Ni le big data ni la technologie d’intelligence artificielle ne profiteront aux entreprises, si elles s’appuient sur des données défectueux. La transformation des données brutes en actifs commerciaux nécessite un système de gestion de la qualité des données d’une entreprise.
Importance de la qualité des données
Les données sont le carburant des systèmes d’ intelligence artificielle, la matière première des algorithmes analytiques et la base des systèmes d’automatisation des processus métier. Cependant, « Est dupe » de s’attendre à ce que les données soient initialement propres et adaptées au traitement, et si les données initiales sont incorrectes, les résultats apparaîtront inappropriés. Que pouvez-vous faire pour corriger les défauts de vos données? Comment déterminer ce qui doit être corrigé et ce qui ne l’est pas? Comment savoir quand résoudre un problème et quand il vaut mieux ne rien toucher? En d’autres termes: comment gérer la qualité des données?
L’économie numérique repose sur les données
Les technologies de l’intelligence artificielle fascinent à la fois les entreprises et les responsables gouvernementaux – de nombreuses entreprises et agences gouvernementales cherchent à utiliser les outils appropriés pour prendre des décisions en fonction des données historiques et opérationnelles dont elles disposent. Les données sont un facteur clé de l’économie numérique, mais en réalité, les fiascos sont plus nombreux que prévu.
La raison en est la faible qualité des données, le désordre qui ne permet pas d’obtenir des résultats fiables à partir du fonctionnement de systèmes d’automatisation intelligents complexes et coûteux. Les analystes tirent la sonnette d’alarme: seuls 25% des salariés des entreprises du monde entier sont prêts à utiliser efficacement les données dans leur travail, tandis que les autres doutent de leur capacité à comprendre les données (pour comprendre les sources primaires, poser des questions, évaluer la fiabilité, naviguer dans la sémantique des données, etc.).
En conséquence, seulement un peu plus d’un tiers des employés font confiance à leurs propres décisions, obtenues uniquement sur la base de données, à un degré ou à un autre, et plus de la moitié, lorsqu’ils prennent des décisions, consultent en outre des experts et s’appuient sur leur propre intuition.
Une surabondance de données diverses et une accumulation d’outils variés pour travailler peuvent être trompeuses: il peut sembler que pour monétiser les données et augmenter la productivité des employés, il suffit d’investir dans des outils avancés ( machine learning, outils de business intelligence, etc.), qui permettent, par exemple, de développer des offres attractives individuelles grâce à une connaissance approfondie du marché et des consommateurs.
Mais le big data (3V: Variety, Velocity, Volume) appartenant aux entreprises ne vaut rien sans l’exhaustivité et la fiabilité : (Veracity). La quantité, le taux de collecte et la variété à eux seuls ne garantissent pas un ensemble de données de haute qualité avec lequel travailler. Non seulement cela, mais, comme le montrent de nombreuses enquêtes, un excès de données provoque le stress et la perplexité chez les employés.
Bien sûr, des outils sont nécessaires: s’attendre aujourd’hui à ce que les employés travaillent sans des données, c’est comme les inviter à aller chasser sans armes ni équipements. Les employés ont déjà «disparu dans le fourré des données», mais ils s’y promènent aveuglément et même s’ils tombent accidentellement sur le pool nécessaire d’informations utiles, ils peuvent être désarmés devant eux. Cependant, les outils d’accès aux données sont une condition nécessaire mais non suffisante.
Il est nécessaire de créer les conditions pour une utilisation indépendante et sûre des données par les employés – une stratégie d’entreprise pour la gestion des données en général et leur qualité est nécessaire, et surtout, la vulgarisation de travail de premier ordre avec les données.
Stratégie et persévérance
En règle générale, il faut commencez à réfléchir à une stratégie de gestion de la qualité des données dès que le premier projet d’analyse de bout en bout de votre entreprise échoue. En ce moment, on comprend que l’analyse ne fonctionne pas à cause de données erronées. Ils commencent d’urgence à travailler sur leur qualité.
Après un certain temps, tout se calme plus ou moins, dans les grandes organisations, ils créent des services appropriés responsables de la qualité des données et commencent à gérer les données de base, tandis que dans d’autres, ne parviennent qu’à une solution à un problème particulier et au bout d’un certain temps, ils échouent avec la qualité.
Lors de l’élaboration d’une stratégie de gestion de la qualité des données, vous devez tout d’abord vous concentrer sur les objectifs de l’entreprise et les tâches actuelles de l’organisation, en répondant à la question: pourquoi avons-nous besoin de données maintenant?
La stratégie qualité des données : voici les principes:
- modèle transparent et compréhensible d’indicateurs de qualité;
- institut des propriétaires et conservateurs de données;
- priorités explicites pour les tâches de traitement des données;
- équilibrer les exigences de qualité des données;
- sensibilisation de tous les participants aux processus commerciaux à la qualité des données;
- automatisation et reproductibilité maximales.
De toute évidence, tous ces principes nécessiteront une équipe interdisciplinaire et inter-fonctionnelle de chefs de produits d’information, d’experts en gestion de données et de chefs des ventes, du marketing et des opérations commerciales.
La stratégie de gestion de la qualité des données doit prendre en compte la politique de gestion des données (Data Governance); prévoir la mise en œuvre de mesures de profilage des données (Data Profiling), leur comparaison et leur harmonisation (Data Matching); inclure la préparation de rapports sur la qualité des données (Data Quality Reporting) et un système de gestion des données de base (Master Data Management, MDM); fournir des moyens d’intégration de données, par exemple sur les clients (Customer Data Integration, CDI); Décrire les interfaces avec les sous-systèmes Product Information Management (PIM) et Digital Asset Management (DAM).
Toute organisation ou entreprise sérieuse doit simplement avoir son propre spécialiste dans la mise en place des processus de gestion des données et l’analyse de leur qualité.
Plus d’informations sur – Qualité des données: de la stratégie à la pratique
