Mercri d'activer JavaScript L’importance de la qualité des données en entreprise

L’importance de la qualité des données en entreprise

Les sources de données et la qualité des données

Moteur de la relation client, de la stratégie commerciale et de l’efficacité marketing, l’importance de la donnée en entreprise est aujourd’hui unanimement reconnue en BtoC comme en BtoB. L’investissement dans les solutions de gestion des données et de pilotage est une évidence pour un grand nombre de sociétés. Pourtant, la qualité des données qu’elles y intègrent traîne encore à devenir une priorité.

> Comment capitaliser efficacement sur des données incomplètes, imprécises voire inaccessibles ?

La valeur de la data dépend avant tout de sa qualité ! La gestion de cette « Data Quality » se retrouve ainsi régulièrement aux cœurs des problématiques d’entreprises. Ce processus continu doit commencer dès la création de la donnée au sein de l’organisation et être suivi jusqu’à son analyse et son interprétation. Un enjeu majeur quand on sait qu’une fois stockées, croisées et analysées, les données de qualité apportent une très haute valeur ajoutée dans le processus d’aide à la décision à tous les niveaux de l’entreprise.





Qu'est ce qu'une donnée de qualité ?

PARTIE I


Qu'est ce qu'une donnée de qualité ?

Avant de rentrer dans le vif du sujet, il semble nécessaire de définir ce qu’est réellement une donnée dite de « qualité ».  Selon Axysweb, la qualité des données couvre plusieurs dimensions : la complétion, la cohérence, la validité, l’actualisation, la disponibilité et la traçabilité.

Une donnée de qualité est tout d’abord une donnée complète, précise et cohérente :

> Dispose-t-on de l’intégralité des informations nécessaires sur un prospect, un client, un fournisseur pour pouvoir interagir efficacement avec lui ?
> Ces données sont-elles précises, reflètent-elles la réalité ?
> Les informations sont-elles toutes centralisées sous un même profil ?
> Si l’information est stockée à plusieurs emplacements, est-elle cohérente partout ?
> Il y a-t-il des « blancs » dans mes fichiers ? Attention aux données complètes mais incorrectes…

 

Deuxième caractéristique d’une donnée qualifiée : sa validité. Une donnée de qualité est une donnée sans erreur, exempte de fautes de frappe ou de syntaxe dans les noms, les numéros, les adresses stockées etc… La standardisation permet l’unifications des données et joue en faveur de leur validité. L’organisation doit se fixer un référentiel à suivre : exemple, elle décide d’utiliser uniquement les adresses complètes et non les abréviations « Avenue » au lieu de « Av. ».

 

Pour être créatrices de valeur, les données doivent absolument être récentes. Un enjeu important puisque la valeur des données qu’une entreprise détient diminue au fil du temps. CA, effectif, prix des produits, etc… : les informations constituant la donnée évoluent très rapidement. Des données de qualité impliquent un nettoyage et une mise à jour régulière, au risque de devenir obsolètes et d’avoir un impact négatif sur la stratégie de l’entreprise.

 

Autre point primordial : la disponibilité des données. Sont-elles accessibles et utilisables rapidement par vos collaborateurs ? Sont-elles stockées au bon endroit, au bon format ? Combien de temps un service met-il pour trouver l’information nécessaire à son activité ?

 

Enfin, instaurer une traçabilité des données en entreprise est également un facteur de la qualité. Les utilisateurs doivent pouvoir s’assurer de la provenance des données qu’ils utilisent au quotidien dans leurs activités, au risque de se retrouver avec des données inutilisables par la suite.

La Data Quality correspond ainsi à la capacité des entreprises à maintenir la pérennité de leurs données en les gardant complètes, cohérentes, actualisées et disponibles dans le cadre d’opérations commerciales, marketing, RH et autres…



Qualité des données : quels apports pour l'entreprise ?

PARTIE II


Les données sont devenues le carburant de la plupart des services et activités des entreprises. Assurer la qualité des données, c’est favoriser des actions de vente et de fidélisation efficaces. Des données qualifiées permettent également d’optimiser l’impact des campagnes marketing et RH, de consolider l’administratif. Globalement, elles représentent une grosse valeur ajoutée pour l’entreprise.

 

Icone "Vendre plus efficacement"   Vendre plus efficacement

 

Les données collectées, qualifiées, stockées puis analysées par une entreprise lui permettent d’engendrer davantage d’opportunités commerciales et de se distinguer de la concurrence. Mieux l’entreprise connait ses prospects, mieux les équipes commerciales pourront adapter leurs discours et vendre efficacement. La qualité de l’information est déterminante pour garantir un ciblage précis, segmenter les prospects et se baser sur des indicateurs réels et pertinents.

 

 Icone "Optimiser la relation client"   Optimiser la relation client

 

« De la qualité des données naît la qualité de la relation client ». Les entreprises utilisant des données valides et mises à jour pourront tirer des informations clés sur leurs clients, afin d’engager avec chacun d'entre eux des relations pérennes.

Entre autres, une connaissance pointue du client permettra de mettre en place avec lui des échanges personnalisés, et donc de créer des liens plus solides.

Les données qualifiées éviteront également les erreurs dommageables : non réception d’un courrier à cause de mauvaises coordonnées, réitération des demandes d‘informations au client etc… Ces erreurs sont sources de frustration et dégradent la relation client.

 

Icone "Enrichir l'expérience client"   Enrichir l’expérience client

 

Bénéficier d’une donnée de qualité permet d’individualiser au maximum l’expérience client en personnalisant les messages, les offres et en apportant des réponses différenciantes. Mieux vous connaîtrez votre client, mieux vous arriverez à le satisfaire en vous rapprochant de ses attentes : c’est là que vous enrichirez l’expérience client. Parallèlement des données pertinentes sur votre client vous permettrons de susciter sa confiance et de créer avec lui un sentiment de proximité.

 

Icone "Éviter les erreurs"   Eviter des pertes & erreurs dommageables

 

Coût, perte de temps, mauvaise image de marque… Concrètement, quelles erreurs dommageables peuvent faire éviter des données de qualité ?

Premièrement, la qualité des données a un impact financier direct pour l’entreprise. Plus la donnée prend de l’importance au sein d’une entreprise, plus le coût de la non qualité de cette donnée augmente et devient un risque. Le coût de non qualité peut être direct, ou observé à plus long termes mais tout aussi important.

La non qualité des données induit forcement des pertes de temps et de productivité pour une entreprise. Un collaborateur qui perd du temps à s’assurer de la validité d’une information n’est pas productif sur ses activités principales, créatrices de valeur pour l’entreprise.

Plus globalement, la non qualité des données touche également l’image de l’entreprise. Une mauvaise qualité des données impacte forcément la qualité des actions de vente, de communication, de relation client, les décisions de l’entreprise…

De manière générale, la non qualité des données pénalise la fluidité des interactions, la productivité et la compétitivité de l’entreprise. Une démarche de qualification des données permet de réduire plusieurs dépenses non-pertinentes.

 

Icone "Agir et décider efficacement   Agir et décider de manière éclairée

 

Les entreprises utilisant des données de qualité vont pouvoir instaurer un management du risque. Ces entreprises seront plus réactives face aux évolutions de leur marché. Elles pourront agir rapidement en cas de menaces identifiées et donc éviter les grosses erreurs stratégiques.

Parallèlement, disposer de données de qualité favorise la prise de décision intelligente et orientée. Les actions mises en place sont plus efficaces si elles s’appuient sur des données valides.

Sans Data Quality, les décisionnaires sont amenés à mener des stratégies basées sur des informations peut être erronées, plus à jour et donc induisant un ROI moindre.



Instaurer la qualité des données en entreprise

PARTIE III


Qualité des données : une affaire collective   Qualité des données : Une affaire collective

 

Sous l’impulsion de la Direction & la DSI, la mise en place d’une stratégie Data Quality doit se faire à tous les niveaux hiérarchiques. C’est une partie intégrante de la culture de l’entreprise, l’ensemble des équipes doit ainsi y être sensibilisé.

En très grande partie, ce sont les erreurs humaines qui sont à l’origines des données incorrectes : fautes de frappe, d’orthographe etc… Il est donc primordial d’impliquer ceux qui saisissent et manipulent les données au quotidien afin qu’ils participent au maintien de leur qualité.

Les collaborateurs doivent comprendre l’importance de la démarche et surtout les avantages pour eux :

> Une réduction des pertes de temps inutiles et agaçantes
> Une limitation des re-saisies correctives
> Une meilleure productivité de tous les services : commercial, marketing, comptabilité, logistique…

 

Une DSI proche des métiers   Qualité des données : une DSI proche des métiers

 

Pour mettre en œuvre une stratégie basée sur la qualité des données, il est nécessaire que la Direction du Système d’Information travaille en étroite collaboration avec les métiers.

Cela s’applique surtout pour les Entreprises de Taille Intermédiaire qui n’ont pas forcement débloqué des postes dédiés tel que « Chief Data Officer ». Dans cette typologie d’entreprise, c’est généralement au service informatique de porter la stratégie Data Quality.

En s’appuyant sur l’expertise métier des différents services, la DSI va devoir proposer les solutions techniques les plus pertinentes et les mettre en œuvre. Cette dernière a pour mission d’aider l’entreprise à créer de la valeur à partir de données de qualité.

 

Définir un modèle de gouvernance des données   Qualité des données : Définir un modèle de gouvernance des données

 

Pour conserver des données de qualité au sein de l’entreprise, il est nécessaire d’instaurer un modèle de gouvernance des données. Ce modèle doit définir l’ensemble des procédures de traitement des données entrantes :

> Comment les données sont-elles traitées ?
> Comment les données sont-elles nettoyées puis saisies ?
> Comment les données sont-elles gérées en interne ?
> Qui a accès à quelles données ? Etc...

En bref, le modèle de gouvernance doit définir les mécanismes nécessaires au bon usage de la donnée au sein de la société. Définir un modèle de gouvernance des données permet ainsi un gain de temps et des retombées positives sur le moyen et long terme.

 

Se doter d’outils spécialisés   Qualité des données : les bons outils

 

De très nombreuses solutions existent sur le marché et facilitent la mise en qualité des données en entreprise.

Ces dernières utilisent des interfaces modernes et intuitives, permettant d’automatiser les tâches liées à la mise en qualité des données. Ces solutions sont capables de reconnaître les données invalides, mais également de guider les utilisateurs vers les actions de correction nécessaires.

Certains grands acteurs ont déjà fait leurs preuves sur ce marché. C’est notamment le cas de Talend et son produit Talend Data Quality dont Axysweb vous parle aujourd’hui.


    Focus sur Talend Data Quality

 

Talend Data Quality est une solution permettant d’effectuer de nombreuses actions autour de la qualité des données en entreprise. Elle intervient en amont des projets, avant l’exploitation des données en entreprise.

Talend Data Quality permet d’évaluer très rapidement la qualité des données d’une entreprise et d’en mesurer la conformité par rapport à des seuils et normes personnalisés.

Cette solution propose des fonctionnalités telles que le profilage, le nettoyage ou encore le masquage de données de tout format. Elle est également en capacité de traiter de gros volumes de données. Voici une liste non exhaustive des actions pouvant être réalisées via Talend Data Quality :

> Profilage des données
> Inspection des données : Relève des erreurs, incohérences, champs vides etc…
> Vérification et suppression des doublons
> Définition de règles de nettoyage, de normalisation, de consolidation etc…
> Standardisation des donnée : maintenir des valeurs cohérentes
> Enrichissement de la base de données avec des informations légales, comportementales, économiques ou liées à l’actualité...