Data gouvernance, data management, master data management (MDM), qualité des données, etc., tout le monde en parle. Mais ne sachant pas comment et pourquoi faire, il est difficile d’arriver à mesurer le ROI de tels projets, et ce, même si on s’entend à dire de plus en plus que tous ces concepts sont importants au vu du nombre d’initiatives lancées au sein de nombreuses entreprises.
Data gouvernance, data management, master data management (MDM), qualité des données, etc., tout le monde en parle. Mais ne sachant pas comment et pourquoi faire, il est difficile d’arriver à mesurer le ROI de tels projets, et ce, même si on s’entend à dire de plus en plus que tous ces concepts sont importants au vu du nombre d’initiatives lancées au sein de nombreuses entreprises.
En effet, l’héritage organisationnel en silos, la multiplicité des sources de données, de Plateformes technologiques, d’outils, de Data Labs, d’experts, etc., nous éloignent de la définition fondamentale de la donnée qui nous permet de mobiliser des moyens en cohérence avec les ambitions stratégiques de l’entreprise :
La donnée est un actif, et comme tout actif générant de la valeur, il faut le gérer avec une stratégie claire et partagée au niveau de chaque collaborateur
Commençons par le commencement, et redéfinissons les grands principes en amont qui nous permettent de tendre vers une stratégie data driven company, plaçant ainsi la donnée au cœur de la stratégie globale de l’entreprise .
Dans cet article et avant d’aller plus loin, nous allons évoquer ci-dessous 5 grands principes à garder en tête en tant que consommateur ou producteur de la data :
« Un actif est un élément identifiable du patrimoine d’une entité ou d’un agent économique (ménage, entreprise, etc.) ayant une valeur économique positive, c’est-à-dire générant une ressource que l’entité contrôle du fait d’événements passés et dont cette entité attend un avantage économique futur » définition Wikipédia.
La donnée est largement reconnue comme un actif d’entreprise, bien que la compréhension de ce que signifie la gestion de la donnée (data management) en tant qu’actif évolue encore.
Les entreprises utilisent les données pour comprendre leurs clients, créer de nouveaux produits ou services et améliorer l’efficacité opérationnelle en réduisant les coûts et en contrôlant le risque. Les organismes gouvernementaux, les établissements d’enseignements et les organismes à buts non lucratif ont également besoin des données de haute qualité pour guider et répondre à leurs besoins opérationnels ou stratégiques.
Comme les organisations dépendent de plus en plus des données, la valeur des actifs est de plus en plus évidente. Les entreprises qui souhaitent rester compétitives, doivent cesser de prendre des décisions basées sur l’intuition ou sentiments subjectifs et utiliser à la place la donnée permettant de trouver des réponses objectives grâce à des déclencheurs d’événements basés sur la bonne utilisation de la donnée .
Bien qu’il existe des techniques pour mesurer la valeur quantitative et qualitative de la donnée, il n’existe pas encore de normes pour les réaliser. Il appartient donc à chaque entreprise qui souhaite prendre les meilleures décisions à partir de leurs données de mettre en place des dispositifs cohérents . Ces entreprises, doivent également mesurer le coût de la mauvaise qualité ainsi que le bénéfice de la bonne qualité de leurs données.
S’assurerque les données sont adaptées à leurs finalités est l’objectif principal du data management.
Pour gérer la qualité, les organisations doivent s’assurer qu’elles comprennent les exigences des parties prenantes en matière de qualité et mesurer les données par rapport à ces exigences.
Pour manipuler n’importe quel actif, il est requis d’avoir des informations le concernant. Les données utilisées pour manipuler et gérer les données s’appellent les métadonnées.
Parce que les données ne peuvent pas être détenues ou touchées, comprendre ce qu’elles sont et comment les utiliser nécessite une définition et des connaissances sous forme de métadonnées.
Les métadonnées proviennent de processus liés à la création, aux traitements et à l’utilisation des données, y compris l’architecture, la modélisation, la gouvernance, la gestion de la qualité des données, le développement de systèmes, les opérations informatiques et commerciales et d’analyse.
Une gestion de données efficace requière plusieurs compétences et expertises, à la fois fonctionnelles et techniques. Une seule équipe ne peut être responsable des données de toute une entreprise au vu du cycle de vie et des traitements liés à chaque donnée générée.
Le master data management (MDM), implique le contrôle des valeurs des données de base et des identifiants qui permettent une utilisation cohérente à travers les systèmes des données les plus précis et les plus opportuns à chaque entité de l’entreprise. Les objectifs de MDM incluent de s’assurer de la disponibilité de valeurs précises et à jour tout en réduisant les risques associés aux identifiants ambigus.
La gestion des données de référence (Reference data management, RDM)implique un contrôle sur les valeurs de domaine définies ainsi que leurs définitions. Le but du RDM est de s’assurer que l’organisation a accès à un ensemble complet de valeurs précises et à jour pour chaque concept représenté.
L’un des défis de la gestion des données de référence est celui de la propriété ou de la responsabilité de la définition et de la maintenance. Certaines données de référence proviennent de l’extérieur de l’organisation qui les utilisent. certaines franchissent les frontières organisationnelles internes et peuvent ne pas appartenir à un seul département. D’autres données de référence peuvent être créées et conservées au sein d’un département tout en ayant une valeur potentielle ailleurs dans l’organisation. la détermination de la responsabilité pour l’obtention de données et la gestion des mises à jour font partie du RDM. Le manque de responsabilité introduit un risque, car les différences dans les données de référence peuvent entraîner des incohérences (comme lorsque deux départements obtiennent des chiffres différents pour analyser le même concept).
L’objectif de cet article est de remettre en perspective des fondamentaux souvent négligés, soit par le poids de l’histoire , soit par méconnaissance des impacts liés à la non maîtrise de ses données.
D’expérience, j’ai souvent constaté que les sujets liés au MDM, qualité des données, gouvernances et tous les sujets liés à la bonne gestion des données sont légués au second plan car considérés comme projets non « sexy » ou chronophages, et donc coûteux!
Sauf qu’à l’ère du full digital, plusieurs études démontrent que les projets Big data /ML/IA qui ont du mal à sortir du stade du POC sont dus à la difficulté de passer à l’étape d’industrialisation à l’échelle et aux difficultés liés à la non gouvernance des données.
J’ai donc pris l’initiative de partager avec vous mes connaissances, à travers quelques articles, d’évoquer plus en détails, comment nous parvenons à une gouvernance de données maîtrisée en appliquant les principes décrits dans le DAMA-DMBOK 2eme édition éditée par https://dama.org/ . Pour ceux qui ne connaissent pas, DAMA est une communauté internationale de professionnelle du Data Management. Je m’inspirerai également d’études de cas réalisées chez mes clients afin d’apporter un aspect pratique dans chaque article.
Comme vous l’aurez déjà bien compris, la maîtrise de ses données dépend de l’organisation de chaque entreprise, de la maturité du niveau de digitalisation de ces processus métiers, et de son appétence aux innovations et nouvelles technologie, mais il existe de GRANDS PRINCIPES indispensables pour toute organisation. C’est donc à ces principes fondamentaux que je souhaite consacrer mes posts à venir sous forme d’articles en fil d’Ariane.