des consommateurs suite à l’exploitation des données. Cet exemple montre bien à quel point les données sont devenues un enjeu crucial pour les entreprises.
Mais il y a une condition impérative à respecter pour obtenir un retour sur investissement performant dans l’exploitation des données récoltées : garantir une très haute qualité des données tout au long de leur durée de vie.
L’impact de la mauvaise qualité des données
La qualité des données est un enjeu fondamental, et non négociable, pour toutes les entreprises qui ont fait des données un élément central de leur organisation. Avec le développement à grande échelle du numérique dans le monde entier, la quantité de données générées continue d’augmenter en conséquence et il est alors très facile pour une entreprise d’en accumuler en grande quantité sans se préoccuper de leur qualité. Notamment avec la grande multiplicité des sources de collecte de données. Mais attention, quantité ne rime pas avec qualité.
Plusieurs critères peuvent définir la bonne qualité d’une donnée (son exactitude, son exhaustivité, sa cohérence, sa validité, son actualité, son intégrité, sa clarté, sa sécurité, etc.) mais la plupart du temps, les données de mauvaise qualité le sont surtout à deux niveaux : dans leur description avec des erreurs et des imprécisions ou alors au niveau de la donnée en elle-même avec des valeurs nulles, des doublons, des valeurs aberrantes ou encore des valeurs obsolètes. Ces données, don’t la qualité est dégradée, vont alors impacter négativement l’entreprise qui les exploite sans s’assurer de leur bonne fiabilité. Les conséquences sont multiples : prises de décisions erronées, opportunités manquées, ralentissements de la productivité, sanctions légales ou encore dégradation de l’image de marque. Toutes ces conséquences vont nuire au développement de l’entreprise et peuvent même lui être fatales car elles ont toutes un point commun : elles provoquent toutes des pertes financières importantes pour l’entreprise.
Un autre aspect sur lequel la qualité des données va avoir un impact très fort est l’intelligence artificielle (IA). En effet, cette technologie est en pleine croissance et de nombreuses entreprises développent leurs propres modèles pour détecter les nouvelles tendances de demain et capter très tôt les nouveaux besoins des consommateurs. Pour qu’elle puisse s’exprimer au mieux et avoir une vraie valeur prédictive, l’intelligence artificielle doit absolument être alimentée avec des jeux de données de très grande qualité, sans quoi les résultats obtenus pourraient être complètement biaisés et inutilisables pour l’entreprise.
Par contre, lorsqu’une entreprise adopte une véritable démarche de qualité dans la gestion de ses données, elle va réduire de manière importante l’ensemble de tous les risques liés à la mauvaise qualité des données. Cette démarche d’exigence vis-à-vis de la qualité des données permet à l’entreprise d’envisager l’amélioration à moyen terme de ses performances opérationnelles ainsi qu’une relation client plus efficace, avec notamment une personnalisation très pointue. C’est toute la compétitivité de l’entreprise qui est ainsi rendue plus performante.
Adoptez une démarche de Data Quality Management
Lorsqu’une entreprise souhaite améliorer la qualité de ses données, elle va entreprendre une démarche de Data Quality Management (DQM). Pour cela, elle doit procéder par étapes pour permettre sa bonne réalisation.
La première étape qu’une entreprise doit mettre en place dans l’adoption de cette démarche est de réaliser un inventaire complet de l’ensemble des données collectées. Elle doit pouvoir évaluer chaque donnée par rapport à des critères de précision, de validité et d’unicité afin de repérer les données qui ont déjà un certain niveau de qualité. C’est en faisant cette évaluation donnée par donnée qu’elle va pouvoir déterminer un cadre de référence pour l’ensemble de ses données. Ce cadre de référence servira ensuite de base de comparaison : chaque donnée collectée par l’entreprise est comparée avec ce cadre afin de pouvoir détecter de manière simple et rapide si elle présente des problèmes de qualité. C’est également durant cette phase que des règles de qualité des données et des objectifs de performance sont créés en fonction des besoins métiers.
Ensuite, une seconde étape consiste à mener toutes les actions de remédiations sur les données don’t la qualité n’a pas été approuvée lors de l’inventaire complet. Toutes données identifiées comme non alignées avec les critères et les règles de qualités définies précédemment sont alors nettoyées, enrichies et valorisées. De la même manière, l’ensemble des exigences à respecter concernant les lois de protection des données personnelles (RGPD) sont vérifiées lors de cette phase. Toutes ces actions de correction peuvent être accomplies si besoin avec l’aide de logiciels spécialisés qui faciliteront en amont l’identification des données à corriger (par exemple le profilage qui permet l’identification des valeurs aberrantes pour une certaine typologie de données). Cette phase de remédiation est généralement réalisée de manière assez fréquente par une entreprise soucieuse de la qualité de ces données afin de s’assurer qu’un niveau de qualité optimale soit toujours maintenu. Une fois toutes les actions de remédiation réalisées, les données corrigées sont réimportées dans leurs solutions de stockage.
Enfin, la dernière étape de la démarche de Data Quality Management (DQM) doit avoir l’ambition de s’inscrire dans la durée. Avec une très bonne qualité des données obtenue suite aux deux premières étapes, l’entreprise doit maintenant capitaliser sur ces données et adopter une vision à long terme pour faire perdurer cette qualité. Pour cela, cette dernière phase s’appuie sur deux points importants. Le premier concerne l’instauration d’une véritable culture des données au sein de l’entreprise. Cela passe par la sensibilisation de l’ensemble des collaborateurs aux nombreux bénéfices apportés par des données de très haute qualité mais aussi par de la montée en compétences et de la conduite du changement. La préservation de la qualité des données est véritablement l’affaire de tous au sein de l’entreprise. Elle n’est plus seulement un objectif réservé aux seules équipes de la DSI comme cela pouvait être le cas auparavant. Différents rôles vont donc être mis en place au sein de l’entreprise et plus particulièrement au sein des différents métiers de l’entreprise. Trois rôles prennent alors une place prépondérante au sein de chacun des métiers de l’organisation : le Data Owner, le Data Stewart et le Data Quality Manager. Ils interviennent chacun sur leur périmètre de données afin de fiabiliser les informations et de les renseigner du mieux possible pour permettre de continuer à entretenir la meilleure qualité possible des données. Attention cependant lors de la création de ces rôles au sein même des métiers, de bien garantir la bonne transversalité de toute la démarche de Data Quality Management. Il est primordial de sortir complètement des silos potentiels de l’entreprise.
Les données sont devenues vitales pour les entreprises. Elles en font aujourd’hui une priorité absolue afin d’obtenir et de conserver tous les atouts stratégiques qu’elles confèrent. Il s’agit d’un avantage concurrentiel certain pour chaque entreprise qui maitrise ses données. Et pour continuer à tirer profit au maximum du Big Data, les entreprises doivent porter une attention toute particulière à la qualité de leurs données. C’est dans ce contexte qu’intervient la notion de Data Quality Management. L’adoption de cette démarche doit être une priorité pour les entreprises au même titre que la collecte des données afin de profiter de tous les avantages promis par l’exploitation des données.
Patrice Rivet, consultant CMG conseil
