La Data quality : un réel vecteur d’efficacité

AVIS D’EXPERT

La data est souvent comparée au « Nouvel Or Noir ». Mais le pétrole… il faut le raffiner et l’exploiter ! Il en va de même pour les données ! Rappelons-nous que le résultat d’un projet Analytics repose avant tout sur les données fournies à l’utilisateur final.


Mais qu’est-ce que la Data Quality ?

Globalement, la data quality 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. En plus de cela, des erreurs humaines ou applicatives peuvent dégrader la qualité des données ou générer des doublons dans le système d’information. 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 la Data Quality est essentielle ?

Par exemple, des données erronées peuvent entraîner des erreurs de mailing, la diffusion de données personnelles… autant d’erreurs dramatiques soit en termes financiers (pénalités, travail supplémentaire) qu’en termes d’image. Potentiellement, c’est aussi perdre des opportunités ou souffrir d’un déficit d’image. Pour s’en convaincre, il suffit de penser à la dernière fois qu’un téléconseiller vous a contacté alors qu’il ne connaissait pas bien votre situation ou les échanges que vous aviez précédemment eus avec ses collègues. Plus généralement, des problèmes de data quality peuvent conduire à de 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 va 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 ainsi des erreurs, prendront de mauvaises directions. Ils passeront du temps à corriger ou à rattraper des données erronées. Comme toujours en termes d’efficience et d’amélioration, il vaut donc mieux faire bon du premier coup, mais ce n’est pas évident, car de nombreux éléments composent la data quality.