Data Quality: piloter la création de valeur

par la donnée _

Les projets et programmes des entreprises ont évolué, leurs initiatives présentent une dépendance forte à une donnée de qualité, elles requièrent à ce titre une opérationnalisation de la gestion de la qualité de données.


Pour que la valeur de ces initiatives soit au rendez-vous et puisse répondre à des impératifs d’innovation disruptive et/ou d’amélioration, le CDO est aujourd’hui plus que jamais contraint à la domestication du caractère pervasif de la donnée en pilotant la performance de sa qualité.


Comment la Data Quality permet-elle de piloter la création de valeur par la donnée ? Lisez notre article ci-dessous

Les projets et programmes de l’entreprise ont évolué vers des initiatives dont les attentes (amélioration revenue, connaissance client, nouveaux business model, transformation digitale, conformité réglementaire …) dépendent d’une donnée de qualité, unifiée et perpétuellement réutilisable en dehors (et contrairement à celui) de son contexte de production initiale (i.e les processus & système d’information opérationnels et/ou décisionnels).


L’entreprise « data centric » ne peut plus se contenter d’une perspective de remédiation de la donnée pour résoudre l’impact métier d’un problème de qualité de donnée, l’usage « techno-centric » des technologies de qualité de données (parsing, data standardization, data profiling, data preparation, matching, master data management, identity resolution…) ne suffit plus pour répondre aux attentes de ce type d’initiative.


Vers une industrialisation de l’usage de l’information

Souvent éloignées de la sophistication et de la complexité technologique des systèmes d’information, ces attentes pragmatiques et focalisées sur la capture de la valeur métiers (finance, productivité, confiance, risque …), requièrent désormais un cadre d’usage des technologies de qualité de données déterminé par des objectifs de performance (résolution d’impact et amélioration métiers), des métriques (i.e métrique de la dimension « lineage » ) et des KPI de qualité de données (fiabilité, disponibilité, conformité des données, aux politiques internes/externes…).


Ce cadre introduit une perspective de performance de la qualité de la donnée associée à son usage et à sa réutilisation par tous les domaines, il requiert une organisation, des processus, des technologies de qualité de données mais également une formulation stratégique et un pilotage de la qualité des données permettant d’instancier ces initiatives : la gouvernance de donnée.


Cette course (ou ce rattrapage) à l’industrialisation par l’usage de la donnée, sous différentes dénominations (transformation digitale, automatisation …), ne saurait s’effectuer sans adresser le changement culturel associé à ces attentes.


La gouvernance de données, le premier client de la qualité de données


Les initiatives d’entreprise s’appuyant sur ce cadre sont désormais en mesure d’instancier une gouvernance de données caractérisée par des politiques de données, une supervision de la conformité des données à ces politiques ainsi que des procédures de remédiation assurant la production d’une donnée de qualité au périmètre de ces initiatives.


Techniquement, il s’agira de fournir des règles et des procédures à destination des applications du SI mais également implantable dans le cycle de vie de la donnée à travers différentes fonctions de gestion de la donnée disponible dans l’organisation (Data Architecture, Analytics, Business Intelligence …).


La responsabilité du CDO


A travers la désignation du rôle de Chief Data Officer, l’entreprise semble de manière générale reconnaitre une forme de dépendance à l’usage de l’information, une dépendance qui lui vaut de prendre parti pour une donnée de qualité, prête à l’usage (cohérence, précision, disponibilité …) pour des contextes au périmètre variable (planification d’entreprise, pilotage de la performance, innovation, conformité réglementaire, risques…) différents de ceux envisagés historiquement pour automatiser l’exécution et l’analyse de ses processus (i.e le SI opérationnel et décisionnel).


En plus des exigences de maintien en conditions opérationnelles (administration, stockage…), les exigences de réutilisation de l’information et les politiques internes/externes de l’environnement (digital, cybersécurité, conformité réglementaire …), désormais perpétuelles et en accélération, poussent l’entreprise à désigner un responsable de la donnée (mais également de son usage) sur tout ou partie de son organisation.


Initiatives d’entreprises et change management


Quel que soit le périmètre de cette responsabilité, elle semble systématiquement mise en perspective et impliquée dans le pilotage d’initiatives d’entreprise et/ou le changement culturel associés à l’usage de la donnée.


Figure 1 : Initiatives d’entreprise associées à l’usage de la donnée


Ces initiatives d’entreprises (nouvel ERP, migration cloud, cybersécurité …) associent différentes activités et technologies de gestion de données (Big Data, Analytics, Data Quality, Data Science, Data Architecture, Data Security, Master Data Management…) afin de permettre la conception, production, maintenance et amélioration de solutions répondant à leur besoins et contextes respectifs.


Le changement culturel permet à l’entreprise d’envisager une approche stratégique dans son usage de la donnée, un usage complétement indépendant de celui fait et/ou envisagé par les systèmes et applications disponibles. En effet l’effet démultiplicateur de scénario business (e.g propositions d’amélioration de processus, nouveaux processus, partenariat …) associés à l’usage de la donnée peut rendre nécessaire l’accompagnement de l’organisation à différents niveaux (métiers, opérationnelles, centrales …)  afin de cadrer :


● le rôle de la donnée dans l’entreprise,

● les formes de collaboration associées à l’usage de la donnée,

● les formes d’usage de la donnée par la technologie pour créer et améliorer des processus 


Que ce soit pour qualifier un scénario de valeur et/ou pour l’implémentation de sa solution, force est de constater que ces initiatives sont conditionnées à l’usage d’une donnée de qualité et que l’on ne pourrait limiter la production et la gestion de ce « type de produit » à l’usage exclusif d’outils et techniques de data quality (Parsing, Standardization, Data Profiling, Matching … ).


En considérant une donnée de qualité comme un produit, le CDO s’autorise une perspective de réutilisation sur ce que finalement l’entreprise maîtrise le mieux à savoir l’association d’une organisation, de processus et de technologies (People – Process – Technology) dans la production de ce type d’ouvrage.


Conclusion

La gestion de la qualité de données désormais envisagée comme un usage de technologies, une organisation et des processus, donne la possibilité au CDO de sculpter, mesurer et maintenir la conformité de la donnée associé à un usage (transactionnel/opérationnel et/ou organisationnel) mais également de domestiquer le caractère pervasif de la donnée.


En introduisant un mode d’opérationnalisation de la qualité de donnée (processus de data quality et data governance), les parties prenantes métiers collaborent, utilisent mais également fournissent des perspectives d’amélioration métier associées à l’usage de la donnée par leur processus. Dans le cas de nos deux types d’initiatives, cela devrait permettre à la fois d’établir une capacité de pilotage de la performance de la qualité de la donnée et mais également d’évaluer le changement culturel associé à son usage.

Ressources
Ressources

Data

Tout comprendre sur le Data Catalog

Découvrir
Tout comprendre sur le Data Catalog
Tout comprendre sur le Data Catalog

Découvrir également

Logo Data
Data Management

Innover face à une donnée de meilleure qualité .

Data Management

Retour d'expérience
Retour d'expérience
Data Management
2 minutes
Digitalisation et diffusion de la culture Data
Retour d'expérience  _