La Gouvernance Des Données : Une Approche De Valeur Conduite Par Les Métiers

Transcription

1 La Gouvernance Des Données : Une Approche De Valeur Conduite Par Les Métiers Un guide pratique du Dr. Walid el Abed Président fondateur Janvier 2011 Copyright Global Data Excellence 2011

2 Contenu Préambule Introduction Les obstacles à surmonter Le modèle de maturité de la Data Excellence Le Framework de Data Excellence Les Dimensions de la qualité des données La gouvernance des données par les règles de gestion Les Indicateurs Clé de Valeur (Key Value Indicators «KVIs») Pour une Excellence pérenne de la qualité des données Le modèle de gouvernance de la Data Excellence La plateforme technologique Conclusion La gouvernance des données : une approche de valeur conduite par les métiers

3 Préambule Ce mois-ci, le mois suivant et le prochain trimestre, vos compétiteurs vont continuer à remporter 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 en optimisant, en même temps, 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 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 du premier coup». 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. C est cela 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. La gouvernance des données : une approche de valeur conduite par les métiers 3

4 La spécificité et la portée de l avantage concurrentiel d une organisation sont aujourd hui définies par les individus et les données. 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. Introduction Les volumes de données ne cessent d 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 nouvelles opportunités 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 tiers. De la fragmentation des données, résulte des données de moins bonne 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 manque 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. 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. 4 La gouvernance des données : une approche de valeur conduite par les métiers

5 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. L objectif métier du modèle de maturité de la data Excellence est de positionner une entreprise en terme de capacité à générer de la valeur business à partir de ses données. 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 décrite 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. 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. La gouvernance des données : une approche de valeur conduite par les métiers 5

6 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 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 multi-dimensionnelle. 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 à 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. 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 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. 6 La gouvernance des données : une approche de valeur conduite par les métiers

7 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 Spécificité (Uniqueness) Complétude (Completeness) Exactitude (Accuracy) Non-obsolescence Cohérence (Consistency) Rapidité (Timeliness) Description La dimension de la spécificité est la collection des règles métier qui permettent l identification d une entité de façon déterministe, d une 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 garantissent que toutes les données requises pour une exécution 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 prouve que les données reflètent la réalité à travers un contexte et un processus défini La dimension de la non-obsolescence est la collection de règles 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 «bonnes du premier coup» dans toutes les bases de données et 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 garantit la livraison des données «bonnes du premier coup» requises pour faciliter l exécution des processus métier et remplir les accords de niveau de services. 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 : une approche de valeur conduite par les métiers 7

8 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 doit être identifié, documenté et géré. 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, ce qui ne saurait 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. 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.»»»»»»» 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 5e et 6e rangs du code SWIFT pour sa validation Le code de la devise doit être compatible avec le code pays afin de valider la cohérence 8 La gouvernance des données : une approche de valeur conduite par les métiers

9 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. Départements Régles de gestion Impacts principaux Valeur métier Finance Facturations bloquées (produits); commandes bloquées (matière brute) Mauvaise allocation des couts et des rapports Collecter plus rapidement le cash Production accélérée Précision dans l assignation des contrôles de matières Logistique Précision des codes de commodités Amendes pour le blocage du chargement Eviter les frais de justice (également clients) Améliorer l allocation de ressources Introduction de matériels «bon dés la première fois» Cout du travail à refaire Achats Ventes Conformité Inventaires sur les matériels inactifs ou obsolètes Précisons sur les données de matières brutes Répercussions du modèle de prix des produits Conformité de la combinaison des ventes de produits & pays Pertes dans les inventaires Planning de production bloqué Mauvais prix au client Amendes, image de l entreprise Production plus rapide Moins de réclamations des clients Sécurité Exhaustivité des données concernant les allergènes Menace sur la vie du consommateur Figure 5. des exemples de règles métier Les Indicateurs clé de valeur (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 médecin 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). Les chiffres ci-dessous illustrent deux exemples. Figure 6. Exemple de KVI de la règle de gestion des analyses de dépenses La gouvernance des données : une approche de valeur conduite par les métiers 9

10 Figure 7: Exemple de KVI de la règle de gestion Bon dès la première fois Bon du premier coup Saisie de produits L introduction de matériel requiert d être bon dès la première fois: Tous les champs nécessaires sont peuplés L information fournie est correcte Résultats des KVIs L ensemble de 82.2% sur les 6 mois de création des matières est bon dès la première fois pour un En supposant que c est bon dès la deuxième fois, environ un équivalent plein-temps de l organisation des vente est perdue dans la ressaisie Meilleure allocation des ressources de vente Cause première : Manque de discipline et de formation 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 du premier coup.» 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 la data excellence peut aider les entreprises à atteindre un changement de méthodologie. 10 La gouvernance des données : une approche de valeur conduite par les métiers

11 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 détenues 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 des 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. La figure ci-dessous montre le modèle de gouvernance de données. 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. Figure 9. Le modèle de gouvernance des données La gouvernance des données : une approche de valeur conduite par les métiers 11

12 Figure 10. La répartition des rôles L agilité est 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 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 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 essentiels 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. 12 La gouvernance des données : une approche de valeur conduite par les métiers

13 Figure 11. Vision de la plateforme technologique métier 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. Data Excellence Management System Le Data Excellence Framework (DEF) Ojectifs métier (Business Excellence) Impact et valeur Transactions Conversion des données Qualité des données Gestion des données Gouvernance des données BI ETL ETQL MDM Standards Reporting Service IT (vision informatique) Figure 12. Le Data Excellence Management System La gouvernance des données : une approche de valeur conduite par les métiers 13

14 La gouvernance des données, dans notre modèle est un moyen d offrir une valeur métier - elle ne dessert aucun objectif supérieur. 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 traditionnels de gouvernance 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. 14 La gouvernance des données : une approche de valeur conduite par les métiers

15 La gouvernance des données : une approche de valeur conduite par les métiers 15