Audit qualité & gouvernance des données

Pourquoi auditer la qualité et la gouvernance de ses données ?

Les entreprises disposent rarement de trop peu de données.

Elles ont plus souvent du mal à savoir quelles données sont fiables, où elles se trouvent, qui en est responsable et comment les exploiter correctement.

Un même client peut exister plusieurs fois dans un CRM. Deux directions peuvent utiliser des définitions différentes d’un même indicateur. Des données importantes peuvent rester enfermées dans un outil métier. Certains collaborateurs maintiennent des fichiers parallèles parce qu’ils ne font plus confiance au système officiel.

Ces problèmes sont souvent tolérés tant que les usages restent limités.

Ils deviennent beaucoup plus visibles lorsqu’une entreprise cherche à accélérer sur la data, le reporting, le CRM, l’automatisation ou l’intelligence artificielle.

Une IA alimentée par une donnée peu fiable ne rend pas cette donnée meilleure. Elle peut simplement permettre de produire plus rapidement une mauvaise réponse.

L’Audit qualité & gouvernance des données digitalie_ permet d’identifier les problèmes réellement structurants et de déterminer ce qui doit être traité en priorité.

Qu’est-ce que la qualité des données ?

La qualité des données désigne la capacité d’une donnée à être suffisamment fiable et exploitable pour l’usage auquel elle est destinée.

Une donnée de qualité doit notamment pouvoir être :

• correcte ;
• suffisamment complète ;
• cohérente ;
• à jour ;
• disponible ;
• compréhensible ;
• utilisable par les bonnes personnes.

La qualité ne constitue donc pas une propriété absolue.

Une donnée peut être suffisamment bonne pour produire un reporting mensuel et insuffisamment fiable pour alimenter automatiquement une décision critique.

La question n’est donc pas :

« Nos données sont-elles parfaites ? »

Mais :

« Sont-elles suffisamment fiables pour les usages que nous voulons en faire ? »

Qu’est-ce que la gouvernance des données ?

La gouvernance des données désigne l’ensemble des responsabilités, règles et processus permettant à une organisation de gérer ses données de manière cohérente.

Elle répond notamment à des questions très concrètes :

Qui est responsable de cette donnée ?

Qui peut la modifier ?

Quelle définition doit être utilisée ?

Où se trouve la source de référence ?

Qui peut y accéder ?

Comment sa qualité est-elle contrôlée ?

Que se passe-t-il lorsqu’un problème est identifié ?

Une gouvernance efficace ne consiste pas nécessairement à créer de nouveaux comités ou une documentation importante.

Elle doit surtout permettre de savoir qui décide et comment un problème de donnée est résolu.

Qualité des données et gouvernance des données : quelle différence ?

Les deux sujets sont liés mais ne désignent pas la même chose.

La qualité des données concerne la fiabilité et l’utilisabilité de l’information.

La gouvernance des données organise les responsabilités et les règles permettant de maintenir cette qualité dans le temps.

Une entreprise peut réaliser un important nettoyage de ses données clients et obtenir une base parfaitement propre.

Si aucun responsable n’est identifié, si les règles de saisie restent différentes entre équipes et si les mêmes doublons continuent à être créés, le problème réapparaîtra.

La correction améliore donc la donnée à un instant donné.

La gouvernance doit éviter que le problème se reproduise.

Nettoyer la donnée traite le symptôme. Organiser sa gouvernance traite la cause.

Quels sont les signes d’un problème de qualité des données ?

Plusieurs symptômes apparaissent fréquemment dans les entreprises.

Les chiffres diffèrent selon les équipes

Marketing, commerce, finance ou direction présentent des chiffres différents pour le même indicateur.

Le problème peut venir de sources, règles de calcul ou définitions différentes.

Lorsque plusieurs versions d’une même réalité coexistent, une part importante du temps est consacrée à discuter du chiffre plutôt qu’à décider.

Les doublons se multiplient

Un même client, fournisseur, produit ou contact existe plusieurs fois dans les systèmes.

Ces doublons compliquent l’analyse, le CRM et l’automatisation.

Les champs importants restent incomplets

Certaines informations nécessaires à la segmentation, à l’analyse ou au pilotage ne sont pas systématiquement renseignées.

Le problème peut provenir du processus de saisie, de la définition du champ ou simplement du fait que personne n’en perçoit réellement l’utilité.

Les données sont obsolètes

Une information exacte lors de sa création peut perdre progressivement sa valeur si elle n’est pas mise à jour.

Les équipes reconstruisent leurs propres fichiers

Lorsqu’un collaborateur extrait régulièrement des données d’un système pour maintenir ensuite son propre fichier Excel, il peut exister un problème de confiance, d’accessibilité ou d’usage.

Personne ne sait quelle source utiliser

Plusieurs outils contiennent la même information mais aucune source de référence n’est clairement définie.

Les corrections sont manuelles et répétitives

Les mêmes anomalies sont corrigées chaque mois avant la production d’un reporting.

Dans ce cas, le problème ne vient probablement pas uniquement de la donnée.

Il vient du processus qui la produit.

Quelles dimensions analyser pour évaluer la qualité des données ?

Plusieurs critères permettent d’évaluer si une donnée est adaptée à son usage.

L’exactitude

La donnée correspond-elle réellement à la réalité qu’elle cherche à décrire ?

La complétude

Les informations nécessaires sont-elles suffisamment renseignées ?

La cohérence

Une même information est-elle représentée de la même manière dans différents systèmes ?

L’unicité

Existe-t-il plusieurs occurrences d’une même entité ?

L’actualité

La donnée est-elle encore à jour au moment où elle est utilisée ?

La disponibilité

Les personnes ou systèmes qui en ont besoin peuvent-ils réellement y accéder ?

La traçabilité

Est-il possible de comprendre d’où provient une donnée et comment elle a été transformée ?

Toutes ces dimensions n’ont pas la même importance pour chaque usage.

La qualité doit donc être évaluée à partir de la finalité de la donnée, et non uniquement à partir d’un standard abstrait.

Quelles données faut-il auditer en priorité ?

Un audit n’a pas nécessairement besoin d’examiner toutes les données de l’entreprise.

Une démarche beaucoup plus opérationnelle consiste à commencer par les données ayant un impact direct sur les usages prioritaires.

Il peut s’agir par exemple :

• des données clients ;
• des données prospects ;
• des données commerciales ;
• des données produits ;
• des données financières ;
• des données opérationnelles ;
• des données nécessaires à un projet IA ;
• des référentiels utilisés par plusieurs applications.

La priorité dépend de la valeur produite par ces données et des problèmes observés.

Une donnée utilisée quotidiennement par plusieurs équipes et alimentant des décisions importantes mérite généralement davantage d’attention qu’une information rarement exploitée.

L’objectif n’est pas de gouverner toutes les données de la même manière. Il est d’identifier celles qui comptent réellement.

Pourquoi les problèmes de données apparaissent-ils ?

Les problèmes de qualité sont rarement uniquement techniques.

Ils peuvent provenir de la manière dont l’organisation fonctionne.

Plusieurs outils créent la même donnée

CRM, ERP, outils métiers et plateformes marketing peuvent contenir chacun une version d’une même information.

Sans règle claire, il devient difficile de déterminer quelle version fait référence.

Les règles de saisie diffèrent

Deux équipes peuvent renseigner le même champ selon des pratiques différentes.

La donnée devient alors difficile à comparer ou automatiser.

Les responsabilités sont floues

Tout le monde utilise une donnée mais personne n’est réellement responsable de sa définition ou de sa qualité.

Les processus ont évolué

Le modèle de données peut correspondre à l’organisation d’il y a plusieurs années plutôt qu’aux besoins actuels.

Les projets sont pilotés en silos

Chaque nouveau logiciel peut créer sa propre base sans qu’une réflexion globale soit menée sur les données déjà disponibles.

Les données ne sont pas conçues à partir de leurs usages

Une entreprise collecte parfois beaucoup d’informations simplement parce qu’elle peut le faire.

Mais certaines données importantes pour les décisions ne sont pas disponibles.

Une stratégie data pertinente ne commence donc pas par la quantité de données collectées. Elle commence par les usages que l’entreprise veut en faire.

Qui doit être responsable des données ?

La gouvernance des données ne peut pas reposer exclusivement sur la DSI ou l’équipe Data.

La technologie gère les systèmes.

Mais les métiers sont souvent les mieux placés pour comprendre la signification, la qualité attendue et les règles d’usage de leurs données.

Plusieurs rôles peuvent être distingués selon la maturité de l’organisation.

Data Owner

Le Data Owner porte généralement la responsabilité métier d’un domaine de données.

Il contribue notamment à définir les règles, les usages et les niveaux de qualité attendus.

Data Steward

Le Data Steward intervient davantage dans la qualité et le maintien opérationnel des données.

Équipes Data ou DSI

Elles apportent les compétences techniques permettant de stocker, intégrer, transformer et rendre les données accessibles.

Toutes les entreprises n’ont cependant pas besoin de formaliser immédiatement ces rôles sous ces intitulés.

Dans une PME ou une ETI, quelques responsabilités clairement attribuées peuvent être beaucoup plus efficaces qu’une organisation complexe.

La vraie question n’est pas de savoir si vous avez un Data Owner. Elle est de savoir si quelqu’un est réellement responsable lorsque la donnée pose problème.

Comment mettre en place une gouvernance des données ?

Une gouvernance data utile doit rester proportionnée aux besoins de l’organisation.

Identifier les données critiques

Commencer par les domaines ou données ayant le plus de valeur évite de construire immédiatement un programme trop large.

Définir les responsabilités

Chaque donnée critique doit disposer d’un responsable suffisamment identifié.

Définir les sources de référence

Lorsqu’une information existe dans plusieurs systèmes, l’organisation doit savoir quelle source fait foi.

Clarifier les définitions

Les indicateurs et champs importants doivent être suffisamment documentés pour être interprétés de manière cohérente.

Organiser la qualité

Des contrôles doivent permettre d’identifier les principales anomalies et de comprendre pourquoi elles apparaissent.

Définir les accès

Les bonnes personnes doivent pouvoir accéder aux données nécessaires sans ouvrir inutilement les informations à toute l’organisation.

Mettre en place un processus de résolution

Lorsqu’un problème est détecté, l’organisation doit savoir qui le traite et comment éviter sa réapparition.

Une gouvernance efficace doit rendre l’utilisation des données plus simple, pas ajouter une nouvelle couche administrative.

Faut-il mettre en place un Data Catalog ?

Un catalogue de données permet de documenter les actifs data de l’organisation : définitions, propriétaires, sources, relations ou métadonnées.

Il peut devenir particulièrement utile dans des environnements complexes où de nombreux jeux de données sont utilisés par plusieurs équipes.

Mais un Data Catalog n’est pas nécessairement le premier chantier à engager.

Une entreprise disposant de quelques domaines prioritaires peut commencer par une documentation beaucoup plus simple.

Le besoin doit dépendre de la complexité réelle.

Mettre en place un outil de gouvernance avant d’avoir défini ce qu’il faut gouverner revient à déplacer le problème.

Qu’est-ce que le Master Data Management ?

Le Master Data Management, ou MDM, désigne les pratiques et technologies permettant de gérer de manière cohérente certaines données de référence partagées par plusieurs systèmes.

Il peut notamment concerner :

• les clients ;
• les produits ;
• les fournisseurs ;
• les collaborateurs ;
• les sites ;
• les entités juridiques.

L’objectif est de disposer d’une représentation suffisamment fiable et partagée de ces entités.

Le MDM devient particulièrement utile lorsque plusieurs applications créent ou utilisent simultanément les mêmes données.

Il constitue néanmoins un chantier plus spécifique que la gouvernance des données dans son ensemble.

Un audit peut révéler un besoin de MDM sans que digitalie_ ait à présupposer cette solution dès le départ.

Pourquoi la qualité des données est-elle essentielle pour l’IA ?

L’intelligence artificielle augmente fortement la capacité d’une entreprise à exploiter de grandes quantités d’informations.

Elle augmente donc également les conséquences potentielles de données de mauvaise qualité.

Un système peut produire une analyse, une recommandation ou une réponse très rapidement.

Si ses données sont obsolètes, incohérentes ou mal définies, il peut produire un résultat tout aussi rapidement incorrect.

C’est particulièrement important pour les projets utilisant des données internes.

Avant de déployer une IA, plusieurs questions doivent être posées :

Quelles données utilisera-t-elle ?

D’où viennent-elles ?

Sont-elles suffisamment fiables ?

Qui en est responsable ?

À quelle fréquence sont-elles mises à jour ?

Le système est-il autorisé à les utiliser ?

Il n’est cependant pas nécessaire d’attendre que toutes les données de l’entreprise soient parfaites pour commencer un projet IA.

Il faut surtout que les données nécessaires au cas d’usage soient suffisamment maîtrisées.

Faut-il avoir une stratégie data avant de lancer un projet IA ?

Pas nécessairement.

Une stratégie Data globale peut être pertinente dans les organisations complexes.

Mais de nombreux projets IA peuvent commencer à partir d’un périmètre beaucoup plus ciblé.

Le bon raisonnement consiste à partir du cas d’usage :

Quel problème voulons-nous résoudre ?

Quelles données sont nécessaires ?

Dans quel état sont-elles ?

Quels écarts doivent être corrigés ?

Cette approche évite de transformer chaque projet IA en programme de transformation data de plusieurs années.

À l’inverse, lorsque plusieurs cas d’usage rencontrent constamment les mêmes problèmes de disponibilité ou de qualité, cela peut révéler un besoin plus structurel de gouvernance.

Les projets IA peuvent donc autant dépendre de la gouvernance data qu’aider à révéler où elle devient nécessaire.

Quelle différence entre gouvernance des données et stratégie data ?

La stratégie data définit la manière dont l’entreprise souhaite utiliser ses données pour atteindre ses objectifs.

Elle peut couvrir la valeur attendue, les cas d’usage, les technologies, l’organisation et les compétences.

La gouvernance des données constitue l’un des moyens nécessaires pour rendre cette stratégie possible.

Elle structure les responsabilités, règles, définitions et processus permettant aux données d’être fiables et correctement utilisées.

On peut résumer la différence ainsi :

La stratégie Data répond à : « que voulons-nous faire de nos données ? »

La gouvernance répond à : « comment nous assurer qu’elles restent utilisables et maîtrisées ? »

Gouvernance des données et RGPD : est-ce la même chose ?

Non.

Le RGPD concerne la protection des données personnelles.

La gouvernance des données couvre un périmètre beaucoup plus large qui peut inclure des données clients, produits, financières, opérationnelles ou techniques.

Certaines données entrent évidemment dans le champ du RGPD.

Dans ce cas, les responsabilités relatives à leur qualité et leur utilisation doivent être cohérentes avec les règles applicables en matière de protection des données.

Mais réaliser un audit de gouvernance Data ne constitue pas un audit juridique de conformité RGPD.

digitalie_ intervient principalement sur les usages, responsabilités, processus et conditions nécessaires pour rendre la donnée exploitable.

Les sujets nécessitant une analyse juridique ou sécurité spécialisée doivent être traités par les expertises correspondantes.

Data Lake, Data Warehouse, Data Mesh : faut-il revoir son architecture ?

Pas nécessairement.

Ces concepts peuvent être pertinents selon la taille de l’entreprise, les volumes de données, les usages et l’architecture existante.

Mais l’Audit qualité & gouvernance des données digitalie_ n’est pas un audit d’architecture Data.

Il ne cherche pas à déterminer si l’entreprise doit adopter un Data Lake, un Data Warehouse, un Lakehouse ou un Data Mesh.

Ces choix nécessitent des compétences d’architecture spécifiques.

Le diagnostic digitalie_ intervient en amont :

quelles données sont nécessaires, où se trouvent les problèmes, qui en est responsable et quelles priorités doivent être traitées ?

Lorsqu’un problème d’architecture apparaît comme déterminant, celui-ci peut ensuite être confié aux experts techniques compétents.

Cette frontière est importante : elle permet de rester centré sur le besoin métier plutôt que de transformer systématiquement un problème de données en projet d’infrastructure.

Comment améliorer la qualité des données ?

La réponse dépend de la cause.

Corriger les données existantes

Un nettoyage peut être nécessaire pour supprimer des doublons, corriger des anomalies ou compléter certaines informations.

Corriger le processus de création

Si les mauvaises données continuent à être générées, nettoyer régulièrement la base ne résoudra pas durablement le problème.

Normaliser certaines règles

Formats, nomenclatures, définitions et règles de saisie peuvent être harmonisés.

Clarifier les responsabilités

Une personne ou une fonction doit pouvoir décider lorsqu’un problème concerne une donnée importante.

Automatiser certains contrôles

Des règles peuvent détecter automatiquement des anomalies ou empêcher certaines saisies incohérentes.

Améliorer les intégrations

Une partie des erreurs peut provenir de transferts manuels entre plusieurs systèmes.

Former les utilisateurs

Lorsque la qualité dépend des pratiques de saisie, il est nécessaire que les collaborateurs comprennent l’impact réel des informations qu’ils renseignent.

Améliorer la qualité des données nécessite donc autant de travailler sur les processus et les responsabilités que sur la donnée elle-même.

Comment mesurer la qualité des données ?

La qualité peut être suivie à partir d’indicateurs adaptés aux données concernées.

Par exemple :

• taux de complétude ;
• taux de doublons ;
• taux d’erreur ;
• fraîcheur des données ;
• cohérence entre plusieurs systèmes ;
• pourcentage d’enregistrements respectant certaines règles ;
• nombre d’anomalies détectées ;
• délai de résolution.

Les indicateurs doivent cependant rester directement liés à l’usage.

Atteindre 99 % de complétude n’est pas intéressant si les champs complétés ne servent à aucune décision.

À l’inverse, une seule donnée manquante peut devenir critique si elle conditionne une opération importante.

Mesurer la qualité consiste donc à suivre ce qui influence réellement la capacité à utiliser la donnée.

Comment prioriser les chantiers de qualité et de gouvernance Data ?

Les problèmes de données peuvent être nombreux.

Il est rarement pertinent de chercher à tous les corriger simultanément.

digitalie_ priorise notamment selon :

l’importance de la donnée,
le nombre d’usages concernés,
l’impact du problème,
sa fréquence,
le niveau de risque,
l’effort nécessaire pour le corriger.

Une donnée client utilisée quotidiennement par le marketing, le commerce, le support et la finance mérite par exemple davantage d’attention qu’un champ rarement exploité.

Un problème bloquant un futur cas d’usage IA peut également devenir prioritaire.

Cette approche permet de construire une roadmap réaliste.

La bonne gouvernance ne commence pas par vouloir maîtriser toutes les données. Elle commence par maîtriser celles dont l’entreprise dépend réellement.

Comment passer de l’audit à une gouvernance des données opérationnelle ?

Le diagnostic doit déboucher sur des responsabilités et des actions concrètes.

Les premières étapes peuvent consister à :

• définir les données prioritaires ;
• nommer leurs responsables ;
• clarifier les sources de référence ;
• harmoniser certaines définitions ;
• mettre en place quelques contrôles de qualité ;
• corriger certains processus de saisie ;
• améliorer l’accès à certaines données ;
• documenter les règles essentielles.

Selon la maturité de l’organisation, cette première gouvernance peut être relativement légère.

Elle pourra ensuite se renforcer lorsque les usages data se développent.

digitalie_ peut accompagner le cadrage de cette gouvernance et coordonner les métiers, équipes Data, DSI et partenaires nécessaires à sa mise en œuvre.

La gouvernance Data doit commencer suffisamment petite pour être appliquée, puis évoluer avec les usages.

Questions fréquentes sur la qualité et la gouvernance des données

Qu’est-ce que la gouvernance des données ?

La gouvernance des données désigne l’ensemble des responsabilités, règles et processus permettant à une organisation de gérer ses données de manière cohérente. Elle permet notamment de savoir qui est responsable d’une donnée, quelle source fait référence et comment sa qualité et son utilisation sont contrôlées.

Qu’est-ce que la qualité des données ?

La qualité des données correspond à leur capacité à être utilisées correctement pour un objectif donné. Elle peut être évaluée selon plusieurs critères comme l’exactitude, la complétude, la cohérence, l’unicité, l’actualité ou la disponibilité.

Pourquoi la qualité des données est-elle importante ?

Des données de mauvaise qualité peuvent produire des erreurs de reporting, compliquer les opérations, dégrader le CRM, limiter les automatisations et réduire la fiabilité des projets d’intelligence artificielle. Leur impact dépend principalement des usages auxquels elles sont destinées.

Comment améliorer la qualité des données ?

Il faut identifier la cause des anomalies avant de les corriger : saisie, processus, intégration, définition ou responsabilité. Les actions peuvent ensuite combiner nettoyage, normalisation, automatisation des contrôles et évolution des processus qui génèrent la donnée.

Qui est responsable de la qualité des données ?

La responsabilité est généralement partagée entre les métiers, qui connaissent la signification et l’usage des données, et les équipes Data ou DSI, qui gèrent les systèmes et traitements. L’important est que les responsabilités soient explicitement attribuées pour les données critiques.

Qu’est-ce qu’un Data Owner ?

Un Data Owner est généralement le responsable métier d’un domaine de données. Il contribue à définir les règles, les usages et les niveaux de qualité attendus. Le rôle exact doit être adapté à l’organisation plutôt qu’appliqué mécaniquement.

Quelle différence entre Data Governance et Data Quality ?

La Data Quality désigne la qualité des données elles-mêmes. La Data Governance organise les responsabilités et règles permettant de créer, utiliser et maintenir ces données correctement dans le temps. La qualité constitue donc l’un des principaux sujets de la gouvernance.

Pourquoi la gouvernance Data est-elle importante pour l’intelligence artificielle ?

De nombreux cas d’usage IA dépendent de données ou documents internes. Une gouvernance insuffisante peut rendre ces données difficiles à trouver, peu fiables ou mal définies. Il est donc nécessaire de vérifier que les données nécessaires au cas d’usage sont suffisamment accessibles et maîtrisées avant de les utiliser.

Faut-il nettoyer toutes ses données avant de lancer un projet IA ?

Non. Il faut d’abord identifier les données réellement nécessaires au cas d’usage. L’objectif est de disposer d’un niveau de qualité suffisant sur ce périmètre plutôt que d’attendre que toutes les données de l’entreprise soient parfaites.

L’audit digitalie_ est-il un audit technique de l’architecture Data ?

Non. L’audit se concentre sur la qualité, les usages, les responsabilités, l’accès et la gouvernance. Lorsqu’une problématique d’architecture, de sécurité ou d’infrastructure nécessite une expertise spécialisée, celle-ci est identifiée comme un chantier distinct.

Combien de temps dure l’Audit qualité & gouvernance des données ?

L’audit digitalie_ représente 4 jours d’intervention. Le périmètre est concentré sur les données et usages prioritaires afin de produire des conclusions directement exploitables.

Combien coûte un audit de gouvernance des données ?

L’Audit qualité & gouvernance des données digitalie_ est proposé à partir de 2 900 € HT. Le périmètre dépend notamment du nombre de domaines de données, des outils concernés, des équipes impliquées et de la complexité des usages à analyser.

Pourquoi choisir digitalie_ pour auditer la qualité et la gouvernance de vos données ?

digitalie_ aborde la donnée à partir de ses usages.

L’objectif n’est pas de construire une gouvernance théorique, ni de recommander immédiatement une nouvelle architecture ou une nouvelle plateforme.

Nous cherchons d’abord à comprendre :

quelles données comptent réellement, qui les utilise, où se situent les problèmes et ce qui empêche aujourd’hui d’en tirer davantage de valeur.

Cette lecture permet de relier les enjeux Data aux projets qui en dépendent : CRM, reporting, automatisation, expérience client ou intelligence artificielle.

digitalie_ intervient à l’interface entre métiers, Data, DSI et partenaires afin de transformer les constats en responsabilités et priorités suffisamment claires pour être exécutées.

La donnée n’a pas besoin d’être parfaite. Elle doit être suffisamment fiable, accessible et gouvernée pour permettre à l’entreprise d’en faire quelque chose.