La gestion de la qualité des données (ou Data Quality Management, DQM) devient une préoccupation croissante des directions des systèmes d’information. Initialement issue d’un besoin de mise en conformité des résultats des banques et des organismes financiers, la gestion de la qualité des données s’étend peu à peu à toutes les fonctions opérationnelles des entreprises des différents secteurs économiques.
En effet, ces dernières ont pris conscience que leur efficacité et leur compétitivité dépendent largement de la valeur et de la qualité des informations qu’elles gèrent. Toutefois, un investissement massif dans des solutions logicielles ne suffit plus. Désormais, il leur faut s’intéresser également au contenu. Selon la société d’études spécialisée The Data Warehousing Institute, la mauvaise qualité des données coûterait aux entreprises américaines plus de 600 milliards de dollars chaque année.

Qu’est-ce que la qualité des données ?

Dans l’industrie, la qualité d’un produit est correctement appréciée en comparant ses effets aux attentes des clients.
Un produit ou service répondant parfaitement aux besoins des clients est donc réputé de grande qualité. Il en est de même pour les données : une donnée est de qualité si elle répond parfaitement aux besoins des utilisateurs de cette donnée.
Si la justesse est une des conditions évidemment nécessaires à la définition d’une donnée de qualité, d’autres caractéristiques doivent également être prises en compte. Comme l’indique le tableau suivant, les données peuvent être appréciées en fonction de leur contenu, leur accessibilité, leur flexibilité, et leur sécurité.

En termes de couverture fonctionnelle, les applications métier du système opérationnel, tout comme celles d’aide à la décision du système de pilotage sont concernées. Il est à ce propos intéressant de souligner que si les données du système opérationnel sont de mauvaise qualité, celles du système de pilotage ont toutes les chances de l’être aussi, puisque les données de celui-ci sont généralement issues du système opérationnel. Résultat : opérationnel hasardeux et pilotage de l’entreprise erroné.

Notons aussi que l’urbanisation du système d’information et les architectures de type SOA nécessitent plus que jamais de s’intéresser aux données et à leur qualité, avec la mise en place ou l’alignement de référentiels de données.

Ainsi, l’adresse postale demeure une des données les plus utilisées par les entreprises, notamment pour leur gestion de leurs partenaires clients et fournisseurs. C’est aussi l’une des plus touchées par les défauts de qualité. Des efforts particuliers méritent donc d’être apportés pour améliorer la gestion de cette donnée complexe.

Le chaos ruineux de la non-qualité des données

Les conséquences de la faible qualité des données sont nombreuses et reviennent cher aux entreprises. Pire encore, l’impact se propage jusqu’à l’extérieur, notamment en raison de la place grandissante des échanges électroniques. Au final, la détérioration de l’image et la perte de crédibilité s’avèrent parfois fatales aux organisations dont les données sont de mauvaise qualité. Les conséquences rencontrées le plus fréquemment sont les suivantes :

• Insatisfaction des clients : les clients victimes de données incorrectes pardonnent difficilement. Une livraison tardive suite à une erreur sur la date de livraison reste une erreur courante. Avec Internet, la sentence est encore plus rapide. D’ailleurs, un internaute s’apercevant que les données d’un site sont peu fiables ou incorrectes -comme des prix non actualisés- n’y reviendra jamais.
• Non-conformité des chiffres publiés : des erreurs dans les données comptables entraînent généralement de lourdes sanctions (amendes et peines). Et ce, même si cette situation ne résulte pas d’une manipulation volontaire. Suite aux récentes affaires de falsification des comptes, toute erreur dans la publication des chiffres paraît désormais suspecte.
• Dévalorisation de l’image de l’entreprise : en conséquence du point précédent, des erreurs portant sur des données diffusées à l’extérieur de l’entreprise détériorent rapidement l’image de celle-ci, et handicapent son expansion commerciale. De plus, l’impact boursier des sociétés cotées est immédiat, entraînant la chute rapide du cours de l’action.
• Perturbation du fonctionnement opérationnel : les données incorrectes au sein de l’entreprise ralentissent le fonctionnement opérationnel, et rendent les décisions difficiles ou incertaines. Cela génère aussi du stress et de la démotivation chez les collaborateurs. De plus, le surcroît de travail engendré par des erreurs de données n’est jamais le bienvenu. Enfin, la perte de confiance dans les informations manipulées n’est propice ni à l’initiative, ni à un climat sain.
• Erreurs de stratégie : définir une stratégie nécessite plus de temps si les informations utilisées sont de mauvaise qualité ou tout simplement erronées. Comment réfléchir à l’avenir si la situation présente n’est pas maîtrisée ? Les dirigeants peuvent évidemment se fier à leur intuition, mais ce type de démarche montre rapidement ses limites.
• Augmentation des coûts : les impacts énoncés précédemment engendrent évidemment des surcoûts. Les situations variant d’une entreprise à une autre, il est très difficile d’estimer le coût de la non-qualité. Certains experts estiment cependant que ce coût caché peut représenter plus de 10 % du chiffre d’affaires, ce qui ampute de façon conséquente la rentabilité.