Cinq étapes clefs pour des données d'entreprise performantes

Introduction

Pour qu’une décision soit opportune au niveau de l’entreprise, elle doit s’appuyer sur des

données correctes. Qu’il s’agisse de décisions opérationnelles ou encore stratégiques,

chaque acteur, depuis la Direction générale jusqu’au point de vente, a besoin de disposer

d’informations fiables et exactes pour prendre les décisions appropriées – connaître son

parc client pour le cibler en regard d’un nouveau produit, statuer sur l’opportunité d’une

mise sur le marché en regard de la typologie de mes clients, etc.. Toutefois, il convient de

reconnaître que de mauvaises données conduisent inéluctablement à de mauvaises

décisions, à des stratégies inadéquates ainsi qu’à un service client médiocre.

Attendu que les entreprises mettent en oeuvre des initiatives basées sur les données,

telles que les ERP (Progiciels de Gestion Intégrés), la gestion de la relation client (CRM) ou

autres, il est évident que les problématiques de qualité des données existent dans toute

entreprise. Les appréhender efficacement – et instaurer des contrôles pour maintenir

cette qualité – est essentiel au bon fonctionnement de chacune de ces applications.

Il existe bon nombre de raisons pour que les données soient pauvres ou inutilisables, que

ce soit du fait d’une simple erreur humaine ou de l’absence de standards à travers les

systèmes ou les organisations. Pour pallier les problèmes liés à des données impropres,

les organisations doivent construire un socle technologique afin de les identifier et les

éliminer.

Cependant, la seule technologie ne peut résoudre ces problèmes. Il est donc impératif de

se doter des compétences et des processus idoines. Ce livre blanc a pour objet de

démontrer comment on peut fédérer efficacement les hommes, les processus et la

technologie au travers d’une méthodologie en cinq étapes qui permet aux organisations

d’analyser, améliorer et contrôler les données d’entreprise.

La qualité et la

gestion des

données reposent

autant sur une

organisation et des

processus dédiés

que sur la

technologie.

2

Les cinq étapes-clés pour des données d’entreprise

performantes

L’élaboration d’un système d’information « corporate » performant suppose davantage

que la seule technologie. S’il est crucial de pouvoir disposer d’une technologie capable de

couvrir un large spectre en termes de qualité de donnée, il s’avère également essentiel de

s’appuyer sur une méthodologie adéquate pour pouvoir la gérer efficacement. DataFlux

met en oeuvre une méthodologie articulée autour de cinq étapes, dédiée à la qualité et la

gouvernance des données d’entreprise, qui est le fruit d’une expérience de plus de dix ans

et de milliers d’implémentations. Ces cinq étapes-clés sont le profilage (data profiling), la

mise en qualité (data quality), l’intégration (data integration), l’enrichissement (data

enrichment) et le monitoring (data monitoring). Ces cinq étapes offrent une approche

pratique et éprouvée qui permet aux organisations d'analyser, d'améliorer et de contrôler

leurs données ainsi qu’un cadre efficace à l’ensemble des processus d’amélioration des

données. Lorsqu’elle est appliquée, cette méthodologie permet d’avoir une vue unifiée de

toutes les typologies de données, dont les données client, produit ainsi que, par exemple,

les informations fournisseurs à tous les niveaux de l’entreprise.

Le profilage

Première étape de la méthodologie, le profilage (data profiling) consiste en l’examen de la

structure, des relations et des contenus des données existantes afin de déterminer leur

état. Ce procédé concourt à l’élaboration de meilleures solutions pour la correction ou

l’harmonisation des informations. Au cours de l’étape de profilage, les données sont

examinées sous trois angles différents, conduisant à une vision claire de la nature et de la

teneur des problèmes.

Les cinq

composants-clés

d’un programme

de gestion des

données :

profilage, mise en

qualité,

intégration,

enrichissement et

monitoring.

3

Le profilage constitue une étape essentielle dans l’analyse des problématiques de qualité

des données au travers de la découverte:

• de leur structure – Les modèles de données correspondent-ils aux modèles

attendus

...