Qu’est-ce que la qualité des données ?
A l’heure du Big Data et de l’industrie 4.0, tout est régie par les données. Que l’on soit dans la finance, dans l’industrie ou dans la recherche, des données sont créées, analysées et utilisées en permanence. Ces données ont donc un rôle essentiel dans le bon fonctionnement des entreprises et de leur process de création de valeur. Pour que ces données puissent continuer à être utilisées au fil du temps, il est nécessaire et vital d’avoir une bonne qualité de données.
La qualité des données (ou Data Quality) est un élément important pour toute société, quel que soit son secteur d’activité, puisqu’il s’agit de maintenir la constance de ses données dans le temps. Il s’agit donc de s’assurer qu’au fur et à mesure des années, les données ne vont pas perdre d’informations et resteront viables et exploitables. Tout le monde le sait, les données ont tendance à se dégrader au cours de leur exploitation. Mais concrètement, quels sont les critères qui qualifient les données ? Selon le domaine et l’interlocuteur les critères peuvent différer quelques peu mais les grandes lignes seront toujours les mêmes. Dans son rapport concernant la qualité des données, Forbes Insights a retenu quatre critères principaux :
- Précision
Les données doivent refléter correctement ce qu’elles représentent. Une localisation doit permettre de situer l’équipement ou le bâtiment concerné. Les données doivent également être à jour pour jouer leur rôle et transmettre les bonnes informations. Bien entendu, la précision dépend du contexte mais également de l’utilisation finale. La localisation d’un équipement industriel aura besoin de plus de précision qu’un bâtiment entier par exemple.
- Complétude
Les données doivent être complètent. Un manque d’information peut causer une mauvaise appréhension des circonstances et entraîner de lourdes conséquences, quel que soit le domaine. Que l’on soit dans la finance, dans la maintenance ou encore dans l’informatique, avoir des données incomplètes peu empêcher d’identifier avec précision la situation créant des stratégies ou directives mal orientées.
- Normalisation
Le format des données dépend de la source ou de la région de celles-ci, il est donc nécessaire de trouver un moyen de les comparer. Le format des dates change selon que l’on se trouve aux USA (Mois – Jour – Année) ou en Europe (Jour – Mois – Année ou Année – Mois – Jour). Il est également important de gérer les doublons et erreurs potentiellement présents. En normalisant les formats, il est possible d’obtenir des données comparables et cohérentes et de limiter les mauvaises interprétations.
- Autorité
Les données doivent être fiables et en parfaite adéquation avec leur usage. Sans crédibilité, les données donneront des résultats sans grande utilité puisque sans réel fondement. Les données, de source interne comme externe doivent donc être une référence et faire autorité.
Avoir des données de mauvaises qualités peut en effet avoir de graves répercussions. Cela signifie de mauvaises ou un manque d’informations. En résultent des connaissances faussées et donc de potentiels risques et problèmes dans l’activité ou les comptes de la société. Selon certaines études, l’impact pourrait coûter jusque 25% du chiffre d’affaires. Plus concrètement, voici quelques-unes des conséquences que peuvent avoir une mauvaise Data Quality :
- Dégradation de la confiance
Lorsque les données dont on dispose ne suscitent pas de confiance, les résultats qui en découlent n’en suscitent rapidement plus non plus. Selon la Global CEO Outlook de 2016 de KPMG, 84% des PDG sont préoccupés par la qualité des données sur lesquelles ils s’appuient. Un manque de confiance pourrait amener les dirigeants à se tourner vers des moyens plus traditionnels et tempérer leur volonté à investir dans des solutions d’amélioration de la qualité des données. L’instinct, l‘expérience et les opinions de confiance, sont essentiels, mais baser ses décisions sur ces éléments uniquement fait courir plus de risque à l’entreprise que l’analyse de données de qualité.
- Perte d’opportunités
Avec de meilleures données on obtient plus d’informations. Si une entreprise et son concurrent ciblent un même client et que ce dernier dispose de plus d’informations, il aura une compréhension plus mature du besoin et sera avantagé grâce à ses données dont il pourra tirer profit. Les données sont un atout. Elles doivent être traitées correctement de façon à obtenir et maintenir un avantage concurrentiel.
- Perte de revenus
Lorsque les données sont de mauvaise qualité, cela peut engendrer de lourdes pertes de revenus, tel que des données clients erronées qui génèrent la perte d’une affaire/vente. A l’image d’une société d’assurance qui disposerait de mauvaises informations sur les biens de ses assurés, cela aurait une forte répercussion sur les revenus et un réel manque à gagner. Estimer l’emplacement de ses assurés plutôt que de les relever avec précision, pourrait, dans le cas d’une zone inondable, par exemple, créer une grosse perte de revenus.
- Les atteintes à la réputation
La réputation d’une entreprise lui est vitale, aussi est primordial d’empêcher quoi que ce soit de de l’atteindre. Cela n’a pas toujours de grosses répercussions, il est même possible que l’on ne s’en rende pas compte, mais il arrive que ce soit fort dommageable. Sans données complètes et à jour, des erreurs involontaires sont faisable, tel que des fautes d’orthographe dans le nom d’un client, ou l’envoi de communications à une personne décédée. Des erreurs à retombées médiatiques sont, malheureusement, également possible, tel que le lancement catastrophique de Apple Plans en 2012. Pour cause de mauvaises données, tant incomplètes que inexactes, les services concurrents à Google Maps étaient inutilisables, et ont fait couler beaucoup d’encre. En corrigeant notamment cet aspect, Apple Plans offre aujourd’hui un service tout à fait cohérent qualitatif.
