Les 7 principes de gestion de la qualité des données

Les principes de gestion de la qualité des données sont un ensemble de pratiques, normes, règles qui sont acceptées et appliquées par tous les collaborateurs. Ils permettent de constituer une ligne directrice à mettre en place pour gérer la qualité des données dans l’entreprise.

Un principe n’est pas plus important qu’un autre, cela dépendra surtout de l’organisation et de sa maturité data concernant la Data Quality.

Ces 7 principes pour la qualité des données ont été adaptés des principes ISO 9000 de gestion de la qualité.

Pourquoi la qualité des données est stratégique

Les organisations, qu’elles soient dans la finance, l’industrie, la santé ou la tech, exploitent des volumes massifs de données pour leurs opérations, leurs analyses et leurs systèmes d’intelligence artificielle.

Des données inexactes, incomplètes ou obsolètes peuvent :

• entraîner des erreurs coûteuses,
• nuire à la prise de décision,
• compromettre la conformité réglementaire (RGPD, HIPAA, BCBS 239, etc.).

Chez DataGalaxy, la gestion de la qualité des données est une composante clé de la Data & AI Product Governance : intégrée dès la conception des produits data, tout au long de leur cycle de vie, et dans toutes les décisions stratégiques.

Principe 1 : Impliquer toutes les parties prenantes

Les collaborateurs, les équipes, les départements de l’entreprise qui sont concernés doivent être compétents, habilités et engagés pour mettre en place une gestion pragmatique de la qualité des données.

La qualité des données est l’affaire de tous et sous la responsabilité de chacun. Il est nécessaire que tous les collaborateurs travaillent dans un cadre où ils sont reconnus et écoutés concernant les problèmes de Data Quality. Une fois identifiés, les problèmes de qualité doivent être réparés et les prévenir à l’avenir.

Bonnes pratiques :

• Désigner des Data Stewards responsables des domaines critiques.
• Former les collaborateurs à détecter et signaler les anomalies.
• Mettre en place un canal clair pour corriger les problèmes.

Principe 2 : Adopter une approche processus

Une bonne qualité des données est obtenue de manière plus efficace en intégrant les différents départements de l’entreprise. Il est nécessaire de mettre en place un fonctionnement interconnecté pour développer un écosystème cohérent.

Les différents processus commerciaux, techniques, marketing etc. doivent être adaptés en amont pour répondre au besoin de qualité, Quality by Design. Tous ces processus vont acquérir, produire, maintenir et transformer des données, il est donc indispensable de penser “Data Quality” lors de toutes les phases de travail.

Actions clés

• Cartographier les processus de création et modification des données.
• Identifier les points de contrôle.
• Automatiser les vérifications.

Principe 3 : S’aligner sur les besoins métiers

L’objectif d’une bonne gestion de la Data Quality est de répondre aux besoins de qualité des données par les équipes commerciales, marketing, etc. Cette stratégie pour améliorer et maintenir une qualité des données suffisante doit permettre d’éviter les erreurs, améliorer la productivité, réduire les silos.

Questions à poser

• Quelles décisions reposent sur ces données ?
• Quelle précision et fréquence de mise à jour ?
• Quels risques en cas d’erreur ?

Principe 4 : Assurer un leadership clair

Les différents responsables à tous les niveaux de l’entreprise doivent avoir le même objectif et la même orientation concernant la stratégie de qualité des données.

Dans le cas où les directives ne sont pas les mêmes selon les équipes ou les départements dans l’organisation, la qualité des données ne sera pas du même niveau partout. Cela entraînera des difficultés pour la collaboration entre les collaborateurs, avec des règles qui ne seront pas les mêmes.

Bonnes pratiques

• Définir une vision stratégique de la Data Quality.
• Communiquer objectifs et responsabilités.
• Suivre des KPI partagés.

Principe 5 : Instaurer une amélioration continue

Pour réussir la gestion de la qualité des données, l’amélioration continue est indispensable.

Une donnée contient une erreur ? Il faut la corriger et améliorer le process pour que cela ne se reproduise plus ou que la correction soit automatique.

Mise en œuvre

• Détecter et corriger rapidement les erreurs.
• Faire une Root Cause Analysis.
• Adapter processus et outils selon l’évolution des besoins et lois.

Principe 6 : Prendre des décisions fondées sur les données

Les décisions prises doivent être fondées sur l’analyse des données qui produisent le plus souvent les résultats souhaités.

Outils clés

• Tableaux de bord de qualité.
• Moteurs de règles et alertes.
• Solutions de data observability.

Principe 7 : Gérer les droits et relations sur tout le cycle de vie

Pour réussir la gestion de la qualité de ses données durablement, l’entreprise doit gérer les relations entre tous les acteurs du cycle de vie des données.

Les données sont créées, utilisées et manipulées par les collaborateurs internes mais aussi par des fournisseurs, des vendeurs de solutions de gestion de données, etc.

Il faut donc que l’entreprise mette en place des principes pour la qualité et que ces derniers soient utilisés par tous.

Points essentiels

• Gouvernance claire des accès.
• Clauses contractuelles sur la qualité avec fournisseurs.
• Conformité : RGPD, CCPA, HIPAA, etc.

Intégration dans la gouvernance des produits Data & IA

La Data Quality doit être intégrée :

• En amont : datasets d’entraînement IA complets et sans biais.
• En continu : surveillance du Data Drift.
• En conformité : respect des obligations réglementaires et éthiques.

À propos de l'auteur

Jessica Sandifer

Passionnée par la transformation de la complexité des données en clarté, Jessica Sandifer est une gestionnaire de contenu expérimentée qui conçoit des histoires qui résonnent auprès d'audiences techniques et commerciales. Chez DataGalaxy, elle crée des messages de marketing de contenu et de produit qui démystifient la gouvernance des données et rendent la préparation à l'IA réalisable.