Vous êtes sur la page 1sur 17

Dr.

Walid el Abed
Global Data Excellence Ltd.

La Gouvernance Des Données :


Une Approche De Valeur Conduite Par Les Métiers

www.dataflux.com International
877–846–FLUX +44 (0) 20
1753
3176
2720025
020
Table des matières
Préambule ........................................................................................................................................... 2

Introduction ........................................................................................................................................ 3

Les obstacles à surmonter .............................................................................................................. 4

Le modèle de maturité de la Data Excellence ............................................................................. 5

Le Framework de Data Excellence ................................................................................................ 6

Les Dimensions de la qualité des données................................................................................... 7

La gouvernance des données par les règles de gestion ........................................................... 8

Les Indicateurs Clé de Valeur (Key Value Indicators « KVIs »)............................................. 10

Pour une Excellence pérenne de la qualité des données .........................................................12

Le modèle de gouvernance de la Data Excellence .................................................................... 13

La plateforme technologique ........................................................................................................ 14

Conclusion..........................................................................................................................................16

1
Préambule
Ce mois-ci, le mois suivant et le prochain trimestre, vos compétiteurs vont continuer à
gagner des affaires grâce à vous, parce qu’ils sont plus focalisés que vous dans la capture
de leur plein potentiel, ceci en maximisant un meilleur service au client et dans le même
temps en optimisant l’exécution de leurs processus métier. Ils reconnaissent de concert,
que le service au client et tous les processus métier dépendent de la façon dont les
données se calquent à l’objectif. Ces compétiteurs, comme de plus en plus de sociétés,
bénéficient du retour de leurs investissements dans des données d’entreprise de très
haute qualité.

En comparaison, les organisations qui ne prêtent pas suffisamment attention à la qualité


des données et finissent avec des facturations retardées, des processus de collecte du
cash ralentis, des ventes/marketing inefficaces, une confiance émoussée dans les
rapports et des prises de décisions infructueuses. En conséquence, cela impacte le service
client et détériore la confiance.

Alors, que pouvez-vous faire maintenant? Commencez par mesurer combien vos données
sont mauvaises – faites un audit de la qualité de ces données. Liez les métriques
résultantes à l’impact métier, c.à.d. Quels coûts allez-vous engager à cause de cette
mauvaise qualité des données ? Calculez la valeur métier que vous pouvez générer avec
une haute qualité des données. Vous serez plus qu’agréablement surpris.

Prenez des mesures rapides en vous concentrant immédiatement sur les problèmes
opérationnels les plus critiques. En vous basant sur la demande d'amélioration au cours
des 3 prochains mois, misez sur les succès rapides et changer la culture vers l’approche
«bon dès la première fois». Pérennisez l'élan. Définissez les règles métier critiques à
exécuter, qui s'appuient sur des données de haute qualité. Mesurez l'efficacité des
processus de base par la qualité des données. Attribuez la propriété des données au sein
de chaque département, environnement d'applications et processus métier de
l'entreprise. Maintenez ces propriétaires en tant que référents. Les personnes attitrées
sont déjà au sein de votre entreprise - il n'y a aucun autre coûts d’effectif supplémentaire.
Collaborez avec l’Informatique. Appréciez les résultats. Il s’agit de la véritable
gouvernance des données. Gouverner les données n'est pas une initiative optionnelle,
mais un réel programme de valeur ajoutée et de gestion de risques.

C'est pourquoi nous croyons que seules les organisations dotées d'une approche de
gouvernance des données efficace et intégrée dans la stratégie de l'entreprise, seront en
mesure de transformer ces données en un réel avantage concurrentiel, leur apportant
ainsi, une valeur à court et à long terme tout en leur assurant la réussite et la pérennité.

2
Introduction
Les volumes de données continuent à augmenter. Les entreprises grandissent par
croissance organique et par le biais d'acquisitions. De plus en plus de silos de données
sont créés dans les départements et les secteurs. De nouveaux canaux vers les marchés
résultent du partage des données avec de nouveaux partenaires extérieurs à l’entreprise.
Ainsi, Le « Cloud » est un exemple récent de données de l'entreprise qui sont entrées
dans les systèmes possédés ou contrôlés par des tierces parties. De la fragmentation des
données, résulte des données de moins bonnes qualité et en parallèle les standards de
données sont plus difficiles à renforcer. Comme les processus sont intégrés, les silos
départementaux sont fusionnés, exposant souvent les problèmes de qualité des données
pour la première fois. Ces problèmes de qualité de données conduisent à des défaillances
de processus de métiers et de projets, ainsi qu’à un manqué d’adoption des nouvelles
applications et enfin à une perte de confiance dans les données d'entreprise.

Les programmes de modernisation des métiers se concentrent généralement sur la


standardisation des processus afin d’en obtenir des bénéfices mesurables et avec une
efficacité industrialisable. Les technologies d’ERP remplissent les exigences de
standardisation des processus et sont aujourd'hui devenues un point central pour la
gestion des processus métier. Cependant les systèmes ERP n’empêchent pas la mauvaise
qualité des données de pénétrer dans les systèmes et ne mesurent pas son impact sur
l'efficacité d'un processus métier. Aujourd'hui, la plupart des organisations ont les mêmes
systèmes ERP (SAP, Oracle,..) configurés par les mêmes consultants. Par conséquent, la
spécificité et la portée de l'avantage concurrentiel d'une organisation sont aujourd'hui
définies par les individus et les données.

Le Master Data Management (MDM) peut faire partie de la solution à plus long terme,
cependant il ne livrera pas de valeur sur le court terme. Le défi est dans le paradoxe du
temps, où la priorité du métier est d'exécuter les opérations et résoudre les problèmes
critiques pour apporter une valeur immédiate tandis qu’un projet de MDM est une
initiative stratégique axée sur la fourniture de valeur à plus long terme. Dès lors, comment
pouvons-nous concilier le proche et le lointain?

Seule une approche focalisée, non invasive, progressive et tenant compte des objectifs à
court et à long terme sera acceptée et exécutée par les métiers. Notre objectif est de
présenter un Framework exécutable favorisant une stratégie de gouvernance des données
efficace, durable et offrant une valeur immédiate tout en soutenant la pérennité du
processus d’amélioration.

3
Les obstacles à surmonter
Des données de haute qualité sont nécessaires pour exploiter pleinement le potentiel de
l'entreprise et offrir tous les avantages des nouveaux systèmes ERP, des nouvelles
initiatives de CRM, de BI, de mise en conformité et de solutions d'entreposage de données.
Inversement, des données de mauvaise qualité entraînent les transactions, les processus
et les projets à l'échec, conduisant à une augmentation des coûts, des risques
supplémentaires, réduisant la confiance dans les données de l'entreprise et entrainant
éventuellement une perte des affaires. De nouveaux systèmes ERP sont souvent perçus
comme la solution à la qualité et la gouvernance des données tenant compte de leur rôle
central pour capturer et maintenir ces données. Toutefois, les systèmes ERP n'ont jamais
été conçus pour gérer la qualité des données. De plus, toutes les données de l'entreprise
ne résident pas dans les systèmes ERP. En fait, la responsabilité de la qualité des données
repose souvent sur une équipe de gouvernance des données ou alors une équipe de
gestion des données qui agit uniquement à titre consultatif, rapportant à l'informatique et
ayant très peu de pouvoir ou d'influence sur les budgets et la qualité des données de
l’entreprise. Pour une grande organisation classique qui passe sur un nouveau système
ERP, le budget et les ressources sont généralement épuisés par l'acquisition et la mise en
œuvre des applications et moins d'attention est de fait accordée aux processus de
pérennisation de la qualité des données à travers l'entreprise.

Par conséquent, les personnes en charge du budget comprennent de manière anecdotique


que la qualité des données aboutit à l'efficacité des processus et à une confiance accrue
dans l’entreprise. Il n'y a souvent pas de compréhension :

• De comment justifier le coût ou la valeur des intendants aux données (data


stewards)
• Des processus ou rôles axés sur la gestion des données en tant qu’atouts
• Des impacts métier et du potentiel de création de valeur d'une équipe dédiée de
qualité des données

En conséquence, la plupart des organisations ont de la difficulté à construire des


initiatives sur la qualité des données. Alors, elles échouent à la mise en œuvre et à la
gestion continue des processus de qualité des données.

4
Le modèle de maturité de la Data Excellence
Le modèle de maturité de la Data Excellence suit l’évolution d’une organisation depuis le
début de la gouvernance des données, souvent décrite comme la phase «chaotique»,
jusqu’au stade le plus mâture où les données sont utilisées comme un actif de base de
l'entreprise et décrites comme la phase «prédictive». Le modèle de maturité est souvent
utilisé pour comprendre la meilleure approche dans les projets et initiatives visant à
introduire progressivement les concepts et les méthodologies d’excellence des données
du Framework de Data Excellence fourni par Global Data Excellence Ltd. L'objectif métier
de ce modèle est de positionner une entreprise en fonction de sa capacité à générer de la
valeur métier à partir des données de l'entreprise.

La figure ci-dessous montre le modèle de maturité de la Data Excellence.

Figure 1. Modèle de Maturité de la Data Excellence

Le temps pris par les entreprises pour progresser au travers des étapes de manière
incrémentale, met en évidence le mauvais alignement que l’on observe souvent entre les
objectifs des programmes de gouvernance des données et les objectifs définis par les
métiers. Le Framework de Data Excellence supporte l’approche dite “proche et lointaine”
qui peut alors délivrer en parallèle, une valeur immédiate à la vision à long-terme attendue
par les métiers.

5
Le Framework de Data Excellence
Le Framework de Data Excellence décrit la méthodologie, les processus et les rôles
nécessaires pour générer de la valeur business, tout en améliorant les processus métier
utilisant la qualité des données et les règles de gestion. Le Framework prend en charge la
création du changement de culture qui sera focalisé sur l'excellence des données, en
motivant globalement les équipes et en soutenant la collaboration entre les intervenants.
Le Framework prend en considération le fait que la solution, bien que simple à énoncer,
soit complexe et avec plusieurs dimensions. Il ya donc une focalisation forte sur la culture
comme clé d'une solution durable. Une différence fondamentale du Framework de Data
Excellence est qu'il est axé sur la génération de valeur par rapport à la plupart des
initiatives relatives aux données qui sont conceptuelles et/ou ne sont axées que sur la
réduction des coûts.

Le Framework de Data Excellence repose sur quatre piliers de valeur que nous pensons
essentiels à la survie de toute organisation ou entreprise dans l'ère de l'information:
Agilité, Confiance, Intelligence et Transparence. Nous sommes convaincus que ces
caractéristiques sont des piliers fondamentaux de la valeur permettant d'assurer la
pérennité des entreprises tout en soutenant la croissance économique. Aujourd’hui, plus
que jamais, la qualité des données et la gouvernance sont les clés de la pérennité de
manière globale.

Le schéma ci-dessous illustre les quatre piliers de valeur.

Figure 2. Les quatre piliers de valeur

Pour qu’une organisation puisse s'orienter vers la valorisation de ses données en tant
qu'actif de l'entreprise, elle a besoin de changer sa culture et la façon dont les données
sont gérées. Les données ne sont pas détenues par des individus - elles sont la propriété
de l'entreprise pour soutenir ses objectifs. L'organisation a besoin de définir des rôles
d’intendants des données (Data Steward) qui prennent à leur compte la responsabilité des
règles métier de l'entreprise et la valeur des données. La figure ci-dessous montre notre

6
proposition visant à cultiver les données de l'entreprise comme un actif et illustre le
changement de comportement et de mentalité qui sont nécessaires pour progresser vers
la pérennité de l’excellence du business.

Figure 3. La proposition de gestion du changement

Les Dimensions de la qualité des données


En définissant un Framework comportant des dimensions de qualité de données, tels que
la spécificité, la complétude, l'exactitude, la non-obsolescence, la cohérence, la qualité des
données peut être mesurée et contrôlée. La qualité des données peut être liée à un
processus d'entreprise à travers l’identification et la mesure de la qualité des données et
sa conformité avec les règles métier de base qui sont essentielles pour que ce processus
réussisse.

Le tableau 1 donne la définition des six dimensions de la qualité des données:

Dimension Description

La dimension de la spécificité est la collection des règles métier qui


Spécificité permettent l'identification d'une entité de façon déterministe, d’une
(Uniqueness) relation ou d'une instance d'événement dans un contexte défini
permettant d'exécuter un processus métier spécifique.

La dimension de la complétude est la collection des règles métier qui


Complétude garantissent que toutes les données requises pour une exécution
(Completeness) réussie d’un processus dans un domaine défini soit présentes dans la
base de données

La dimension de l’exactitude est la collection des règles métier qui


Exactitude
prouve que les données reflètent la réalité à travers un contexte et
(Accuracy)
un processus défini

7
La dimension de la non-obsolescence est la collection de règles
Non-obsolescence métier qui garantissent que les données requises pour exécuter un
processus défini dans un contexte spécifique soit actuelles et à jour

La dimension de la cohérence est la collection des règles métier


requises pour assurer que les valeurs des données sont fournies
Cohérence
« bonnes dès la première fois » dans toutes les bases de données et
(Consistency)
systèmes pour l’exécution d’un processus métier spécifique dans un
contexte défini

La dimension de la rapidité est la collection de règles métier qui


Rapidité garantit la livraison des données « bonnes dés la première fois »
(Timeliness) requises pour faciliter l’exécution des processus métier et remplir
les accords de niveau de services.

Table 1. Les dimensions de la qualité des données

En résumé, les six dimensions de qualité permettent d’augmenter et de préciser la vision


de la qualité des données utilisée pour l’exécution des processus ou transactions.

La gouvernance des données par les règles de gestion


Le Framework de Data Excellence définit les règles métier en tant que règles auxquelles
les données doivent se conformer pour exécuter convenablement les processus
d'entreprise. Pour chaque objet de données, ex. client, fournisseur, banque, matériel, actif,
emplacement, etc. et pour chaque dimension de la qualité des données, un ensemble
spécifique de règles métiers doivent être identifiés, documentés et gérés. L'objet des
données doit toujours être lié au contexte et aux processus business lors de la définition
d'une règle métier qui s'y rattachent. Il est important d'adopter une approche pratique de
la qualité des données et de se concentrer sur un plus petit ensemble de règles métier
critiques, plutôt que de chercher les 100% de qualité de données, qui ne seront jamais
être atteint ou requis. Nous recommandons que le niveau optimal de la qualité des
données soit impérativement ciblé afin d'optimiser la valeur métier et éviter les retards.
L'ensemble des règles de gestion soutenant la qualité des données augmente au fil du
temps dans le cadre du processus d'amélioration continue.

8
La figure ci-dessous illustre un exemple anecdotique de la manière dont une règle de
gestion amène à l’impact et à la valeur business.

Figure 4. Règle de gestion, Impact & Valeur

Exemples de quelques règles de gestion usuelles décrites ci-dessous:

• Un enregistrement de commande client doit disposer d'un code produits non-


obsolètes (SKU)
• Un enregistrement de client doit avoir un « score de crédit » en cours pour
qu’une commande soit transformée
• Un dossier de client final doit avoir une date de naissance valide pour que cet
enregistrement puisse être inclus dans les campagnes de marketing où l'âge est
un critère impératif
• L’adresse de courriel doit être remplie pour toute une série de campagnes de
marketing via Internet
• Tous les enregistrements de banque doivent avoir le code ISO du pays dans les 5 e

et 6 rangs du code SWIFT pour sa validation


e

• Le code de la devise doit être compatible avec le code pays afin de valider la
cohérence

Comme le Framework est appliqué, chaque règle de l'entreprise doit être attribuée à un
propriétaire afin d'identifier l'individu responsable qui assurera que la règle est correcte
et appliquée. La figure ci-dessous montre quelques exemples de règles métier
supplémentaires. Chacune des règles de gestion doit être liée aux transactions métier
appropriées en vue d'évaluer et de quantifier une valeur business tangible ou une valeur
de risque.

9
Figure 5. Exemple de règles de gestion

Les Indicateurs Clé de Valeur (Key Value Indicators « KVIs »)


Les Indicateurs Clé de Valeur (KVIs) sont une des principales réalisations attendues du
Framework de Data Excellence. Les KVIs sont une mesure du pourcentage
d’enregistrements qui exécutent avec succès des règles métier ainsi qu'une liste
d’enregistrements qui ont violé ces règles métier. Le KVI est la base pour le calcul de
l'impact business et la valeur générée.

L'indice est calculé de manière unique où chaque enregistrement ne peut impacter l'index
qu’une fois par violation des règles métier. Cela permet au KVI de mesurer “la santé” de
l'organisation d’un point de vue “qualité des données" en dépit du fait que les mesures
couvrent tous les objets de données différents (ex. Les KVIs mesures des pommes et des
oranges, de la même façon qu’un thermomètre mesure la santé de l'organisme en tenant
compte des différentes parties qui le composent comme le bras, les jambes, la tête et le
torse).

10
Les chiffres ci-dessous illustrent deux exemples.

Figure 6. Exemple de KVI de la règle de gestion des analyses de dépenses

Figure 7. Exemple de KVI de la règle de gestion "Bon dès la première fois"

Les KVIs mesurent la qualité du contenu des données ainsi que le temps pris pour 
leur livraison (rapidité) et les processus de leur gestion permettant l'exécution fluide 
et sans faille des processus métier et des transactions. L'accent est surtout mis sur la 
promotion de la culture du « bon dès la première fois » 

11
 
Pour une Excellence pérenne de la qualité des données
Une gouvernance des données réussie et durable ne peut pas être atteinte sans des
processus communs à travers l'entreprise. Les pratiques et les méthodes communes
promeuvent l'exécution des processus d'amélioration continue. Ces méthodologies
s’axent sur les analyses des causes premières afin de résoudre l'origine du problème et
améliorer les processus métier. Notre proposition est de se concentrer principalement sur
la résolution des problèmes mis en évidence par les KVIs impactant la livraison de valeur à
court terme, puis de passer à l'analyse des causes fondamentales pour améliorer les
processus métier, et idéalement, de mettre en œuvre les processus de prévention de la
pollution des données.

Le processus continu de la Data Excellence vise à aider l'entreprise à accélérer le


changement de méthodologie afin d’atteindre l’excellence dans les données et le business.
Il se déroule en cinq étapes distinctes montrées dans le schéma ci-dessous

Figure 8. Le processus de data excellence aide les organisations à changer de


méthodologie

12
Le modèle de gouvernance de la Data Excellence
Un des principes directeurs pour l'acceptation et l'application des programmes de
gouvernance des données est d'éviter les augmentations substantielles des effectifs en
tirant parti des ressources humaines, des outils et des infrastructures actuels. L'approche
doit être progressive et non invasive, renforçant ainsi une culture de responsabilisation
axée sur les priorités. Pour qu’une organisation s'oriente vers la valorisation de ses
données en tant qu'actif de l'entreprise, elle a besoin de faire évoluer sa culture et de
changer la façon dont les données sont gérées. Les données ne sont pas détenus par les
individus - elles sont la propriété de l'organisation pour soutenir les objectifs de
l’entreprise. L'organisation a besoin de définir des rôles d’intendance des données qui
prennent la responsabilité des règles métier et les données qui s'y rapportent. Plus
précisément, les délégués aux données sont des individus nommés à chaque niveau de
l'organisation et de leur localisation. Ces individus prennent la responsabilité des:

• Règles de gestion et des Indicateurs Clé de Valeur (KVI)


• Niveaux de qualité des données
• Corrections de données

Les rôles suivants sont définis:

I. Intendant des données (Data Steward) - Individu responsable d'un ensemble de


règles métier pour l'entreprise et qui actionne les processus de l'excellence des
données
II. Référent des données (Data Accountable) - Individu qui est le référent à son
domaine pour l'application des règles métier et les objectifs liés aux KVI
III. Responsable des données (Data Responsible) - Individu qui est responsable de
chaque donnée source individuelle liée aux règles métier

Le modèle de gouvernance est soutenu par un Groupe de Data Excellence et


opérationnalisé par le Framework de Data Excellence. Le Groupe de Data Excellence sera
chargé de faciliter l’exécution des processus de traitement des données au sein de
l'organisation, d'accompagner les intendants et de maintenir leurs connaissances et leur
réseau.

13
La figure ci-dessous montre le modèle de gouvernance de données.

Figure 9. Le modèle de gouvernance des données

Figure 10. La répartition des rôles

La plateforme technologique
Il est important d'avoir la vision de l'état final d'une plateforme technologique pour
accompagner le voyage vers l’excellence des données, du chaos à la phase prédictive tout
en gardant à l'esprit que sa mise en œuvre devrait être introduite progressivement pour
soutenir l'exécution et la mise en œuvre de la stratégie du Framework. L’ajout de chaque
composant doit être aligné avec les objectifs métiers qui sont présents dans la feuille de
route globale du programme d'excellence des données. Par conséquent, nous ne devrions
pas attendre la mise en œuvre de la plateforme complète d'un seul coup parce que
l'organisation ne pourrait pas être prête et il serait difficile de justifier l'investissement.

Les quatre piliers (Agilité, Confiance, Intelligence et Transparence) soutiennent les


impératifs business les plus courants que les dirigeants financent aujourd’hui. L'agilité est

14
nécessaire pour réagir aux changements externes et internes et assurer rapidement une
intégration réussie des transformations grâce à l'harmonisation des processus, des
acquisitions, des fusions, des cessions et des réorganisations. La confiance est associée à
l'intégrité des données, par exemple les étiquettes sur les denrées alimentaires doivent
être exactes - sinon la confiance dans la marque est perdue. Si un produit financier
promet un retour sur investissement incorrect, les acheteurs ne font plus confiance à la
marque. L’intelligence à tous les niveaux de l'entreprise conduit à une exécution sans
faille, à l'efficacité opérationnelle et à la consolidation financière précise basée sur «le
juste à temps » de la qualité des données provenant des systèmes d'information et
d'applications (globaux et opérationnels). Finalement, les avantages de la transparence ne
sont apparus essentielles à la performance de l’organisation que récemment - elle est
nécessaire pour accroître la visibilité et la collaboration au sein et en dehors de
l’écosystème. La responsabilité sociale des entreprises sera rendue possible par la
capacité de partager des données en interne dans l'entreprise et à l'externe avec des
partenaires. Il en résultera de nouvelles façons de travailler et cela permettra d'abaisser
davantage le coût d'utilisation des données.

Figure 11. Vision de la plateforme technologique métier

15
La figure ci-dessous montre une vue simplifiée d'une plateforme de Data Excellence. Au fil
du temps une plateforme complète d'intégration de données est un impératif - y compris
l'accès aux données, le nettoyage, la transformation, le chargement et la livraison. Le
nettoyage des données doit pouvoir être effectué en batch et en temps réel. Les données
associées à des processus métier doivent être chargées dans une base de données. Les
KVI doivent être calculés.

Figure 12. Une vue simplifiée de la plateforme de Data Excellence

Conclusion
Nous avons présenté un Framework global de Data Excellence axé sur la création de
valeur pour les métiers à partir des données de l'entreprise. L'approche que nous avons
décrite est essentiellement pragmatique et facile à utiliser. L'exécution chirurgicale de
notre Framework permet d’obtenir des résultats plus rapides, facilite la collaboration
entre les différentes fonctions et est alignée avec la vision à long terme pour pérenniser
l’excellence dans le business. Notre approche met les transactions métier au centre de la
qualité et de la gouvernance des données alors que les modèles de gouvernance
traditionnels se focalisent sur la façon de gouverner les Master Data. La gouvernance des
données, dans notre modèle est un moyen d'offrir une valeur métier - elle ne dessert
aucun objectif supérieur.

16