Bonne ou mauvaise ? - Bien évaluer la qualité des données

Par le passé, de nombreuses entreprises ont négligé la qualité de leurs données, pour diverses raisons. Elles n'étaient pas conscientes ou acceptaient que leurs systèmes ERP n'aient ainsi que des performances sous-optimales. Avec la numérisation des processus et l'essor fulgurant de l'intelligence artificielle (IA), cela devient un risque encore plus grand. Car il est scientifiquement prouvé à suffisance : Une mauvaise qualité des données influence l'efficacité et les résultats, même avec des systèmes d'IA comme les machines auto-apprenantes. Ceux qui ne sont pas encore passés à l'action devraient donc prendre des mesures.

Sept conseils pour améliorer la qualité des données

Le fabricant d'ERP proALPHA conseille de soumettre les données à un test de performance en sept étapes, qu'il s'agisse de ses propres données ou d'informations provenant d'autres sources, telles que les agences de renseignements commerciaux et autres fournisseurs tiers. Les paramètres de performance décisifs sont les suivants :

1. ComplètementLe manque d'informations est plus qu'ennuyeux. Plus les processus sont numérisés, plus il est important de disposer de toutes les données nécessaires. Si, par exemple, les informations sur les composants d'un produit sont incomplètes, le processus de production peut être bloqué ou le produit final peut ne pas correspondre aux spécifications. Pour garantir la performance des processus commerciaux, il est recommandé de définir des champs obligatoires et d'effectuer des contrôles automatisés à certains points du processus. Les entreprises ne doivent toutefois pas tomber dans la "frénésie de collecte de données". En effet, depuis l'entrée en vigueur du règlement général sur la protection des données (RGPD), le principe d'économie s'applique aux données à caractère personnel : seules les informations réellement nécessaires peuvent être enregistrées. Les données qui ne sont plus nécessaires doivent être supprimées de manière durable. (Cela vaut d'ailleurs aussi pour les entreprises suisses qui disposent de données provenant de l'espace européen, ndlr).
2. ActuelLes données d'adresses et de contacts non synchronisées sont un exemple parfait d'informations obsolètes. C'est justement parce que les commerciaux ne passent que sporadiquement au siège que, par le passé, la base de données clients n'était jamais à jour. Les solutions CRM mobiles permettent de remédier à cette situation. Elles tiennent également à jour les informations critiques pour la production, comme les données de stock. Toutefois, il n'est pas nécessaire de disposer de tous les statuts en temps réel. Les entreprises devraient plutôt examiner leurs processus afin de déterminer où une mise à disposition plus rapide des données permet d'augmenter la productivité et d'agir précisément à ce niveau.
3. CohérentLes enregistrements de données dans différents systèmes ne doivent pas se contredire. Dans la pratique, une double gestion des données dans plusieurs silos de données et un transfert manuel entraînent "seulement" un surcroît de travail pour la saisie des données dans le meilleur des cas. Dans le pire des cas, des erreurs surviennent, par exemple lors du transfert des données de commande dans un logiciel d'assurance qualité. Grâce aux techniques d'intégration modernes, les incohérences qui en résultent sont aujourd'hui relativement faciles à maîtriser.
4. Conforme : Les données doivent répondre aux exigences des systèmes et des processus, par exemple être disponibles dans le format approprié, si possible standardisé. Les formats de date et de devise sont des classiques. Pour les horodateurs, il faut également veiller à ce que le fuseau horaire soit saisi en plus des heures et des minutes. En effet, il y a douze heures de décalage entre 8 heures à Shanghai et 8 heures à São Paulo.
5. Exactement : Les données doivent être précises. Plus précisément : elles doivent être suffisamment précises. En effet, tous les processus commerciaux ne nécessitent pas des données de haute précision à la énième décimale. Ici aussi, les entreprises devraient d'abord se demander : quelle doit être la précision des valeurs de mesure et autres données ? L'exactitude requise devrait ensuite être suivie côté système par des règles et des contrôles de données appropriés.
6. UniqueLes doublons ne font pas que gonfler inutilement la base de données. Ils entraînent également des demandes de renseignements inutiles. S'ils ne sont pas détectés, des erreurs d'interprétation surviennent rapidement. Par exemple, lorsqu'un fournisseur a plusieurs numéros de fournisseur et que, de ce fait, des chiffres clés tels que le volume des contrats pour les négociations de rabais ne sont pas agrégés. Il est déjà possible de filtrer les données redondantes d'un stock avec les moyens de bord d'un programme de tableur. Cependant, les doublons s'insinuent toujours et le travail recommence. Un gestionnaire automatisé de la qualité des données offre un moyen plus durable d'obtenir des données propres.
7. CorrectCe critère renvoie, outre l'actualité, à un autre aspect essentiel : l'exactitude, la fiabilité des données. Le débat actuel sur les fake news le souligne une fois de plus : une information "très actuelle" sur les difficultés économiques d'un fournisseur ne doit pas nécessairement être correcte. Les sources auprès desquelles les entreprises se procurent des informations importantes pour leur activité doivent donc être compréhensibles et crédibles.

Une gestion durable de la qualité est nécessaire

La relation des entreprises avec leurs données est souvent ambiguë : à certains endroits, par exemple dans le domaine de la vente ou de la finance, on se méfie parfois ouvertement de leur qualité ; à d'autres endroits, par exemple dans la production, la qualité est souvent surestimée. Une gestion durable de la qualité des données est utile à trois égards : elle évite les erreurs coûteuses, augmente la confiance dans ses propres données et permet de prendre de meilleures décisions. Mais surtout, des données correctement gérées aident à numériser les processus. Pour obtenir ce plus en matière d'efficacité axée sur les données, les entreprises peuvent s'inspirer des équipes sportives de haut niveau : Il faut une analyse profonde et honnête, une stratégie claire et un engagement individuel pour une amélioration continue, à tous les niveaux de l'équipe.

Source : proALPHA