Data / IA
Piloter un programme de qualité des données
Par La rédaction, publié le 02 mars 2017
Une mauvaise qualité des données est forcément préjudiciable à l’activité d’une entreprise, mais ses dirigeants, faute d’arguments les sensibilisant vraiment, resteront souvent sceptiques quant au réel besoin de traiter la qualité des données comme une priorité.
Une étude de Gartner révèle que, d’ici 2021, dans 75 % des grandes entreprises, le bureau du directeur des données (ou CDO pour Chief data officer) sera considéré comme une fonction cruciale, comparable à l’entité informatique, aux opérations de l’entreprise, aux ressources humaines et aux finances.
Force est de constater que ce n’est pas encore le cas actuellement. Et bien souvent, le responsable devra monter une stratégie de communication et un dossier économique convaincants pour initier et faire perdurer un projet d’amélioration de la qualité des données.
Même s’ils apparaissent recevables, des arguments comme l’inefficacité de processus opérationnels, la prise de mauvaises décisions ou l’incapacité d’atteindre certains objectifs ambitieux s’avèrent insuffisants s’ils ne sont pas étayés par des preuves chiffrées qui parlent aux dirigeants. Plus précisément, il faut justifier les mesures d’amélioration de la qualité des données en utilisant une combinaison de preuves sur des faits et de résonance émotionnelle, tout en établissant des liens causaux clairs entre les résultats opérationnels souhaités et les efforts à réaliser pour les obtenir.
Pour cela, il s’agira notamment de relier la qualité des données aux métrologies opérationnelles de manière explicite et d’identifier les parties prenantes, de les responsabiliser et ainsi de s’assurer de leur intérêt pour le projet d’amélioration de la qualité des données et de pouvoir compter sur leur support.
Il faut ensuite quantifier l’impact financier en profilant l’état actuel de la qualité des données. Pour cela, télécharger une version d’essai d’un outil de profilage sera plus rapide et moins cher que de développer un outil en interne. Il sera alors possible de calculer un ROI en fonction de niveaux de qualité réalistes et atteignables. Selon les scénarios, il faut être prêt à accepter une qualité « correcte » plutôt que de rechercher la perfection, sachant par exemple que l’intégrité des données sur les clients diminue « naturellement » d’environ 2 % par mois (déménagements, divorces, etc.).
Il peut être tentant, pour des praticiens de la gestion des données, de vouloir prendre en charge directement l’intégralité du projet d’amélioration de la qualité des données. Cette méthode fournit toutefois une opportunité aux utilisateurs métiers d’abandonner leur responsabilité en la matière. Les praticiens de la gestion des données ont donc intérêt à se positionner en tant que facilitateurs plutôt que de faiseurs, et à notamment distiller les bonnes pratiques pour qu’elles s’intègrent progressivement aux processus métiers. Le cas échéant, ils joueront également le rôle de médiateurs en cas de désaccord entre silos de l’entreprise.
Et ils deviendront accompagnateurs du changement dans une démarche globale qui doit inscrire la qualité des données comme une capacité facilitatrice de tous les efforts de gouvernance des informations, avec notamment la création d’un catalogue d’informations, d’un référentiel de définitions des données et de règles métiers qui serviront à tous les départements de l’entreprise, et le suivi des données issues de sources externes — à défaut de pouvoir les contrôler complètement.
Pour piloter un tel projet, les métrologies ne présentant que des incitations financières et des résultats opérationnels risquent de ne pas suffire. Il sera certainement utile d’user de déclencheurs émotionnels — l’envie, l’aspiration, la fierté, l’embarras, la jalousie, la frustration et la peur —, qui sont les principaux facteurs de décision psychologiques. Et donc de trouver des récits pour les données qui tissent un lien humain. Par exemple, 30 % d’informations manquantes dans l’adresse des clients n’a pas en soi de connotation « bonne » ou « mauvaise ». Par contre, dans le contexte d’un cas d’utilisation qui nécessite des adresses complètes pour, par exemple, la vente croisée de nouveaux produits, cela peut signifier des revenus inférieurs. Si vous allez plus loin et reliez ce manque de revenus à une diminution des primes des commerciaux, vous obtiendrez une attention bien plus grande de leur part pour la qualité des données.
Alan Duncan, Mei Yang Selvage et Saul Judah
Gartner
