Dire qu'une mauvaise qualité de données va fortement impacter la rentabilité de l'entreprise devrait être un lieu commun. Quelques exemples suffisent pour s'en convaincre. En finance, des données incorrectes peuvent exposer les organismes bancaires à des risques importants envers les entreprises (difficilement acceptable dans le cadre des accords de Bâle II.). En marketing, une campagne manquera sa cible si les informations clients sont inappropriées. En gestion, une erreur de ratios financiers risque d'entraîner une sur-capitalisation des fonds propres de l'entreprise. En logistique, il sera difficile de suivre l'état de réalisation d'une commande si les caractéristiques du produit sont mal renseignées...

Pourtant, cette problématique de qualité des données reste souvent négligée. Il faut dire qu'entre les applications propriétaires, les ERP et les fichiers plats, de multiples sources d'informations coexistent au sein d'une entreprise, alors que les volumes à traiter deviennent de plus en plus importants ! Dans ce contexte, comment s'assurer d'une qualité de données irréprochable et exploiter correctement les applications stratégiques ?

Périmètre d'évaluation de la qualité des données

La nécessité de méthodes globales et dédiées

Erreurs de saisies, absence de référentiel unique (client, produits, etc.) ou de standard, manque de traçabilité. Pour pallier ces problèmes, les entreprises en restent souvent à des méthodes empiriques et récursives, là où de véritables méthodes globales devraient être appliquées. Ces méthodes demandent d'implémenter les composantes qualité de données au cour-même des architectures techniques des applications, d'utiliser des outils logiciels dédiés et d'améliorer les procédures. Autant de facteurs de succès qui impliquent de définir un modèle de données et des procédures de traitement.

> Jean-Marie Demoulian Directeur d'agence
Business & Decision