Qualité des données décisionnelles

Mise à jour le 30 aout 2022 Par Alain Fernandez

L'importance de la qualité des données collectées n'est plus à démontrer. Avec la croissance exponentielle du nombre de données générées, collectées, stockées, analysées et échangées, la question de la qualité des données est toujours plus sensible.

2. La Méthode
4. À Lire

1. Données du Projet BI
3. Articles du dossier

La gestion qualité des données est au coeur du projet BI

S'il est en effet désormais techniquement possible de stocker et de traiter d'incommensurables masses de données, il serait plutôt dommageable de se risquer à prendre des décisions en se fiant à des données erronées.

Mais comment estimer la réussite d'un projet Business Intelligence si ce n'est en évaluant l'apport au processus de décision global de l'organisation ?

Avez-vous déjà essayer de décider, de vous engager, de prendre des risques en vous fondant exclusivement sur des informations plus que douteuses ?

La gestion de la qualité des données est bien le pilier central ou la clé de voûte, pour rester dans les métaphores architecturales, du projet de Business Intelligence.

GIGO : Garbage In, Garbage Out, dit-on. Autrement dit, si l'on rentre dans le système des données, loin d'être nickel, il ne faudra pas être surpris du résultat obtenu.

Toutes les données ne sont pas logées à la même enseigne

Plusieurs statistiques relèvent que bien des données de l'entreprise, aussi essentielles que les références clients ou les données produits, sont truffées d'erreur.

La vérification et la mise en conformité des données est une opération longue et particulièrement coûteuse (même si le coût de ces travaux sera toujours inférieur au coÙt de correction des erreurs induites par des données erronées).

Aussi faut-il la réserver aux données essentielles, et admettre un certain pourcentage d'erreurs pour des données moins importantes qui ne perturberont pas les processus de l'entreprise, qu'ils soient de production, administratifs ou décisionnels.

Par exemple, quelques erreurs de comptage des visites d'un site en ligne ne sont pas un drame. Noyées dans la masse des données collectées, elles ne fausseront pas les statistiques. Rien à voir en tout cas avec une erreur au niveau de la prise de commande (référence, localisation stocks, disponibilité, coordonnées clients, tarifs...)

Une erreur de 0,1% sur les 500.000 clics de visiteurs clients de la journée représente : 500 clics erronés. C'est statistiquement insignifiant.
Une erreur de 0,1% sur les 50.000 fiches clients de la société : 50 fiches erronées. Ce peut être particulièrement grave.

Comment définir la qualité des données décisionnelles ?

La qualité des données peut être simplement définie selon les cinq caractéristiques suivantes :

1. Accessible
Une donnée de qualité doit être présente dans le système d'information et accessible par les processus et utilisateurs qui l’utilisent.
2. Valide
La donnée ne porte pas une valeur aberrante, elle se maintient dans la plage des valeurs acceptables.
3. Consistante
Si la donnée est redondante et présente en plusieurs endroits à la fois, elle porte toujours la même valeur à un instant donné.
4. Précise
Elle est jugée suffisamment précise pour l’usage que l’on en attend.
5. Utile
Elle répond parfaitement au besoin et à l’usage que l’on en attend.

Ce sont les axes à suivre pour accéder à une meilleure qualité des données.

Ressources web

ISO 24143:2022 Information et documentation — Gouvernance de l’information — Concept et principes
Cette norme (12 pages) établit les concepts et principes relatifs à la gouvernance de l'information.
Cette normalisation préconise un travail coopératif. Cela dit, comment faire autrement ?
Sans décloisonner, il sera difficile d'assurer l'indispensable gouvernance de l'information. C'est une évidence qui méritait d'être confirmée par un texte officiel qui encourage les travaux multidisciplinaires.

Tous les articles du dossier "Qualité des Données"

Gouvernance des données

La gouvernance des données, une compétence transversale orientée BI en charge de la gestion de la qualité des données.

Collecte des données : ETL Extract Transform load

La collecte et la gestion des données sont des phases clés du projet de Business Intelligence. Il s'agit de collecter et de mettre forme les données de production afin de les rendre disponibles pour un usage décisionnel.

MDM Master Data Management, Gestion des données de référence

Toutes les données de l'entreprise ne sont pas équivalentes en importance. On ne traite pas de la même manière un vague clic sur le produit d'une boutique en ligne et une donnée comptable capitale.

Le référentiel de métadonnées "Meta Data"

Le référentiel de Meta données est un point clé du système d'informations décisionnel. Spécification des metadata CWM Common Warehouse Metamodel...

L’auteur

Alain Fernandez est un spécialiste de la mesure de la performance, de l’aide à la décision et de la conception de tableaux de bord de pilotage. Au fil de ces vingt dernières années, il a conduit de nombreux projets de réalisation de système décisionnel en France et à l'International. Il est l'auteur de plusieurs livres publiés aux Éditions Eyrolles consacrés à ce thème, vendus à plusieurs dizaines de milliers d'exemplaires et régulièrement réédités.

Me suivre sur LinkedIn

À ce sujet, voir aussi

Évaluer la pertinence des documents
Il n'est pas aisé de juger à l'estime la pertinence des documents collectés. C'est là la principale difficulté de la recherche documentaire : je garde ou je jette ?