Monte Carlo · 19 juillet 2024
Pourquoi les initiatives qualité des données échouent avant de commencer
- qualité des données
- bonnes pratiques
- gouvernance
Beaucoup de programmes de qualité des données meurent avant d'avoir produit le moindre effet. Pour Monte Carlo, spécialiste de l'observabilité des données, la cause est rarement technique : les organisations traitent toutes leurs données comme également importantes et négligent les mécanismes d'incitation. L'article en tire quatre leçons, sous la forme d'une méthode de « scorecard ».
Prioriser, puis mesurer ce qui compte
Première leçon : identifier les données réellement critiques pour le métier, en interrogeant les usages — qui s'en sert, pour quoi, à quelle échéance. Deuxième leçon : ne pas mesurer que les dimensions classiques de la qualité, mais aussi « la machine » — supervision, traçabilité, documentation, propriété des tables — dont l'état corrèle fortement avec la santé des données. L'exemple d'Airbnb, cité dans l'article, pondère fiabilité, gestion responsable et utilisabilité à hauteur de 60 % du score total.
Inciter plutôt que contraindre
Troisième leçon : fonctionner par niveaux de certification — un label à conquérir plutôt qu'une conformité subie — tout en maintenant un socle minimal obligatoire. Quatrième leçon : automatiser l'évaluation via l'observabilité plutôt que de s'épuiser en revues manuelles. Le fil conducteur : ce qui est mesuré est géré, à condition que producteurs et consommateurs de données puissent voir, comprendre et améliorer les scores en autonomie.
Ce que cela change pour une PME
La scorecard d'Airbnb n'est pas transposable telle quelle à une PME — mais ses principes, si. Toutes les données ne se valent pas : concentrer l'effort sur les cinq ou dix fichiers dont dépend réellement l'activité, désigner un responsable par donnée critique et suivre deux ou trois indicateurs simples suffit souvent. C'est la démarche de l'axe « qualité & fiabilité » de l'Audit Data : prioriser avant d'outiller.