Affichage des articles dont le libellé est BI and Data Governance. Afficher tous les articles
Affichage des articles dont le libellé est BI and Data Governance. Afficher tous les articles
jeudi 15 mars 2012
Mario CANTIN, le stratégiste de la qualité des données
Philippe Nieuwbourg, Jeudi 9 Février 2012
De la gouvernance des données (Mario CANTIN le 9 février à TDWI Montréal)
Le chapitre Montréal de TDWI accueillait ce matin Mario Cantin, Stratégiste en Qualité de Données. Il a publié récemment dans le Business Intelligence Journal de TDWI un article complet sur la gouvernance des données et les projets d'amélioration de la qualité des données en entreprise. Au cours de ses deux interventions, Mario Cantin a tout d'abord brossé le tableau général de la gouvernance des données; puis dans sa seconde partie, partagé un plan d'action concret en quatre étapes pour donner vie à ses projets d'amélioration de la qualité des données.
Une première partie donc où Mario Cantin a tenté d'identifier l'origine non pas des problèmes de qualité des données, mais de leur découverte. Selon lui, le besoin de gouvernance des données est né de la mise en place dans les entreprises des processus d'intégration transverses. Tant que l'entreprise fonctionnait en silos, avec des processus verticaux pour chaque domaine, les problèmes éventuels de qualité des données éteint réglés par les domaines métiers concernés. Et si un problème de qualité n'était pas détecté ou pas corrigé, c'est sans doute qu'il n'impactait pas les processus opérationnels. Avec l'apparition de processus transverses, de nouvelles personnes ont besoin d'accéder à des données créées et gérées par d'autres. C'est à cette occasion que des problèmes de qualité de certaines données peuvent non pas apparaitre, mais plutôt être révélés au grand jour. "Le problème de la qualité des données est lié aux processus, pas aux données elles-mêmes", explique Mario Cantin. L'implantation de ces processus transverses entraine donc un besoin d'alignement des données. Pour identifier les domaines sur lesquels il faut agir, Mario Cantin préconise d'imputer les processus aux données. L'idée est de gérer les données comme un véritable actif de l'entreprise, dont on cherchera à maximiser la valeur en alignant la qualité recherchée des données avec les objectifs d'affaires de l'entreprise. Cette imputation, ce rattachement des processus aux données permet de cartographier de manière précise quel(s) processus utilise(nt) quelle(s) donnée(s).
Mario Cantin préconise la mise en place d'un nouvelle fonction, l'intendant de données (les américains l'appellent le "Data Stewart"). Il aura en charge la définition de la feuille de route, mais également sa mise en place et son suivi. Cette gouvernance des données ne se fera correctement selon Mario Cantin que si l'on respecte quelques règles basiques :
- Imputer les données aux processus
- Accepter et accompagner le changement culturel auquel correspond cette prise en compte de l'actif immatériel que représentent les données
- Une adhésion sans faille de l'exécutif
- Un focus constant sur la valeur générée par cette amélioration de la qualité des données
- Communiquer sur les problèmes rencontrés et les solutions apportées
- Devenir de véritables experts de la qualité de données ou tout au moins en avoir l'objectif
Une première partie donc où Mario Cantin a tenté d'identifier l'origine non pas des problèmes de qualité des données, mais de leur découverte. Selon lui, le besoin de gouvernance des données est né de la mise en place dans les entreprises des processus d'intégration transverses. Tant que l'entreprise fonctionnait en silos, avec des processus verticaux pour chaque domaine, les problèmes éventuels de qualité des données éteint réglés par les domaines métiers concernés. Et si un problème de qualité n'était pas détecté ou pas corrigé, c'est sans doute qu'il n'impactait pas les processus opérationnels. Avec l'apparition de processus transverses, de nouvelles personnes ont besoin d'accéder à des données créées et gérées par d'autres. C'est à cette occasion que des problèmes de qualité de certaines données peuvent non pas apparaitre, mais plutôt être révélés au grand jour. "Le problème de la qualité des données est lié aux processus, pas aux données elles-mêmes", explique Mario Cantin. L'implantation de ces processus transverses entraine donc un besoin d'alignement des données. Pour identifier les domaines sur lesquels il faut agir, Mario Cantin préconise d'imputer les processus aux données. L'idée est de gérer les données comme un véritable actif de l'entreprise, dont on cherchera à maximiser la valeur en alignant la qualité recherchée des données avec les objectifs d'affaires de l'entreprise. Cette imputation, ce rattachement des processus aux données permet de cartographier de manière précise quel(s) processus utilise(nt) quelle(s) donnée(s).
Mario Cantin préconise la mise en place d'un nouvelle fonction, l'intendant de données (les américains l'appellent le "Data Stewart"). Il aura en charge la définition de la feuille de route, mais également sa mise en place et son suivi. Cette gouvernance des données ne se fera correctement selon Mario Cantin que si l'on respecte quelques règles basiques :
- Imputer les données aux processus
- Accepter et accompagner le changement culturel auquel correspond cette prise en compte de l'actif immatériel que représentent les données
- Une adhésion sans faille de l'exécutif
- Un focus constant sur la valeur générée par cette amélioration de la qualité des données
- Communiquer sur les problèmes rencontrés et les solutions apportées
- Devenir de véritables experts de la qualité de données ou tout au moins en avoir l'objectif
Le projet "qualité des données" en quatre étapes
Gérer la qualité des données est un projet à part entière et comme tout projet, il doit être phasé. Voici les grandes étapes que préconise Mario Cantin. Mais en préalable, il insiste sur la nécessité de définir des indicateurs propres à ce projet de qualité des données, et d'inclure ces indicateurs dans le tableau de bord global du projet TI.
Etape 1 : Identifier les problèmes de qualité
- mise en place d'un registre des problèmes identifiés
- mise en place d'un registre des données clefs (on se reconnecte ici à un éventuel projet de Master Data Management)
Les indicateurs de pourcentage des processus analysés et de pourcentage des données évaluées permettent de suivre l'avancement de cette étape.
Etape 2 : Evaluer les risques
- mise en place d'un registre des risques de qualité des données
L'indicateur du pourcentage des problèmes de qualité qui ont été quantifiés et évalués permet de suivre l'avancement de cette étape.
Etape 3 : Mitiger les risques
Cela peut choquer, mais tous les problèmes identifiés ne doivent pas forcément être corrigés, soit parce que cela coute trop cher, soit parce que cela n'est pas possible, soit tout simplement parce que cela ne représente pas de risque pour l'entreprise. Il faut donc parfois accepter la mauvaise qualité de certaines données. Mais chaque cas doit être étudié et évalué. Un indicateur du pourcentage d'avancement de cette évaluation est nécessaire.
Etape 4 : Mesurer l'évolution de la qualité des données
Il faut définir ses propres indicateurs, et mesurer à la fois le pourcentage des données dont la qualité est mesurée, et la progression de cette même qualité. Ne pas confondre ici l'indicateur de mesure de la mesure, et la mesure elle-même…
En suivant ces grandes étapes, Mario Cantin nous assure que, même si par miracle vos données ne seront pas plus propres, vous en mesurez au moins le degré de propreté, et les risques que vous faites courir à votre entreprise !
Etape 1 : Identifier les problèmes de qualité
- mise en place d'un registre des problèmes identifiés
- mise en place d'un registre des données clefs (on se reconnecte ici à un éventuel projet de Master Data Management)
Les indicateurs de pourcentage des processus analysés et de pourcentage des données évaluées permettent de suivre l'avancement de cette étape.
Etape 2 : Evaluer les risques
- mise en place d'un registre des risques de qualité des données
L'indicateur du pourcentage des problèmes de qualité qui ont été quantifiés et évalués permet de suivre l'avancement de cette étape.
Etape 3 : Mitiger les risques
Cela peut choquer, mais tous les problèmes identifiés ne doivent pas forcément être corrigés, soit parce que cela coute trop cher, soit parce que cela n'est pas possible, soit tout simplement parce que cela ne représente pas de risque pour l'entreprise. Il faut donc parfois accepter la mauvaise qualité de certaines données. Mais chaque cas doit être étudié et évalué. Un indicateur du pourcentage d'avancement de cette évaluation est nécessaire.
Etape 4 : Mesurer l'évolution de la qualité des données
Il faut définir ses propres indicateurs, et mesurer à la fois le pourcentage des données dont la qualité est mesurée, et la progression de cette même qualité. Ne pas confondre ici l'indicateur de mesure de la mesure, et la mesure elle-même…
En suivant ces grandes étapes, Mario Cantin nous assure que, même si par miracle vos données ne seront pas plus propres, vous en mesurez au moins le degré de propreté, et les risques que vous faites courir à votre entreprise !
Master data Management - ROI : le nerf de la guerre - Par Daliane Calvani, Manager Pôle Conseil Ysance
- Par Daliane Calvani, Manager Pôle Conseil Ysance (mardi 7 février 2012)
Trop souvent encore, les questions de gestion et de qualité des données se posent après un constat d’échec, et non dans un objectif de performance.Les données sont l’essence même de toute entreprise. Elles constituent un véritable enjeu commercial, engageant la performance et la compétitivité des entreprises. Le problème est qu’à l’ère du Big Data les entreprises doivent faire face à un afflux massifs de données et donc par voie de conséquence à davantage de risques de dégradation de qualité. A terme, c’est l’ensemble des couches organisationnelles de l’entreprise qui en pâtit.
C’est pourquoi, la création d’une entité chargée de la gestion des référentiels de données – appelée Master Data Management (MdM) – s’avère de plus en plus nécessaire, voire indispensable pour certaines structures. Pourtant, et malgré la prise de conscience générale de l’importance de la donnée, les entreprises sont encore frileuses à mettre en place une politique de Data Management. En causes : la complexité du projet, son impact organisationnel et un ticket d’entrée jugé trop élevé face à un retour sur investissement (ROI) difficilement quantifiable. Et pourtant…
Qu'elles soient commerciales, financières, concurrentielles ou légales, les données des référentiels nécessitent d'être structurées pour être stockées et historisées au sein d'un «Repository ». Le Master Data Management est né de la convergence de deux tendances : la montée en puissance des architectures orientées services et le nombre d’applications interconnectées (ERP, site, médias sociaux, outils logistiques…). Gérer la fiabilité et la cohérence des données dans ce contexte devient un vrai casse tête pour les entreprises.
D’autant que l’organisation en silo, qui prime encore dans bon nombre de sociétés, complique davantage la tâche. En cas d’erreur sur les données (NPAI, retours d’e-mailing ou de facture, non-vente…), des corrections sont opérées mais de manière composite et cloisonnée par chacun des métiers sans se répercuter aux autres applications, engendrant une perte de temps, toutefois difficile à évaluer.
Et le problème est bien là : l’atomisation et l’hétérogénéité des données dans chaque application de l’entreprise compliquent toute tentative de calculer a priori le ROI d’un projet de MdM. A l’inverse, pour non optimale qu’elle soit, une mauvaise qualité ou gestion des données n’impacte pas pour autant le quotidien des utilisateurs, ni ne bloque les rouages de l’entreprise. Cette opacité empêche ces dernières de se projeter dans une démarche préventive et de se poser la bonne question : « quel est mon risque, si je ne surveille pas mes données ? ». Faute d’y avoir répondu à l’avance, les questions de gestion de qualité des données se posent encore trop souvent suite à un constat d’échec, et non dans un objectif de performance.
Le manque à gagner est pourtant bien réel. Les bases de données n’apportent qu’une vue partielle, souvent erronée, d’un type de données métiers, alors que le Master Data Management en offre une vision globale et exhaustive. Bien que la mise en œuvre nécessite une forte composante technique, le principe du MdM est simple : il s’agit de rassembler au sein d’un « observatoire unique » et centralisé les données de référence (codes articles/produits, fournisseurs, employés…), de les hiérarchiser et de les synchroniser, pour ensuite les diffuser aux différentes applications de l’entreprise en fonction de leurs besoins.
Les utilisateurs partagent ainsi, en mode synchrone, la même version des données de référence. Cette vision transversale unique et consolidée améliore considérablement la qualité des flux métiers et facilite en retour la gouvernance des différents référentiels de l’entreprise. C’est d’ailleurs dans ces termes que le ROI peut être calculé, car plus les utilisateurs sont nombreux à « consommer » une même donnée, plus la fréquence de synchronisation est élevée, plus vite l’entreprise rentrera dans ses frais.
(source : itrmanager.com)
Quelle assurance qualité de données pour les environnements décisionnels ?
CYRIL COHEN-SOLAL, KEYRUS
JEUDI 8 MARS 2012
Au-delà des grands programmes d’entreprise, importants mais longs et coûteux à mettre en place, il est possible d’agir efficacement et rapidement sur la qualité et la cohérence des données au sein des plates-formes décisionnelles. Quelles sont les approches possibles et pour quels bénéfices ?
Cyril Cohen-Solal / Country Manager, Keyrus
Depuis une dizaine d’années, de nombreuses études ont mis en évidence ce que la non-qualité des données coûte aux entreprises. La plupart se focalisent sur les données unitaires (mauvaise adresse client, doublon…), mettant en exergue les conséquences de l’utilisation de données incomplètes, erronées ou incohérentes par les équipes commerciales et marketing. La question ne se limite cependant pas aux données de détail qui ne sont que la partie émergée de l’iceberg. Les problèmes de qualité de données se posent partout où il y a des bases de données, des systèmes transactionnels et des référentiels – autant dire absolument à tous les niveaux de l’entreprise. Pour améliorer la qualité des données, il faudrait donc agir en continu au niveau de tous les systèmes. Même s’il existe aujourd’hui des outils logiciels performants, les entreprises qui ont lancé des projets dans ce domaine (qualité de données, gouvernance de données, master data management…) peuvent témoigner des difficultés d’une telle démarche et du temps qu’il faut pour obtenir des améliorations tangibles et durables, notamment au niveau des outils décisionnels.
Traiter le problème au niveau du décisionnel
Face au besoin urgent d’assurance qualité souligné par les dirigeants d’entreprise, la solution la plus rapidement efficace consiste à faire porter les efforts non pas sur les systèmes transactionnels et opérationnels amont mais, compte tenu de la place centrale qu’il occupe désormais dans le fonctionnement de l’entreprise, sur l’environnement décisionnel lui-même. Pourquoi ? Parce que c’est vers la plate-forme décisionnelle que convergent aujourd’hui les données clés de l’entreprise (ERP, CRM, backoffice…). C’est là qu’elles sont consolidées mais aussi transformées et traitées pour alimenter le reporting et les tableaux de bord sur lesquels les dirigeants et les managers opérationnels fondent leurs décisions. C’est par conséquent à ce niveau qu’il est indispensable de s’assurer, d’une part, que les données entrantes sont valides (complètes, exactes et à jour) et, d’autre part, que les informations délivrées par les applications décisionnelles sont cohérentes entre elles et conformes aux normes métiers.
50% des gestionnaires de data d’entreprise estiment qu’ils auront sous 3 ans un système «Qualité de données temps réel». Cette technologie arrive en deuxième position après les systèmes de MDM.
Source : Rapport « Next Generation Data Integration » de TDWI, Second Quarter 2011
Prendre la mesure des conséquences
Si les informations fournies par le décisionnel sont fausses, incomplètes ou incohérentes, cela pose deux types de problèmes qui sont d’ailleurs liés. Le premier est la perte de confiance des utilisateurs dans les données, voire le rejet pur et simple des outils décisionnels. Typiquement, si les chiffres du tableau de bord du directeur général ne sont pas les mêmes que ceux du rapport du directeur des ventes, lesquels sont les bons ? A qui appartient-il de trancher ? D’où vient la divergence ? La cause est-elle au niveau des systèmes sources, du processus de chargement des données ou des traitements opérés sur les données ? Ces situations, très fréquentes, poussent les utilisateurs à se défier des données fournies par les systèmes de Business Intelligence (BI) et à multiplier les contrôles, ce qui leur fait perdre énormément de temps sans pour autant apporter de solution définitive aux problèmes détectés. En outre, elles jettent le discrédit sur les équipes en BI.
Deuxièmement, le défaut de qualité de données conduit à des décisions malencontreuses voire préjudiciables. Par exemple, dans le secteur télécoms, cette société s’apprêtait à arrêter une offre produit non-rentable au vu des états de reporting. Elle s’est aperçue à temps qu’il n’en était rien. En fait, l’offre était rentable mais une partie des revenus qu’elle générait était mal affectée, ce qui expliquait la marge négative apparaissant dans le reporting.
Autre exemple, une erreur dans la saisie d’unité (g contre mg) par une usine dans l’utilisation de produits toxiques n’a pu être détectée au niveau unitaire mais a provoqué au niveau consolidé une enquête règlementaire lourde injustifiée. Dans ces deux exemples, on comprend que les équipes en charge du décisionnel n’avaient pas les moyens de contrôler la qualité des données entrant et sortant du système décisionnel ni, a fortiori, d’alerter les utilisateurs sur d’éventuelles incohérences ou aberrations.
LES 3 RÈGLES D’OR DE L’ASSURANCE QUALITÉ BI
1. Intégrer les acteurs Business et leurs règles métiers
2. Mettre en place un contrôle temps réel, depuis la source jusqu’au reporting
3. Suivre, corriger, améliorer en continu
Un dispositif continu de contrôle et de validation
L’enjeu des systèmes décisionnels est plus que jamais de fournir aux utilisateurs des données fiables. Déployer une logique d’assurance qualité dans l’environnement décisionnel lui-même revient à mettre en place un dispositif permanent de contrôle et de validation des données dont le rôle peut être comparé à celui d’un logiciel antivirus. L’antivirus protège chaque ordinateur contre 90% des problèmes en faisant systématiquement barrage aux logiciels et données suspects et en vérifiant en permanence l’absence de comportements suspects des logiciels installés. Pour autant, il ne couvre pas la totalité des risques et doit être complété par des règles de gouvernance collective et de vigilance individuelle. Une politique de qualité de données doit nécessairement comporter ces deux mêmes volets : d’une part, des contrôles/alertes systématiques sous la responsabilité de l’équipe BI, et d’autre part, une vigilance/gouvernance sous la responsabilité conjointe des équipes fonctionnelles et BI.
Intégrer les fonctionnels dans le processus Qualité BI
Compte tenu de la diversité et du nombre toujours croissants des flux de données entrants et sortants des systèmes décisionnels, il devient pratiquement impossible de développer et maintenir manuellement tous les scripts de contrôle nécessaires pour garantir la qualité de données sur tous les domaines critiques pour l’entreprise. Une grande banque française a par exemple choisi de développer un dispositif de tests à base de script. Au bout de deux ans d’efforts, cette solution ne couvrait qu’un tiers de ses besoins de contrôle et de validation. L’apparition de nouveaux outils paramétrables rend désormais possible l’automatisation de tests de contrôle et de validation. Les tests sont lancés à chaque chargement de données dans le data warehouse de façon à vérifier l’exactitude et la cohérence des données et à garantir l’intégrité des référentiels en complétant, le cas échéant, les données manquantes. L’autre apport majeur de ce type de solutions est de permettre aux fonctionnels de définir des règles de cohérence pour les données/indicateurs clés de leur entreprise, ‘business unit’ ou département, par exemple « le taux de marge par produit ne peut être négatif », « le risque par contrat ne peut pas dépasser tel seuil », « les assurés véhicule ne peuvent pas avoir moins de 18 ans », « le chiffre d’affaires ne peut pas doubler d’un mois sur l’autre », etc.
En cas de non-conformité avec ces règles, une alerte est aussitôt émise et des tests complémentaires lancés pour mieux cibler l’origine du problème. Les responsables fonctionnels sont alertés et le problème peut être corrigé avant que la donnée défectueuse, anormale ou atypique soit propagée dans l’environnement décisionnel et dans l’entreprise.
Une approche qui renforce la valeur de la BI
Mettre en place une solution d’assurance qualité de données au niveau de la plate-forme décisionnelle présente de multiples avantages. Le premier est la possibilité d’aller vite et d’avancer indépendamment des projets de qualité de données à l’échelle de l’entreprise. Le second est d’obliger les parties prenantes (équipes techniques et fonctionnelles) à réfléchir sur le niveau de qualité requis ou acceptable. Il n’est en effet pas toujours pertinent de viser la qualité totale. On peut se concentrer sur les aspects les plus critiques ou les plus problématiques. Le fait d’impliquer les fonctionnels est un troisième avantage qui rééquilibre les responsabilités entre ceux qui assurent la production technique des données et ceux qui consomment ces données et qui sont, de ce fait, à même de juger de leur pertinence, de leur validité et de leur cohérence d’un point de vue métier. Cette responsabilité partagée et concertée se traduit logiquement par une plus grande confiance des utilisateurs dans les données qui leur sont fournies. Jugés plus fiables, les outils de BI sont alors davantage utilisés, ce qui conforte leur retour sur investissement. Enfin, une approche qualité de ce type devient quasiment indispensable dans un contexte où les outils de BI collaborative et de BI personnelle connaissent un succès croissant. La possibilité d’intégrer ces outils dans le périmètre contrôlé ne peut qu’empêcher la prolifération à l’intérieur de l’entreprise de données non vérifiées et potentiellement sources de décisions au mieux inappropriées, au pire très préjudiciables.
Traiter le problème au niveau du décisionnel
Face au besoin urgent d’assurance qualité souligné par les dirigeants d’entreprise, la solution la plus rapidement efficace consiste à faire porter les efforts non pas sur les systèmes transactionnels et opérationnels amont mais, compte tenu de la place centrale qu’il occupe désormais dans le fonctionnement de l’entreprise, sur l’environnement décisionnel lui-même. Pourquoi ? Parce que c’est vers la plate-forme décisionnelle que convergent aujourd’hui les données clés de l’entreprise (ERP, CRM, backoffice…). C’est là qu’elles sont consolidées mais aussi transformées et traitées pour alimenter le reporting et les tableaux de bord sur lesquels les dirigeants et les managers opérationnels fondent leurs décisions. C’est par conséquent à ce niveau qu’il est indispensable de s’assurer, d’une part, que les données entrantes sont valides (complètes, exactes et à jour) et, d’autre part, que les informations délivrées par les applications décisionnelles sont cohérentes entre elles et conformes aux normes métiers.
50% des gestionnaires de data d’entreprise estiment qu’ils auront sous 3 ans un système «Qualité de données temps réel». Cette technologie arrive en deuxième position après les systèmes de MDM.
Source : Rapport « Next Generation Data Integration » de TDWI, Second Quarter 2011
Prendre la mesure des conséquences
Si les informations fournies par le décisionnel sont fausses, incomplètes ou incohérentes, cela pose deux types de problèmes qui sont d’ailleurs liés. Le premier est la perte de confiance des utilisateurs dans les données, voire le rejet pur et simple des outils décisionnels. Typiquement, si les chiffres du tableau de bord du directeur général ne sont pas les mêmes que ceux du rapport du directeur des ventes, lesquels sont les bons ? A qui appartient-il de trancher ? D’où vient la divergence ? La cause est-elle au niveau des systèmes sources, du processus de chargement des données ou des traitements opérés sur les données ? Ces situations, très fréquentes, poussent les utilisateurs à se défier des données fournies par les systèmes de Business Intelligence (BI) et à multiplier les contrôles, ce qui leur fait perdre énormément de temps sans pour autant apporter de solution définitive aux problèmes détectés. En outre, elles jettent le discrédit sur les équipes en BI.
Deuxièmement, le défaut de qualité de données conduit à des décisions malencontreuses voire préjudiciables. Par exemple, dans le secteur télécoms, cette société s’apprêtait à arrêter une offre produit non-rentable au vu des états de reporting. Elle s’est aperçue à temps qu’il n’en était rien. En fait, l’offre était rentable mais une partie des revenus qu’elle générait était mal affectée, ce qui expliquait la marge négative apparaissant dans le reporting.
Autre exemple, une erreur dans la saisie d’unité (g contre mg) par une usine dans l’utilisation de produits toxiques n’a pu être détectée au niveau unitaire mais a provoqué au niveau consolidé une enquête règlementaire lourde injustifiée. Dans ces deux exemples, on comprend que les équipes en charge du décisionnel n’avaient pas les moyens de contrôler la qualité des données entrant et sortant du système décisionnel ni, a fortiori, d’alerter les utilisateurs sur d’éventuelles incohérences ou aberrations.
LES 3 RÈGLES D’OR DE L’ASSURANCE QUALITÉ BI
1. Intégrer les acteurs Business et leurs règles métiers
2. Mettre en place un contrôle temps réel, depuis la source jusqu’au reporting
3. Suivre, corriger, améliorer en continu
Un dispositif continu de contrôle et de validation
L’enjeu des systèmes décisionnels est plus que jamais de fournir aux utilisateurs des données fiables. Déployer une logique d’assurance qualité dans l’environnement décisionnel lui-même revient à mettre en place un dispositif permanent de contrôle et de validation des données dont le rôle peut être comparé à celui d’un logiciel antivirus. L’antivirus protège chaque ordinateur contre 90% des problèmes en faisant systématiquement barrage aux logiciels et données suspects et en vérifiant en permanence l’absence de comportements suspects des logiciels installés. Pour autant, il ne couvre pas la totalité des risques et doit être complété par des règles de gouvernance collective et de vigilance individuelle. Une politique de qualité de données doit nécessairement comporter ces deux mêmes volets : d’une part, des contrôles/alertes systématiques sous la responsabilité de l’équipe BI, et d’autre part, une vigilance/gouvernance sous la responsabilité conjointe des équipes fonctionnelles et BI.
Intégrer les fonctionnels dans le processus Qualité BI
Compte tenu de la diversité et du nombre toujours croissants des flux de données entrants et sortants des systèmes décisionnels, il devient pratiquement impossible de développer et maintenir manuellement tous les scripts de contrôle nécessaires pour garantir la qualité de données sur tous les domaines critiques pour l’entreprise. Une grande banque française a par exemple choisi de développer un dispositif de tests à base de script. Au bout de deux ans d’efforts, cette solution ne couvrait qu’un tiers de ses besoins de contrôle et de validation. L’apparition de nouveaux outils paramétrables rend désormais possible l’automatisation de tests de contrôle et de validation. Les tests sont lancés à chaque chargement de données dans le data warehouse de façon à vérifier l’exactitude et la cohérence des données et à garantir l’intégrité des référentiels en complétant, le cas échéant, les données manquantes. L’autre apport majeur de ce type de solutions est de permettre aux fonctionnels de définir des règles de cohérence pour les données/indicateurs clés de leur entreprise, ‘business unit’ ou département, par exemple « le taux de marge par produit ne peut être négatif », « le risque par contrat ne peut pas dépasser tel seuil », « les assurés véhicule ne peuvent pas avoir moins de 18 ans », « le chiffre d’affaires ne peut pas doubler d’un mois sur l’autre », etc.
En cas de non-conformité avec ces règles, une alerte est aussitôt émise et des tests complémentaires lancés pour mieux cibler l’origine du problème. Les responsables fonctionnels sont alertés et le problème peut être corrigé avant que la donnée défectueuse, anormale ou atypique soit propagée dans l’environnement décisionnel et dans l’entreprise.
Une approche qui renforce la valeur de la BI
Mettre en place une solution d’assurance qualité de données au niveau de la plate-forme décisionnelle présente de multiples avantages. Le premier est la possibilité d’aller vite et d’avancer indépendamment des projets de qualité de données à l’échelle de l’entreprise. Le second est d’obliger les parties prenantes (équipes techniques et fonctionnelles) à réfléchir sur le niveau de qualité requis ou acceptable. Il n’est en effet pas toujours pertinent de viser la qualité totale. On peut se concentrer sur les aspects les plus critiques ou les plus problématiques. Le fait d’impliquer les fonctionnels est un troisième avantage qui rééquilibre les responsabilités entre ceux qui assurent la production technique des données et ceux qui consomment ces données et qui sont, de ce fait, à même de juger de leur pertinence, de leur validité et de leur cohérence d’un point de vue métier. Cette responsabilité partagée et concertée se traduit logiquement par une plus grande confiance des utilisateurs dans les données qui leur sont fournies. Jugés plus fiables, les outils de BI sont alors davantage utilisés, ce qui conforte leur retour sur investissement. Enfin, une approche qualité de ce type devient quasiment indispensable dans un contexte où les outils de BI collaborative et de BI personnelle connaissent un succès croissant. La possibilité d’intégrer ces outils dans le périmètre contrôlé ne peut qu’empêcher la prolifération à l’intérieur de l’entreprise de données non vérifiées et potentiellement sources de décisions au mieux inappropriées, au pire très préjudiciables.
A PROPOS DE L'AUTEUR
Diplômé d’Informatique de Gestion (Paris Dauphine), Cyril Cohen-Solal possède une expertise de 15 années dans le domaine de la Business Intelligence qui lui a permis d’accompagner les plus grandes entreprises en France et à l’International dans la conception et mise en œuvre de leur système décisionnel. Cyril Cohen-Solal est également en charge, au sein du Groupe Keyrus depuis l’acquisition en 2011 de l’éditeur Vision.bi, de la distribution des solutions d’amélioration de la qualité des environnements décisionnels, commercialisées sous la marque « Quality Gates ». En parallèle à ces activités, il enseigne depuis 8 ans à Paris Dauphine dans le cadre du Master Informatique Décisionnel.
(sources : Decideo.fr)
Inscription à :
Articles (Atom)