Qualité des données. Quelle(s) vérité(s) dans les entreprises EXPÉRIENCES ISSUES DU TERRAIN

Transcription

1 Qualité des données Quelle(s) vérité(s) dans les entreprises EXPÉRIENCES ISSUES DU TERRAIN

2 Qualité des données Quelle(s) vérité(s) dans les entreprises EXPÉRIENCES ISSUES DU TERRAIN

3 Préface Qu est-ce que la vérité? Il y a la tienne, la mienne et celle de tous les autres. Toute vérité n est que la vérité de celui qui l a dite. Il y a autant de vérités que d individus. [Eric-Emmanuel Schmitt] Ce livre blanc, construit à partir de nombreux témoignages et des retours d expériences nous montre qu il en est de même lorsque l on s interroge quant à la qualité des données. La vérité dans les entreprises est multiple. Les données font partie des sources les plus stratégiques en matière de création de valeur à moyen et long terme pour l entreprise et les actionnaires. Cependant, reconnaître leur valeur est une chose, en créer et en capturer en est une autre. En effet, selon une étude que nous avons menée en 2010 auprès d un large panel d entreprises françaises, seule une entreprise sur cinq est capable de valoriser son capital informationnel. Ceci est d autant plus vrai dans le contexte actuel, marqué par un environnement réglementaire et technologique en perpétuelle évolution. S ajoutent à cela des inquiétudes grandissantes liées à la gestion des risques dans les entreprises ainsi qu une course vers l excellence opérationnelle. Le fait que les managers et décideurs soient capables ou non de s adapter à ce contexte est un enjeu stratégique ayant un réel impact sur la performance de l entreprise. 5

4 Afin d y parvenir, ces derniers doivent relever deux défis en particulier : le développement de moyens efficaces de gestion de la prolifération massive des données et, l établissement de relations claires vis-à-vis des données et ceci en termes de responsabilité et de propriété. Comment relever ces défis? Quelles sont les bonnes pratiques en la matière? Comment s y prennent les «best in class» et quels sont les écueils à éviter? Cet ouvrage tente de répondre à ces questions à travers des exemples de projets menés par des patriciens et nous offre une riche source d enseignement. Philippe Trouchaud Associé PricewaterhouseCoopers Advisory Zouheir Guédri Directeur PricewaterhouseCoopers Advisory 6

5 L augmentation croissante des volumes de données dans les organisations, conjuguée à une évolution régulière des systèmes d information, engendre des préoccupations importantes autour de la qualité des données. Dans un contexte où les organisations sont souvent contraintes de collecter plus de données pour produire plus d informations, les facteurs de dégradations de la qualité des données sont multiples et le coût de fiabilisation ou de production des informations- reste encore très élevé dans un bon nombre d entreprises. Les conséquences de la non-qualité, tant du point de vue du pilotage de l entreprise que de ses activités opérationnelles peuvent être majeures. Or, si tous les acteurs s accordent sur la nécessité de maîtriser la qualité des données, la perception de cette problématique (caractéristiques, impacts ) et les approches adoptées sont différentes selon les organisations. Ce livre blanc, s appuyant sur les témoignages de 25 entreprises, constitue une première sur cette thématique. Il apporte un éclairage inédit sur les différentes situations rencontrées par les organisations et les bonnes pratiques recommandées. Cet ouvrage reflète la prise de conscience générale autour de la nécessité de maîtriser l information. Cette ambition est partagée par nos Clients depuis plusieurs années et constitue l un des axes majeurs de notre proposition de valeur. Reda Gomery Directeur BI & EPM Micropole 7

6 Sommaire Qualité des données Quelle(s) vérité(s) dans les entreprises Préface... 5 Introduction Chapitre I 13 Qualité de l information dans les organisations : de quoi parle-t-on? Données, information, connaissance Données, information, connaissance Le cycle de vie de l information Les données Quelques chiffres Qu est-ce que la qualité des données? La fraîcheur La disponibilité La cohérence La traçabilité La sécurisation L exhaustivité Pourquoi la qualité de l information est-elle importante? Le coût de la non-qualité Qualité de l information et qualité des relations entre l entreprise et clients ou partenaires Aux sources de non-qualité 28 Chapitre II 29 La démarche qualité Les motivations Les événements déclencheurs des démarches QoD La recherche de plus d efficacité métier Facteurs clés de succès et bonnes pratiques Les 7 piliers de la qualité des données Les bonnes questions à se poser Le pilotage du projet La gestion des volumes Vers une gouvernance de l information D une démarche qualité à la mise en place d une gouvernance de l information Organisation d entreprise et gouvernance des données Une nouvelle répartition des rôles entre l Informatique et les métiers Limites et pièges à éviter Les réticences aux démarches de qualité de l information Le coût de la sur-qualité D autres écueils 61 8 Qualité des données Quelle(s) vérité(s) dans les entreprises

7 EXPÉRIENCES ISSUES DU TERRAIN Chapitre III 63 Perspectives Explosion de la volumétrie Changement de nature de la donnée Impact du Web et des médias sociaux Prise en considération accrue de la donnée non structurée La prise en considération des droits d usage de l information 70 Conclusion 73 Annexes histoires de qualité des données 83 À propos 111 des partenaires 111 A. PwC 112 B. Micropole 114 C. Electronic Business Group (EBG) 116 Bibliographie Remerciements Conclusion 73 Focus juridique 77 Focus juridique 77 1) Quel est l impact des dispositions comptables et fiscales en termes de qualité des données? 78 2) Les obligations comptables/ fiscales ne peuvent-elles pas aller à l encontre des démarches de qualité des données des entreprises? 80 Sommaire 9

8 Introduction À une époque où les Nouvelles Technologies de l Information et de la Communication (NTIC) emploient une part non négligeable de la population active, où l on a coutume de dire que nous sommes entrés dans l «économie de la connaissance», on pourrait penser que la gestion de la qualité des données et de l information est une discipline mûre, un fait acquis dans les entreprises. La présente étude, que nous avons menée, montre pourtant que si la majorité des entreprises s accorde sur son importance, leurs pratiques en la matière révèlent une grande diversité. Qu est-ce que la qualité des données et de l information? Pourquoi est-elle importante? Comment l atteindre? Telles sont quelques-unes des questions auxquelles nous allons tenter de répondre dans ces pages, au travers des retours d expériences de 25 entreprises de toutes tailles et de tous secteurs. 10 Qualité des données Quelle(s) vérité(s) dans les entreprises

9 Introduction Nous nous attacherons en un premier temps à distinguer les concepts proches, souvent confondus, que sont données, information et connaissance. Ceci nous permettra de lister une série de critères permettant de déterminer si elles sont de qualité ou non. Nous verrons également les principales causes à l origine de la nonqualité des données et de l information et les conséquences que cette non-qualité peut avoir. La deuxième partie du livre sera consacrée aux démarches de qualité des données (souvent abrégée en QoD pour Quality of Data). Quelles sont les motivations des entreprises qui se lancent dans une telle démarche? Quels sont les facteurs clés de succès pour y parvenir? Dans certains cas, nos interlocuteurs nous ont expliqué comment ils étaient allés jusqu à mettre en place une véritable gouvernance des données. Nous verrons aussi qu une série d écueils guettent les entreprises dans leur recherche de qualité et nous proposerons des pistes pour les éviter. Enfin, nous passerons en revue les grandes tendances qui sont en train de modifier en profondeur la qualité des données et de l information, depuis l explosion des volumétries jusqu à la prise en compte de l information non structurée, en passant par l impact du Web et des médias sociaux et la nécessité de définir non seulement les droits d accès mais encore les droits d usage de l information. Que votre entreprise soit déjà dans une démarche de gouvernance, en cours de mise en place d initiatives en termes de qualité des données ou en phase d interrogation sur la manière de s y prendre, les praticiens que nous avons rencontrés vont vous faire part, dans les pages qui suivent, de leurs meilleurs conseils. Nous vous laissons en leur compagnie 11

10

11 Chapitre I Qualité de l information dans les organisations : de quoi parle-t-on? On s attachera en premier lieu à définir quelques termes proches souvent confondus. 1.1 Données, information, connaissance Données, information, connaissance Le cycle de vie de l information Les données Quelques chiffres Qu est-ce que la qualité des données? La fraîcheur La disponibilité La cohérence La traçabilité La sécurisation L exhaustivité Pourquoi la qualité de l information est-elle importante? Le coût de la non-qualité Qualité de l information et qualité des relations entre l entreprise et clients ou partenaires Aux sources de non-qualité 28 13

12 1.1 Données, information, connaissance Données, information, connaissance Ces trois notions au cœur de la théorie de l information se recoupent et les universitaires spécialistes du domaine ne s accordent pas tous sur leurs définitions. 1 Dans le présent ouvrage, on retiendra les définitions suivantes : Données : «les données sont des faits et des statistiques qui peuvent être quantifiées, mesurées, comptées, et stockées.» (Dr Donald Hawkins, consultant en technologie de l information et chroniqueur chez Information Today). Information et connaissance : «une information est un ensemble de données organisées selon une ontologie qui définit les relations entre certains sujets. L information peut être communiquée. La connaissance est un ensemble de structures conceptuelles présentes dans le cerveau humain et imparfaitement représentées par des informations pouvant être communiquées.» (Dr H.M. Gladney, HMG Consulting) Le cycle de vie de l information Ces définitions montrent que l information dépend des données auxquelles elle ajoute de l intelligence. Quant à la connaissance, elle est de nature beaucoup plus subjective et peut être capitalisée et partagée au moyen de l information. La chaîne logique unissant les trois peut être représentée sous la forme de ce schéma : Metadata Master & Transaction Data Metadata Master & Transaction Data Event Data Object Process acting on Data Information Data in Context Process acting on Information Knowledge Information at work Applications Actors Applications Actors 1 Un article du JOURNAL OF THE AMERICAN SOCIETY FOR INFORMATION SCIENCE AND TECHNOLOGY de 2006 recense pas moins de 130 définitions différentes formulées par des experts : zins_definitions_dik.pdf 14 Qualité de l information dans les organisations : de quoi parle-t-on?

13 Une fois générées et capturées les processus de l entreprise agissent sur les données à travers une multitude de systèmes et d acteurs. Ceci comporte l ajout d autres données (les métadonnées et les données transactionnelles, référentielles). Le résultat de ce traitement est une donnée contextualisée : une information. Une information est définie comme étant «un ensemble de données fourni avec le contexte nécessaire pour la prise de décision». D autres processus d agrégation, de désagrégation, de sélection, d analyse, de consolidation, d interprétation et de communication constituent la connaissance qui va être utilisée au profit de l entreprise plus particulièrement pour la prise de décision. Chapitre I Les données Nos interlocuteurs, interrogés sur les démarches qualité des données dans leurs organisations, nous ont permis de distinguer plusieurs typologies. Données structurées/semi structurées et non structurées Les données sont dites structurées si elles peuvent être stockées dans des champs de bases de données et donc entrer dans un modèle de données clairement défini. Par exemple, il pourra s agir du chiffre d affaires d une business unit, de l audience d un site Web sur une certaine période, etc. Il s agit la plupart du temps de valeurs numériques ou de chaînes alphanumériques (ex. : l adresse d un abonné à un journal). Les données semi structurées sont des données ne répondant pas à un schéma fixe : elles ne peuvent pas être stockées dans des bases de données relationnelles. Elles sont structurées mais leur structure est implicite et irrégulière. L exemple typique est un ensemble de pages Web. 2 Les données non structurées, enfin, sont définies de la manière suivante par Bill Inmon, l un des pères des data warehouses : «tout document, fichier, image, rapport, formulaire, etc. qui n a pas de structure standard définie qui permettrait de le stocker facilement dans un dispositif de traitement automatisé. Il ne peut pas être défini en termes de lignes et de colonnes ou d enregistrements. ( ) Les données non structurées sont les s, les feuilles de calcul, les documents, etc. Certaines des informations les plus précieuses de l entreprise résident dans ses données non structurées.» 3 2 Voir Données, information, connaissance 15

14 Données de référentiel et données opérationnelles Une autre distinction concerne la différence entre les données opérationnelles (ou «transactionnelles» ou encore «données de flux») et les données de référentiel (master data). Les données de référentiel sont les données stables, n évoluant pas ou peu d un jour sur l autre, et dont les processus de l entreprise ont besoin pour fonctionner. Data Pyramid Exemples P&L, sales reports, inventory, business managing and reporting metrics Reporting Diferente Processes for Different Data Level Enterprise reporting lucidity depends on transactional activity Purchase orders, sales orders Pricing, document routing Material, customer, vendor Profit centers, Cost centers, Plant configurations Transactional Data Conditional Master Data Provisional Master Data Stable Key Reference Data Static Transactional data depends on conditional data and master data Conditional data applies only in specific situations (if this customer and material then this price) Master data defines both the material, vendor and customer, and how they will behave in the system Reference data defines your system and the limits of all elements Par exemple, Thierry Savit, DSI de la branche française du constructeur de copieurs et multifonctions Ricoh, nous présente les données qui sont utilisées chez eux : Ricoh France : une diversité de référentiels «Concernant les référentiels, nous en maintenons plusieurs : référentiel clients ; référentiel employés ; référentiel articles ; référentiel parc. Le référentiel parc contient les informations des machines installées chez nos clients. référentiel contrats. Dans notre métier, nous exploitons la plupart du temps nos machines sur la base de contrats. Ces contrats intègrent la location mais aussi le support : la maintenance, le réapprovisionnement des toners, etc. 16 Qualité de l information dans les organisations : de quoi parle-t-on?

15 Les données de ces référentiels évoluent lentement : le parc, le nombre de clients, sont des données assez stables sur une période de temps donnée. Ces référentiels sont d une certaine façon les indicateurs de notre puissance économique : ils permettent de comparer la taille de notre entreprise à une autre. À noter que le référentiel client est clé pour traiter avec pertinence la relation client. La base client n est toutefois pas une fi n en soi (il faut l exploiter) mais c est le prérequis de toute approche CRM. Avec un mauvais référentiel clients (avec des clients en double ou en triple dans la base, par exemple), nous aurions du mal à lancer des campagnes commerciales effi caces, et à satisfaire correctement nos clients. Avec clients, il est indispensable d avoir un référentiel clients de qualité.» Thierry Savit, DSI Chapitre I Les données opérationnelles, au contraire, sont liées à l activité quotidienne de l entreprise et sont beaucoup plus volatiles. Si l on reprend l exemple de Ricoh, il peut s agir des relevés compteurs des machines installées chez les clients : «contrairement aux référentiels, les données opérationnelles évoluent vite, voire concernent des événements ponctuels (comme un client qui passe une commande un jour J, par exemple), explique Thierry Savit. Leur valeur est souvent reliée à l axe temps.» Données observées et données calculées Cette autre distinction importante concerne les données collectées sur le terrain et les données calculées à partir de ces dernières, par exemple par un service reporting ou contrôle de gestion. Rudy Buchser d HSBC nous explique comment s insère la problématique qualité dans cette dichotomie entre «données primaires» et «données secondaires» : HSBC : deux niveaux de données imbriqués «Nous distinguons deux types de données : les données primaires, celles qui sont captées par les systèmes opérants, par exemple en agence ; Une donnée de ce type est de qualité si elle a été correctement captée et transmise. les données secondaires, provenant d un recalcul à partir des données primaires. Les processus de calcul sont robustes et ont été testés : ils n introduisent pas d erreur. La qualité des données secondaires dépend donc uniquement de la qualité des données primaires.» Rudy Buchser, Responsable Pôle décisionnel Données possédées en propre par l entreprise et données externes Autre distinction de plus en plus prégnante : celle existant entre les données internes à l organisation et celles auxquelles elle n a pas accès directement. Parmi ces dernières, on trouve notamment le cas des données «collectées» sur les réseaux sociaux comme Facebook. 1.1 Données, information, connaissance 17

16 Printemps : le difficile «embasement» des fans de la marque «Nous constatons qu il y a un tassement des taux d ouverture et des taux de clics de l . Le canal va perdurer mais il y a une sur-sollicitation progressive des internautes. C est notamment pourquoi Printemps s ouvre aux réseaux sociaux. Nous avons choisi Facebook, Twitter, Flickr et YouTube pour être présents au plus près de notre cible. Une de nos problématiques fortes sur ces réseaux est celle de l «embasement». L embasement est le fait de transformer un individu complètement volatile en un contact connu dans une base de données. Avec Facebook ou Twitter, nous ne sommes pas sur notre propre base de données, et les réseaux ne nous donnent que la possibilité d utiliser cette base. Pour «embaser» des gens qui sont sur les réseaux sociaux, nous faisons part de notre existence sur ces réseaux sociaux via nos autres canaux. Dans un deuxième temps, nous mettons en place des propositions de valeur plus particulières : un ton, une connivence, quelque chose de différenciateur qui donne envie d aller vers ces réseaux sociaux pour avoir un niveau d informations différent sur Printemps.» Benoît Rigaut, Directeur technique de l activité numérique Quelques chiffres La croissance exponentielle de la quantité des données et d information rend les problématiques de qualité de plus en plus importantes. Au niveau macroscopique, les chiffres donnent le tournis. D après IDC, l information totale produite chaque année par les entreprises devrait connaître une croissance annuelle de 67 % de 2007 à 2011, passant de 75 exaoctets à 580 exaoctets 4. Growth of Enterprise Information (Digital and Paper) Total Exabytes* Produced Worldwide a Tear *An exabyte is one billion gigabytes Source: IDC, % annual growth Évolution de l information des entreprises (Nombre d Exabyte produits/an) 4 1 exaoctet = 1 milliard de gigaoctets. 18 Qualité de l information dans les organisations : de quoi parle-t-on?

17 Mais cette progression n est rien au regard de ce qui nous attend. Ce qu IDC appelle l univers numérique, c est-à-dire la quantité d informations numériques créée ou répliquée annuellement, va être multipliée par 44 en 2020 par rapport à son niveau de 2009, pour atteindre 35 zettaoctets 5. L Univers numérique Chapitre I Figure 1: The Digital Universe Growing by a Factor of ZB* ZB* * Zettabyte = 1 trillion gigabytes Source: IDC Digital Universe Study, sponsored by EMC, May zettaoctet = milliards de gigaoctets 1.1 Données, information, connaissance 19

18 1.2 Qu est-ce que la qualité des données? Définir la qualité des données n est pas simple et il est souvent plus aisé de tenter de définir la non-qualité. On peut néanmoins retenir la définition suivante, qui pose bien les enjeux : «la qualité des données désigne l aptitude de l ensemble des caractéristiques intrinsèques des données (fraîcheur, disponibilité, cohérence fonctionnelle et/ou technique, traçabilité, sécurisation, exhaustivité) à satisfaire des exigences internes (pilotage, prise de décision ) et des exigences externes (réglementations, ) à l organisation.». Ces critères sont appliqués dans les démarches normées d audit également connues sous le nom de «CAVAR» (Completeness, Accuracy, Validity, Availability, Restricted access). Passons en revue chacun de ces critères La fraîcheur La fraîcheur des données est essentielle pour avoir une bonne vision d une situation à un instant t et pour prendre les bonnes décisions. C est en effet sous deux aspects que la fraîcheur est importante : un bref délai entre l observation d un phénomène (collecte de la donnée) et son analyse, un bref délai entre le reporting sur une donnée et l action (optimisation, correction) qui en découle. Les données : à consommer de préférence avant 1. The gap between a time period and when you analyze it Data Gathering Analysis Reporting Optimization 2. The gap between your analysis and your action Source : 20 Qualité de l information dans les organisations : de quoi parle-t-on?

19 Dans certains secteurs, la fraîcheur ne suffit même plus : c est la recherche du temps réel qui prévaut. C est en particulier le cas dans le domaine des études quantitatives (GfK) et de l analyse des médias (Kantar Media). GfK : le temps réel, inhérent à la qualité des données fournies aux clients «Le traitement en temps réel fait intégralement partie de la qualité du service fourni par GfK. GfK s engage en effet à livrer un périmètre de données avec une profondeur particulière d information et d analyse, dans un délai planifi é sur l année. GfK ne peut pas se permettre de ne pas livrer l information à la période, à la date voire à l heure prévue au départ.» Fabrice Benaut, CIO IFR Global Chapitre I Kantar Media : prégnance du temps réel et augmentation exponentielle des volumes d information à traiter «Les médias évoluent à une vitesse effrénée. Tout va extrêmement vite dans les domaines qui nous occupent. L information est véhiculée très rapidement. Pour prendre un exemple concret, en fi n d année 2010, on a pu observer un grand nombre de campagnes publicitaires orchestrées par des constructeurs automobiles et relatives à la prime à la casse. Or, lorsque Volkswagen, pour citer un constructeur en particulier, lançait une campagne autour d une offre bien particulière de reprise, les autres constructeurs se devaient d en être informés le plus rapidement possible afi n de pouvoir faire montre d une forte réactivité. Or, si nous sommes en retard, c est tout le reste de la chaîne qui en pâtit. Notre rôle est donc d être les plus proches du temps réel que faire se peut et d alerter le plus rapidement possible le client. ( ) Tout notre savoir-faire de centre serveur est mis au service de la structuration de la base pour pouvoir accéder à l information le plus rapidement possible. De même, nos moteurs d extraction nous permettent, avec des index bien particuliers, d aller rechercher, mais aussi de croiser les informations dans les meilleurs délais.» Denis Gaucher, Directeur Pôle Publicité La disponibilité Ce concept recouvre deux notions : l accessibilité, d une part, et d autre part ce que les anglo-saxons appellent findability, littéralement la «trouvabilité». L accessibilité L accessibilité des données dépend de plusieurs facteurs, parmi lesquels on peut citer : la robustesse technique des supports de stockage et des réseaux : les temps d interrogation des bases de données sont-ils suffisants? Plus les bases de données sont volumineuses, plus il est compliqué de garantir des temps d accès corrects. C est une performance à toujours renouveler, comme 1.2 Qu est-ce que la qualité des données? 21

20 l illustre Aurore Ferreira Lima, du groupe Moniteur : «nous avons parfois un peu de ralentissements. Cela s explique aussi par la complexité et la volumétrie de notre base. Mais globalement, la situation est tout à fait vivable.» On notera que des contingences matérielles peuvent ralentir l accès aux données qui ne sont pas toujours stockées numériquement : «les temps d accès sont bons, explique ainsi Patxi Plaa, de Carmen Immobilier. Ils peuvent cependant être dégradés, pour les documents papier, si la personne qui cherche une information n est pas sur le site où l information est stockée.» Le classement des données : est-il logique et documenté? Comme l indique Patxi Plaa : «l accessibilité dépend aussi du fait de savoir où est réellement l information. Nous avons mis en place des procédures de classement qui font qu il y a peu de soucis.» La Présentation des données : est-elle claire et intelligible? L Assistance aux utilisateurs : l organisation met-elle à leur disposition les outils techniques et/ou l accompagnement nécessaire? À l extrême, l information doit aller elle-même à la rencontre des besoins des utilisateurs, sans que ceux-ci aient besoin de «fouiller» dans des bases de données. C est en tout cas l idéal que se fixe Ricoh : Ricoh : l information accessible, c est celle qui va à l utilisateur «L information doit être accessible à tous ceux qui en ont besoin là où ils en ont besoin, quand ils en ont besoin (ceci en toute sécurité). Je parle de mobilité de l information car j aime dire que la mobilité consiste à faire en sorte de rester immobile : l information vient à vous, ce n est pas vous qui devez aller vers elle. Toutes les solutions mises en place chez Ricoh (smartphones, extranet, GED, bibliothèque documentaire) ne sont que des déclinaisons de ce parti pris.» Thierry Savit, DSI La trouvabilité L information peut être disponible, accessible grâce à des outils de requête et pourtant ne pas atteindre son destinataire. Encore faut-il qu elle puisse être trouvée facilement. Selon une étude réalisée par IDC, 56 % du temps des «travailleurs du savoir» est occupé par la recherche d informations. Analysis of Information 26% Successful Search 25% Recreate Existing Content 8% Unsuccessful Search 9% Conversion from other Formats 9% Gathering Information for Documents 22% Source : external_content/untrusted_dlcp/ en/us/enterprise/enterprise_solutions/pdf/findabilitywp.pdf 22 Qualité de l information dans les organisations : de quoi parle-t-on?

21 La trouvabilité de l information constitue donc un levier de productivité important. L enjeu est de taille, notamment pour les données non structurées. Schneider Electric : une trouvabilité plus dure à assurer pour les données non structurées «Dans notre système transactionnel, l information est facilement trouvable car elle est structurée et obéit à des règles de gestion. Quand nous voulons trouver un fournisseur ou un article, nos systèmes de business intelligence sont très puissants et peuvent parcourir toute la base de données, à la fois au niveau local et au niveau global. Le problème se pose plus au niveau des informations non structurées, telles que les s. Aujourd hui, nous ne disposons pas encore de solution de gestion documentaire capable de faire du text mining pour retrouver la bonne information.» Joël Aznar, Business Process Owner Chapitre I La cohérence Dans le meilleur des cas, la cohérence des données reçues de l extérieur peut être garantie par leur dimension institutionnelle ou quasi institutionnelle. C est ce qui arrive par exemple dans l immobilier où les données reçues du cadastre ou d autres organismes sont très normées, comme l explique Patxi Plaa de Carmen Immobilier : «ce qui nous aide et nous garantit une bonne homogénéité des informations, c est leur caractère réglementaire, qui les rend très standardisées.» Mais cette cohérence à la source n est pas le cas le plus fréquent. Pour les données produites par l entreprise elle-même, cela peut être encore plus compliqué. Cette cohérence des données entre les systèmes et les directions de l entreprise est pourtant essentielle à une époque où les processus sont de plus en plus intégrés. Le groupe PSA en a fait un de ses chevaux de bataille : PSA : Mettre en cohérence les référentiels pour décloisonner les métiers «La mise en cohérence de nos codifi cations est inséparable du décloisonnement des métiers. C est d autant plus vrai à notre époque où nous voulons proposer à nos clients des offres «produits + services» packagées. Par exemple, sur le Web, nous voulons que nos clients puissent accéder à des formules intégrant à la fois le véhicule, les accessoires, les services et le fi nancement. Auparavant, toutes ces informations étaient dissociées. Pour pouvoir proposer ces offres intégrées, nous devons créer un référentiel d offres, c est-à-dire un meta-référentiel intégrant des référentiels jusqu à présent disparates.» Florent Martin & Jean-Luc Laréquie, Architectes d Entreprise 1.2 Qu est-ce que la qualité des données? 23

22 Même constat pour Oscaro dans le domaine du e-commerce : Oscaro : la synchronisation entre flux de données et flux physiques au cœur de la qualité «Notre métier de base est de nous approvisionner en pièces automobiles et de les livrer aux clients. Nous expédions entre et pièces par jour. Nous nous organisons selon un système de codage et de suivi des livraisons par codes barres pour éviter les erreurs. La fi abilité des données dans notre domaine consiste à avoir toujours la plus fi ne correspondance entre la réalité des fl ux physiques et l information sur ces fl ux, en temps réel ou quasi réel.» Bruno Hétier, Directeur Marketing La traçabilité La traçabilité permet de suivre le cheminement de l information de sa collecte à sa restitution en passant par son traitement. Bien souvent, elle est associée à l historique d un processus ou d un produit. PSA : la traçabilité des données, carte d identité historisée d un véhicule «Au fur et à mesure de la vie d un véhicule, dès sa phase de conception, des informations viennent enrichir sa description, avec un souci de traçabilité des données : nous sommes capables de dire à partir de quelle date une donnée de référentiel est devenue active pour un véhicule donné. Par exemple, pour la propriété date de lancement du véhicule, nous pouvons non seulement retrouver cette date en tant que telle, mais également toutes les dates où elle a été modifi ée. Nous pouvons donc suivre l évolution du calendrier concernant le véhicule.» Florent Martin & Jean-Luc Laréquie, Architectes d Entreprise Bien évidemment, la traçabilité répond dans bien des cas à une obligation légale ou réglementaire, pour des raisons liées à la santé, à la sécurité ou à la protection de l environnement. C est le cas, par exemple, de l industrie de la parfumerie. Firmenich : la traçabilité des données, garante de la confiance de ses partenaires «Les contraintes légales associées aux produits de Firmenich imposent la traçabilité. Tous les lots de production sont soigneusement suivis et les documents légaux enregistrés dans des bases documentaires. Les changements de données clé sont suivis non seulement dans les systèmes, mais également dans les outils de workfl ow. Il est possible de déterminer quelle donnée vitale a été modifi ée, par qui, et pour quelle raison. Cette capacité permet non seulement d éviter des problèmes légaux, mais également satisfaire les demandes des clients, eux-mêmes soumis à des impératifs législatifs. Les chaînes logistiques étant de plus en plus intégrées dans des relations de partenariat entre clients et fournisseurs, il est impératif de garantir la traçabilité des informations afi n de préserver et de développer un climat de confi ance entre les partenaires.» Thierry Delez, Master Data Management Director 24 Qualité de l information dans les organisations : de quoi parle-t-on?

23 1.2.5 La sécurisation La sécurité est une des dimensions de la qualité de l information, même si ce n est pas forcément celle qui vient en premier à l esprit. La sécurité recouvre plusieurs thématiques : la notion d habilitation : autorisation d accès aux données sensibles ; les mesures prises contre la perte d informations ; la maîtrise des risques de «fuites» d informations sensibles. Chapitre I Si cette préoccupation se retrouve dans chacune des entreprises que nous avons rencontrées mais c est, sans surprise, à la Direction Générale de l Armement qu elle se révèle la plus forte. DGA : la sécurité, critère primordial de la qualité de l information «Dans un souci de sécurité, pour les données numériques sensibles, nous avons mis en place un réseau physique séparé. Cependant, pour l information la plus sensible, dite «classifi ée», la circulation papier reste aujourd hui la règle. Tout simplement parce que les procédures d habilitation et de diffusion sur le circuit papier sont claires, anciennes et connues de tous. Apporter le même niveau de sécurité dans un mode dématérialisé représenterait une refonte très importante de notre organisation.» Frédéric Benâtre, Ingénieur Général chargé de la sous-direction des systèmes d information L exhaustivité Une base de données exhaustive est une base qui contient toutes les informations requises pour le service que l on en attend. Cette notion d exhaustivité est fortement liée à l utilisation. Par exemple, un service commercial considérera que la base des ventes est exhaustive même s il manque le chargement de la facturation de la semaine dernière alors la direction comptable, en période de clôture, considérera cette base non exhaustive. 1.2 Qu est-ce que la qualité des données? 25

24 1.3 Pourquoi la qualité de l information est-elle importante? La qualité de l information a, on le voit, de multiples facettes. Complexe à gérer, elle apparaît pourtant de plus en plus comme une «ardente obligation» pour les entreprises Le coût de la non-qualité La qualité des données et de l information devient un impératif de compétitivité, tout simplement parce que leur non-qualité engendre des coûts. Oscaro : des données insuffisamment précises, causes de surfacturations potentielles «Pour contrôler nos mesures d achat, parfois nous faisons face à une insuffi sance de précision par rapport à nos réalités d achats et de livraison. Ce qui crée des diffi cultés de contrôle des factures. Raison pour laquelle, nous faisons souvent l objet de surfacturation de la part de nos fournisseurs. C est un énorme fl ux d informations et de produits logistiques. Avec ce double fl ux, il est diffi cile de faire une traçabilité à toutes les étapes (information, livraison, expédition).» Bruno Hétier, Directeur Marketing L impact peut aussi être un manque à gagner. La non-qualité des données peut avoir des conséquences désastreuses en termes de marketing. Conforama, Groupe Moniteur : la non-qualité des données, ennemie n 1 de l efficacité marketing «Pour mesurer l impact de la non-qualité des données, nous disposons de quelques indicateurs, comme le taux de PND (plis non distribués). Il est évident que plus ce taux augmente, plus le coût de la campagne marketing est lourd. Mais au-delà de ce strict impact comptable, un client que l on n arrive pas à contacter, par exemple parce que son adresse a été mal mise à jour ou pas mise à jour après un déménagement, c est un client que l on risque de perdre.» Arnaud Wielgus, Directeur Marketing Relationnel et Web de Conforama «Un courrier qui n arrive pas, c est un client potentiel qu on ne va pas relancer ou que l on ne va pas démarcher, et cela a un impact direct sur le chiffre d affaires.» Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects Groupe Moniteur 26 Qualité de l information dans les organisations : de quoi parle-t-on?

25 1.3.2 Qualité de l information et qualité des relations entre l entreprise et clients ou partenaires La victime collatérale la plus manifeste des problèmes de qualité des données n est autre que le client. Des données insatisfaisantes engendrent des dysfonctionnements dans les processus, se répercutant directement sur la satisfaction client et par effet boomerang, sur l entreprise elle-même. Firmenich : sur un marché en renouvellement accéléré, les problèmes de qualité des données ne pardonnent pas «Il existe une relation directe de cause à effet entre la qualité des données et la capacité de Firmenich à satisfaire ses clients. En effet, le cycle de création des produits est extrêmement rapide : plusieurs dizaines de milliers de produits sont introduites chaque année. Pour maintenir ce rythme, il est essentiel de ne pas perdre de temps en hésitations sur les ingrédients des nouveaux produits, donc sur la codifi cation des matières premières et des produits eux-mêmes. Le moindre problème de qualité des données dans ce domaine, ou sur les données relatives à la chaîne d approvisionnement, se traduirait immédiatement par des effets négatifs qui éroderaient la satisfaction de la clientèle ou poseraient des problèmes logistiques ou commerciaux.» Thierry Delez, Master Data Management Director Chapitre I Une qualité des données insuffisante met également à mal les relations de l entreprise avec ses partenaires, au premier rang desquels les fournisseurs. La fonction Achat y est particulièrement sensible : La qualité des données fournisseurs, indispensable pour bien négocier «La fonction achat mène des négociations globales avec les fournisseurs ; si elle n a pas accès facilement aux informations, elle n est pas dans les meilleures conditions pour démarrer une négociation avec un fournisseur. Par ailleurs, un référentiel fournisseurs incorrect au niveau des coordonnées bancaires peut perturber la facturation et les règlements, et engendrer des litiges, donc des coûts.» Joël Aznar, Business Process Owner, Schneider Electric «Nous sommes une entreprise industrielle : 70 % de notre chiffre d affaires est dépensé chez les fournisseurs. Or, le rythme est très serré dans notre secteur d activité. Dès lors, les négociations avec les fournisseurs se font à un rythme effréné. Pour pouvoir bien négocier, nos acheteurs ont besoin d informations fi ables sur les fournisseurs, par exemple sur les volumes d achat qui ont déjà été passés avec eux, les conditions de paiement qui leur sont réservées, etc.» Beray Gerdan Legouverneur, Business Systems Director, Faurecia Si les problèmes de qualité des données ont dans tous les cas des répercussions sur l efficacité de l entreprise, leurs conséquences peuvent être carrément dramatiques lorsque l environnement économique est troublé, comme il l a été à partir de 2008 en raison de la crise financière. Rudy Buchser d HSBC nous le rappelle à point nommé : «l impact d une qualité insuffisante des données dépend fortement du contexte. Il peut être réduit en vitesse de croisière comme catastrophique en période de crise.» 1.3 Pourquoi la qualité de l information est-elle importante? 27

26 1.4 Aux sources de non-qualité Les origines de la non-qualité des données sont aussi nombreuses que les situations particulières des entreprises. Parmi les principales, deux types reviennent cependant fréquemment : les dysfonctionnements organisationnels et les erreurs humaines. Firmenich : quand des problèmes de processus se transforment en problèmes de qualité des données «Sur certains de nos sites, les processus à l origine des données n étaient pas optimisés et les équipes de maintenance devaient faire face à des problèmes de qualité des données dont l origine résidait dans des processus inadaptés. Chaque processus impacté a été audité en temps réel, pour analyser avec précision le chemin emprunté par chaque demande et le temps nécessaire à son exécution. Cette méthodologie a permis de produire une vision objective des problèmes et de les résoudre. Elle a permis de sortir d un contexte parfois émotionnel pour aboutir à des processus mesurables intégrés en un système cohérent.» Thierry Delez, Master Data Management Director L éditeur d annuaire en ligne Europages a, quant à lui, un processus hautement automatisé pour la réalisation des pages Web qu il réalise pour ses clients, majoritairement des PME en quête de visibilité. Dans ce processus, il y a néanmoins une étape humaine dite de «taggage», consistant à placer sur les pages de petits bouts de code invisibles permettant de tracer l audience de chaque site. En cas de souci, c est bien souvent à cette étape que le bas blesse : Europages : les erreurs humaines, au cœur de la non-qualité des données «Notre workfl ow est fortement automatisé. Les risques d erreurs humaines se concentrent sur les étapes de taggage et de mise en production des pages. Dans le cas où nous aurions deux versions d une page en préparation, l une taggée, l autre pas, et où nous mettrions en production celle qui n est pas taggée, nous ne pourrions pas remonter les informations de trafi c pour cette page. Malheureusement, il n y a pas d outil qui permette de vérifi er de manière automatisée qu une page est taggée avant sa mise en production. Pour mesurer la qualité de notre taggage, nous avons mis en place un tag particulier, qui s appelle «alert no tag», qui nous permet d être informés en cas de souci.» Éric Hobein, Business Intelligence Manager 28 Qualité de l information dans les organisations : de quoi parle-t-on?

27 Chapitre II La démarche qualité 2.1 Les motivations Les événements déclencheurs des démarches QoD La recherche de plus d efficacité métier Facteurs clés de succès et bonnes pratiques Les 7 piliers de la qualité des données Les bonnes questions à se poser Le pilotage du projet La gestion des volumes Vers une gouvernance de l information D une démarche qualité à la mise en place d une gouvernance de l information Organisation d entreprise et gouvernance des données Une nouvelle répartition des rôles entre l Informatique et les métiers Limites et pièges à éviter Les réticences aux démarches de qualité de l information Le coût de la sur-qualité D autres écueils 61 29

28 2.1 Les motivations Les entreprises qui entament une démarche de qualité des données le font généralement pour trois types de raison : soit poussées par un événement déclencheur (fusion de l entreprise avec une autre, acquisition d un concurrent, changement de l ERP dans un souci d harmonisation des processus), soit par une nécessité juridique, légale ou de conformité (Solvency 2, Bâle) soit par une volonté d améliorer leur efficacité métier. Une étude 6 réalisée par PwC, nous montre que la gestion des risques et de la relation Client, ainsi que la conformité réglementaire sont les principaux moteurs à l établissement d une stratégie de gestion de données. Leviers pour la mise en place d une gestion de données Conformité règlementaire Maintien/ réductions des coûts Fusions et acquisitions Gestion des risques Optimisation du revenu Relation client Business intelligence Les événements déclencheurs des démarches QoD Les phénomènes de fusions ou d acquisitions entre entreprises demandent une période d adaptation pendant laquelle les équipes de chaque société apprennent à travailler ensemble. Elle permet aussi d harmoniser les processus et les systèmes. Pendant un certain temps, le nouvel organisme constitué peut fonctionner moins bien que chacune des entreprises prises isolément. En matière de données, il est nécessaire d adopter un langage commun et de connecter les systèmes d information, voire d en construire un nouveau. C est souvent l occasion pour les dirigeants de porter un coup de projecteur sur la qualité des données voire de détecter des problèmes latents qui préexistaient à la fusion. Dans les contextes de fusions ou d acquisitions, la convergence des référentiels (clients, produits, fournisseurs, employés ) se révèle souvent un facteur clé de succès de l harmonisation des processus et d alignement des pratiques de pilotage. 6 Enquête Datamanagement «Gouvernance qualité des données» réalisée en 2010 et portant sur un panel de sociétés françaises de tous secteurs et de toutes tailles. 30 La démarche qualité

29 Alcatel-Lucent : quand la qualité des données s invite au mariage entre deux géants «Le déclencheur de la démarche a été chez nous une série de fusions-acquisitions et notamment celle entre Alcatel et Lucent en 2007, qui a donné naissance au groupe tel que nous le connaissons aujourd hui. Les deux entreprises Alcatel et Lucent étaient déjà deux géants dans leur domaine avec chacune son propre système d information. L harmonisation des processus et des systèmes a créé des diffi cultés et a surtout amplifi é des soucis de qualité des données qui existaient déjà dans chacune des deux entreprises. Plus concrètement, nous constations que nos collaborateurs avaient l habitude d escalader des problèmes de qualité des données mais sans bien les qualifi er. Ils nous disaient souvent : les données ne sont pas bonnes.» Mais nos collaborateurs ne précisaient pas toujours ce qu ils entendaient par données, ni le souci de qualité précis qu ils rencontraient.» Laurence Orazi, Data Governance Manager Chapitre II Les contextes de fusions/acquisitions favorisent l extension des gammes produits ou des portefeuilles clients. Les difficultés résident souvent dans la capacité à pouvoir caractériser de manière unique une vue Client, Produit ou fournisseur mais également de pouvoir appréhender de nouvelles nomenclatures. SFR a connu une difficulté du même type. L acquisition de Neuf Cegetel se traduisait de surcroît pour SFR de la découverte d un nouvel univers de données, lié à l ADSL et à la téléphonie fixe. SFR : la convergence fixe mobile passe par la convergence des données «En 2008, SFR a acquis Neuf Cegetel qui était lui-même né de différents rachats et fusions (Neuf, Cegetel, Aol France, etc.). Si le nouveau groupe que nous avons formé avait un besoin de consolidation, le besoin était encore plus fort au niveau de la BI de manière à avoir une vision claire du portefeuille clients. Nous avons donc mis en place un plan de convergence des données entre les périmètres fi xe et mobile.» Frédéric Chassard, Responsable Architecture SI Décisionnel & Marketing Opérationnel Une entreprise peut être «secouée» par un autre événement d envergure : la mise en place ou le changement d un ERP dans un objectif d harmonisation des processus. La gestion ad hoc des données et les processus plus ou moins informels peuvent s avérer tout à coup inopérants. 2.1 Les motivations 31

30 Firmenich : l industrialisation du SI est synonyme d industrialisation du pilotage des données «À l origine, l activité de Firmenich reposait sur un ensemble d applications maison et de petits ERP gérés localement. L intégrité des données était assurée par une base centrale, unique source de vérité, reliée aux systèmes locaux par des interfaces unidirectionnelles. Ceci correspondait assez bien à la structure de Firmenich, dont les fi liales étaient assez indépendantes les unes des autres. Bien qu il existe un important volume d activité intragroupe, l intégrité référentielle était suffi sante pour supporter les fl ux commerciaux. Les problèmes étaient résolus de manière ad-hoc, par coordination entre les différents acteurs. Les fi liales n étaient pas supposées modifi er les données fournies par la base centrale, mais les impératifs opérationnels autorisaient un niveau relativement important d exceptions, qui pouvaient être écrasées par une nouvelle mise à jour via l interface. Les conséquences sur la qualité et la fi abilité des données sont évidentes, mais le modèle décentralisé permettait d y remédier relativement effi cacement. Dès 2006, avec l introduction de SAP comme ERP global, il est devenu évident que la qualité des données devait être considérablement améliorée car l intrication des fl ux internes nécessitait un alignement étroit entre les organisations. Bien que l intégrité référentielle demeure un critère essentiel, il n était plus suffi sant pour représenter la qualité des données. Dans ce contexte, la société a réalisé qu elle devait se doter de compétences en Master Data Management afi n de gérer les données de manière plus contrôlée et garantir l intégrité nécessaire au fonctionnement de SAP en mode global.» Thierry Delez, Master Data Management Director Lorsque l entreprise prend la décision de remplacer une série de progiciels par un produit standard du marché, elle se lance dans un projet de grande ampleur qui peut mettre en exergue la nécessité de revoir la gestion des données de référentiel. Schneider Electric, par exemple, en a fait l expérience avec son projet «global core system» : Schneider Electric : quand le passage à SAP s accompagne d une centralisation des référentiels «Historiquement, les données achats étaient stockées au niveau national dans des systèmes locaux, à travers 50 à 60 ERP différents, rien qu au niveau du périmètre EMEA. Cela rendait plus compliquée la mise à disposition de la bonne information au bon moment pour les acheteurs, sachant que parmi eux certains achètent à la fois pour la République tchèque, la Bulgarie, l Espagne, l Italie Notre projet global core system, initié en 2004, vise à centraliser la gestion des master data, c est-à-dire des données de référentiel, structurantes au niveau business. Ces données sont progressivement centralisées autour du progiciel SAP.» Joël Aznar, Business Process Owner, fonction Achats 32 La démarche qualité

31 Il arrive également que l entreprise prenne conscience de l enjeu de la qualité des données à un moment où elle décide de s ouvrir davantage sur l extérieur. C est ce qui est arrivé à Arval, lorsqu elle a souhaité lancer son extranet. Arval : l entreprise ouverte à ses clients doit être capable de leur donner de l information de bonne qualité «La démarche QoD d Arval est née dans le contexte de la mise en place d un extranet pour ses clients. La nature composite de notre SI, formé d applications seulement partiellement intégrées, faisait qu un certain nombre de données n étaient pas de qualité suffi sante pour pouvoir être exposées aux clients. Nous étions obligés de procéder à des retraitements manuels. L objectif de la démarche QoD était donc d identifi er les données les plus exposés aux clients et les principales carences en termes de qualité de manière à traiter ces problèmes de manière ciblée, priorisée et effi cace.» Carlos Fialho, responsable BI & Reporting Chapitre II La recherche de plus d efficacité métier Les démarches qualité des données ne sont pas toujours le fruit de contraintes extérieures. Elles peuvent aussi résulter d une volonté délibérée de l entreprise de rationaliser ses processus et d accroître l efficacité métier. 65 % des projets de qualité de données ont contribué à l amélioration de la relation clients. France Télécom : un référentiel unique au service du processus de consolidation «À l origine, nous avions un système de consolidation en fi n de vie face aux évolutions réglementaires, dont la structure applicative décentralisée (une dizaine de bases) générait des lourdeurs et des délais et ne disposant d une vision détaillée métier. Le projet de refonte, qui a abouti au système actuellement en production depuis 2005, avait pour objectif, outre la prise en compte des normes IFRS de disposer d un système de consolidation-reporting pour l ensemble du Groupe, reposant sur une base et un référentiel uniques et communs offrant une vision plus riche de l activité.» Djamel Benallal, Directeur Finance Group Solutions 2.1 Les motivations 33

32 La rationalisation des processus peut prendre la forme d une amélioration des connaissances. La gestion de la relation client est une des fonctions qui peut bénéficier de cet effort, comme l illustre le cas du groupe Moniteur. Groupe Moniteur : le projet «contact unique» pour mieux connaître ses clients «Après un travail préparatoire amorcé il y a 1 an, le projet contact unique, piloté par la GRC, va entrer en production : il vise à agréger le maximum de données sur un contact unique. Le premier but est d améliorer la connaissance que nous avons de nos clients. Celle-ci est essentielle pour que nous puissions leur proposer des offres cohérentes. Jusqu à présent, par exemple, nous pouvions savoir, dans un système, que l un de nos clients avait participé à une conférence, et dans un autre qu il était abonné à une revue, sans être capable de faire le lien entre les deux. Le deuxième but est de bien doser la pression commerciale que nous exerçons sur nos clients et prospects, pour ne pas trop les solliciter et éviter de leur envoyer plusieurs fois la même offre! Le troisième but est d améliorer l effi cacité de nos campagnes et de réduire leur coût, en diminuant les courriers ou les mails n arrivant pas à leur destinataire (NPAI et NP@I).» Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects La qualité des données peut être un réel catalyseur de progrès pour les processus de l entreprise. C est un avantage indéniable qu y voit Arnaud Wielgus de Conforama : Conforama : quand la qualité des données rend possible la bonne performance du métier «L amélioration de la qualité des données permet au Métier d envisager des actions qui étaient impossibles jusqu alors. Le manque de centralisation de nos données ne nous permettait pas, jusqu à présent, d affi ner nos campagnes marketing en mettant en place des scénarios précis. Beaucoup d actions manuelles étaient nécessaires. Désormais, nous allons pouvoir automatiser et industrialiser nos campagnes. La complétion de nos données et les gains de productivité liés à notre processus de centralisation vont nous permettre de tirer tout le parti de nos outils de reporting et de gestion de campagne : nous allons pouvoir mettre pleinement en cohérence nos actions papier (prospectus, mailing) et ing par exemple, et distinguer différents scénarios selon la réaction de nos clients et prospects (relances, modifi cation des messages, etc.).» Arnaud WIELGUS, Directeur Marketing Relationnel et Web 34 La démarche qualité

33 2.2 Facteurs clés de succès et bonnes pratiques Les 7 piliers de la qualité des données Se hâter lentement La qualité des données doit répondre à une véritable stratégie. Elle va mobiliser l entreprise et changer des habitudes de travail : mieux vaut prendre le temps de la bâtir, de soupeser différentes options, avant de mettre en place la démarche. C est le choix qu a fait Printemps : bien préparer sa base de données avant de se lancer dans le e-commerce avec printemps.com. Chapitre II Printemps : prendre le temps de l analyse «Nous pensons que les données sont capitales. Même si il y a un fi r st-move r advantage à être précurseur dans un domaine comme le e-commerce, je pense qu il y a un last-mover advantage pour des sociétés qui prennent le temps de construire une base de données solide avant de se lancer dans son exploitation sur ce terrain où les coûts d acquisition client sont élevés. Il est important aussi de construire de bonnes capacités d exécution autour de ces données. Nous avons choisi de procéder en deux temps par pragmatisme : la priorité était d être capable d envoyer des s de manière très régulière, en industrialisant le processus, depuis la défi nition du contenu jusqu au respect précis des droits de l internaute à gérer ses abonnements, en passant par l envoi en masse. Pour l instant, nous procédons encore à des analyses manuelles de l effi cacité de nos campagnes d ing. Quand nous aurons parfaitement compris quelles sont les informations intéressantes, nous pourrons automatiser une bonne partie de cette analyse.» Benoît Rigaut, Directeur technique de l activité numérique Une posture posée comme celle-ci peut être particulièrement difficile à prendre pour une entreprise. Une analyse trop longue risque de faire perdre de sa fraîcheur à la donnée et va à l encontre de l aspect temps réel dont nous avons vu qu il devenait déterminant. Dans ces conditions, trouver le bon tempo est un véritable enjeu. La société d analyse des médias et de la publicité, Kantar Media, est confrontée à cette problématique : Kantar Media : collecter vite, analyser soigneusement «Après la restitution, l enrichissement et la structuration des data vient une deuxième étape animée par une question cruciale : que faire de ces données? Parfois, on peut se contenter d extraire un chiffre. Dans ce cas, il n est question que d assimiler une information. Cependant, d autres fois, il faut être capable de digérer la masse d informations, pour l analyser et la faire parler. 2.2 Facteurs clés de succès et bonnes pratiques 35

34 Nous arrivons là à une autre partie de notre activité qui est le planning stratégique. Nous disposons de spécialistes qui vont analyser le contenu des données en prenant en compte des dimensions de sémiologie, de sémantique, etc., le but étant de restituer à nos clients une véritable valeur ajoutée et d imaginer, à partir de ces informations, des tendances à venir. Nous travaillons donc sur deux échelles de temps : d une part le traitement opérationnel en fl ux tendu et d autre part le planning stratégique qui se fait sur la durée.» Denis Gaucher, Directeur Pôle Publicité Standardiser La démarche qualité de l information part du postulat qu il est possible et souhaitable d appliquer la même attention aux actifs intangibles que sont les données et l information qu aux actifs tangibles que sont les produits. C est ce qui explique que nombre de concepts de la gestion de la qualité des données s inspirent de la gestion de la qualité en général, en particulier des démarches mises en place dans l industrie. Parmi ces concepts, la standardisation joue un rôle crucial. Standardiser les processus et les systèmes de l entreprise est un des meilleurs moyens de garder les données sous contrôle. Sodexo en fournit un bon exemple. Sodexo : des produits et des applicatifs standards au centre de la gestion des données «Nous avons standardisé nos recettes sur chaque zone géographique et secteur d activité. Ainsi, quand un responsable de la gestion des menus décide de mettre un plat au menu pour une semaine donnée, nous pouvons anticiper très vite les besoins en ingrédients. Très rapidement, nous sommes capables d identifi er et consolider les besoins puis de passer les commandes à nos fournisseurs principaux. ( ) ( ) Jusqu à présent, chaque pays avait recours à des applications plutôt locales. Mais nous sommes en train d uniformiser les applicatifs au niveau fi nance au travers d un projet appelé Optimum couvrant 40 pays. Pour aller plus loin, nous avons aussi intégré le périmètre achats, pour que les responsables de sites sur les pays de moyenne taille puissent gérer en ligne leur catalogue. Les plus grands pays étant équipés déjà depuis longtemps. Cela correspond à une transformation progressive de notre mode d organisation : nous déployons petit à petit des applications plus globales, pilotées de manière plus standardisée mais en conservant toujours un lien fort avec les métiers.» Jean-Louis Picard, Application Director Continental Europe On-Site Services Solutions Au final, il s agit de diffuser dans l entreprise un langage commun, utilisé de la captation des données jusqu à leur exploitation. C est l esprit du programme «contact unique» du groupe Moniteur : 36 La démarche qualité

35 Groupe Moniteur : le programme «contact unique» «La GRC a mis au point une nomenclature type que nous diffusons vers tous les systèmes sources (nos publications) pour qu ils l adoptent. Cela se traduit par une normalisation et une rationalisation de la donnée qui font que, progressivement, tout le monde parle le même langage. Aujourd hui, la plupart des formulaires sont déjà normalisés.» Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects L industrie automobile est particulièrement en pointe dans ce domaine. C est ainsi toute une sémantique de la donnée que le groupe PSA a développée : PSA : parlez-vous LCDV? «Depuis 1983, nous avons mis au point un langage nous permettant de représenter très précisément chaque modèle de véhicule : le LCDV ou Langage Commun de Description des Véhicules. Un ensemble de codes fi gurant dans un ordre bien déterminé nous permet de décrire des caractéristiques telles que la famille de véhicules, la silhouette, le type de moteurs, les équipements Ces codes constituent une grammaire, partagée par le Groupe, qui nous sert à décrire de manière soit macroscopique, soit au contraire très détaillée, une confi guration donnée. Dans les faits, cette grammaire est si riche qu elle permet même de décrire beaucoup plus de véhicules que nous ne sommes capables de fabriquer concrètement.» Florent Martin & Jean-Luc Laréquie, Architectes d Entreprise Chapitre II Privilégier l unicité des données L un des soucis que l on rencontre lorsque l on gère une base de données est bien entendu la présence de doublons. Ils encombrent la base, rendant les requêtes moins performantes, perturbent le métier (par exemple en dupliquant les envois de mailing) et, plus généralement, traduisent une zone de flou quant à la connaissance des items qui intéressent l entreprise. Les managers que nous avons interviewés sont conscients de cet enjeu et insistent souvent sur la nécessité de rendre unique l information. Pour Djamel Benallal de France Télécom, c est un des critères les plus importants qui a présidé à la refonte du processus de consolidation financière : «une base unique et unifiée par pays qui permet à tous les contrôleurs de partager le même outil pour la collecte des données prévisionnelles et pour le suivi du réalisé». Thierry Savit, DSI de Ricoh, érige même ce principe au rang de credo : Ricoh France : le credo de l unicité «Une information, un responsable. Une information doit appartenir à une personne et n être saisie dans le système que par elle. Le corollaire d une information émise par une seule personne, c est une information stockée à un seul endroit : la GED s il s agit de factures, la bibliothèque bureautique s il s agit d un document Offi ce, l ERP si l on parle d une information back-offi ce, Siebel si c est une information front-offi ce.» Thierry Savit, DSI 2.2 Facteurs clés de succès et bonnes pratiques 37

36 Bien gérer les habilitations Avec les données, bien précieux et fragile s il en est, il convient de définir qui dans l entreprise a le droit de faire quoi. L ERP est bien souvent le nerf de la guerre : les habilitations d accès doivent être gérées avec soin. C est ainsi que France Télécom a mis en place «une alimentation du réalisé par interface avec les ERP comptables, sans possibilité pour les utilisateurs d altérer les données.» Firmenich privilégie, elle aussi, une relation avec les ERP médiatisée par des interfaces maintenues par une équipe dédiée : Firmenich : des équipes pour traduire les besoins métiers en langage SAP «Dans le cadre d une implémentation globale SAP, il n est pas envisageable d ouvrir la gestion des données à n importe quel utilisateur. Non seulement les données de SAP sont parfois complexes à comprendre, mais leur segmentation rend opaque les impacts entre les différentes fonctions et organisations. De plus, l effet d une maintenance impropre peut apparaître plusieurs semaines après l erreur, rendant l identifi cation proactive des problèmes diffi cile à maîtriser, surtout dans une entreprise dont la culture SAP est encore en construction. Firmenich a donc opté pour la formation d équipes très qualifi ées, capables d interpréter les besoins du business, exprimés en termes simples et naturels, puis de les traduire en données consistantes.» Thierry Delez, Master Data Management Director Délimiter le périmètre de la QoD Vouloir faire de la qualité sur tout, c est risquer de n en faire sur rien. Vu l ampleur de la tâche, les entreprises ont tout intérêt à identifier un périmètre de données sensibles sur lequel la démarche qualité a du sens. Groupe Moniteur : la qualité passe par le tri «Après un état des lieux de la situation, la première question que nous nous sommes posée a été : avons-nous vraiment besoin de toutes les données issues de tous les systèmes sources? Nous avons commencé par faire un bilan de ce qui était utile ou pas pour les utilisateurs métier. Cela nous a permis de défi nir les données à récupérer et de construire notre modèle de données.» Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects Quand on gère des volumes de données gigantesques, la question du choix est encore plus primordiale. Être précis à la virgule près sur chaque donnée n aurait pas de sens et serait matériellement impossible. SFR est typiquement dans ce genre de situation. 38 La démarche qualité

37 SFR : une démarche qualité, oui, mais sur quelles données? «La volumétrie des données susceptibles, potentiellement, d être stockées dans notre data warehouse, est gigantesque. Pour limiter la volumétrie que nous conservons et analysons réellement, nous nous posons, pour tout type de données, les questions suivantes : conserver cette donnée apporte t-il de la valeur? Si oui, pendant combien de temps? Pour répondre à ces questions, nous observons les usages qui sont fait de notre base : quelles tables sont interrogées, à quelle fréquence, par qui? Une entité dédiée à la gouvernance des données, située à l interface entre la BI et le Métier, a pour rôle de défi nir les données à conserver, ajouter ou retirer. L apparition d un nouveau marché est un cas particulier : lorsque les comportements des consommateurs sont à découvrir, que les segmentations ne sont pas du tout établies, que les offres sont inédites, le Métier a envie de conserver toutes les données car il ne sait pas a priori lesquelles sont les plus importantes. C est ce qui s est passé au moment de l explosion du trafi c Internet mobile, en 2008, sous l impact très net du lancement de l iphone. Le système d alimentation de notre data warehouse n était pas dimensionné à l ampleur du phénomène, tout à fait inattendu. Chapitre II Les choses sont différentes aujourd hui : nous ne conservons l intégralité des données que sur nos services Portail (SFR, Vodafone) et procédons à de l échantillonnage sur le reste du trafi c. Malgré tout, ce ne sont pas moins de 100 millions de lignes de logs de navigation qui entrent dans notre base chaque jour. SFR, pour la partie BI, ne fait pas le choix de suivre de la même façon toutes les données, la largeur et la profondeur à adresser ne le permettent pas. Les données les plus sensibles au sens métier et processus applicatifs sont sélectionnées et priorisées, les métriques d assurance qualité sont défi nies ainsi que les seuils d alertes métiers.» Frédéric Chassard, Responsable Architecture SI Décisionnel & Marketing Opérationnel Benoît Quintin, Responsable QoS/QoD Data warehouse services Oscaro, spécialiste de la vente en ligne de pièces détachées automobiles, s est attaché aussi à sélectionner de manière drastique les données sur lesquelles son effort de qualité allait porter : Oscaro : fiabiliser les données, oui, mais de manière sélective «La fi abilisation des données constitue un investissement pour l entreprise. Nous avons identifi é les zones où la non-qualité des données était plus pénalisante pour notre activité en termes de rentabilité, de productivité, de satisfaction client, ou de faculté d analyse. La direction a procédé à une fi abilisation sélective des données en fonction de l impact des données sur la productivité, sur l effi cacité du business parce qu il ne sert à rien de fi abiliser des données inutilisées. C est ce qu on appelle du perfectionnisme inutile.» Bruno Hétier, Directeur Marketing 2.2 Facteurs clés de succès et bonnes pratiques 39

38 Piloter la qualité des données Mettre en place des indicateurs de performance pour piloter la qualité des données est un acte fondateur témoignant du sérieux de l entreprise dans sa démarche. C est une condition du succès, comme nous le rappelle Thierry Savit : Ricoh France : ce qui n est pas mesuré ne peut pas être contrôlé, ce qui n est pas défini ne peut pas être mesuré «Pour améliorer la qualité des données, il faut la mesurer, et pour la mesurer, il faut déjà savoir la défi nir. La mise en place de KPI et le reporting sur les données sont fondamentaux. À l ADV, par exemple, la principale refonte qui est en train de se faire parallèlement à l automatisation de la commande c est de mettre en place des indicateurs de mesure de la qualité, comme le nombre de commandes qui ne sont pas modifi ées après enregistrement, par exemple.» Thierry Savit, DSI La définition de KPI et leur suivi dans le temps sont un signal fort donné à l ensemble de l entreprise : «à partir de maintenant, la qualité des données fait partie des axes que nous suivons de près». Le fait de les publier, service par service, peut inviter les uns et les autres à devenir champions de la qualité. C est en tout cas le pari fait par Firmenich : Firmenich : des KPI publics pour créer de l émulation «Des indicateurs de qualité des données sont publiés chaque semaine, par organisation responsable et par fonction. Cette publication étant globale, chaque organisation concernée trouve dans la visibilité de ses propres indicateurs de qualité la motivation nécessaire pour remédier aux problèmes.» Thierry Delez, Master Data Management Director Encore faut-il être capable d interpréter les KPI. Comme leur nom l indique, il s agit bien d indicateurs, qui n ont de sens que dans un contexte. C est ce que Rudy Buchser d HSBC nous invite à garder à l esprit : HSBC : définir des KPI sans être braqués sur les KPI «Des KPI ont été mis en place pour vérifi er la présence, l intégrité et la cohérence des données. Des défauts de qualité sur certaines données peuvent parfois être tolérés : nous gérons quelque données métier avec des criticités différentes. Dans certains cas, si une donnée ne correspond pas au référentiel ou est manquante, on peut la remplacer par une valeur par défaut sans que la qualité d ensemble du reporting n en souffre ; dans d autres cas, un défaut sur une donnée peut engendrer une alerte critique.» Rudy Buchser, Responsable Pôle décisionnel (Maîtrise d Ouvrages Business Intelligence) 40 La démarche qualité

39 Mettre les moyens qu il faut Qu on ne s y trompe pas : une démarche qualité des données digne de ce nom a un coût. Mais pour Thierry Savit de Ricoh France, vouloir économiser sur cet aspect est un mauvais calcul : Ricoh France : la qualité des données a un coût mais il se justifie «Cela représente des coûts : une équipe, l abonnement à des fi chiers externes, etc. Certes, on peut toujours saisir une commande, ressaisir le client à chaque commande, Mais de la sorte comment fera-t-on pour connaître, par exemple, toutes les commandes passées par un client depuis 3 ans sur telle machine pour éventuellement lui proposer une promotion? En fait, dès que l on veut exploiter les données, on s aperçoit qu il faut avoir de la qualité, et donc l entreprise doit être prête à investir dans cette démarche.» Thierry Savit, DSI Chapitre II Mais, comme le rappelle Rudy Buchser d HSBC, «plus on garantit tôt la qualité des données, plus le coût est réduit.» Par ailleurs, le coût de la qualité des données doit être mis en regard des gains réalisés sur les coûts de non-qualité des données (voir plus haut). Pour les entreprises qui se sont lancées dans ce genre de démarche, comme le groupe Moniteur, son ROI ne fait aucun doute, même s il est à apprécier pas seulement en termes chiffrés mais aussi en termes qualitatifs. Groupe Moniteur : le ROI de la qualité des données, à la fois financier et qualitatif «Le projet contact unique nous fait réaliser des économies substantielles sur tous les traitements que nous devions sous-traiter auparavant pour réconcilier les données avant de faire une action marketing. Mais le ROI d un tel projet est surtout d ordre qualitatif : nos traitements sont rationalisés, nous ne perdons plus de temps à aller à la pêche aux informations, nous pouvons mutualiser nos idées.» Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects Accompagner le changement Plus de 50 % des sociétés pensent que la mise en place d une bonne communication interne sur les enjeux et les avantages de l initiative de la mise en place d un projet qualité de données. 2.2 Facteurs clés de succès et bonnes pratiques 41

40 2.2.2 Les bonnes questions à se poser Il n existe pas de démarche unique pour gérer la qualité des données. Mais certaines questions récurrentes méritent qu on s y arrête pour partir sur de bonnes bases. Faut-il centraliser les données? Pour les entreprises multi-sites, la qualité des données s apprécie à différents niveaux : dans les filiales ou business units et au siège. Des disparités peuvent exister selon l échelle où l on se place, engendrant des difficultés à mener des politiques de groupe cohérentes, par exemple au niveau marketing. C est ce qui a amené Conforama à rechercher davantage de centralisation : Conforama : une qualité des données bonne en magasin mais des informations non consolidées en central «Historiquement, Conforama est une enseigne décentralisée dans laquelle chaque magasin a sa propre base de données. Avec 180 magasins, je vous laisse imaginer la multiplicité des bases de données que nous gérons. La démarche qualité des données, entamée il y a plusieurs années déjà, consiste à remonter l information en central, avec pour objectif de mieux connaître et de mieux cibler notre clientèle. Le but est d aboutir à un référentiel client unique. Dans le même temps, nous essayons de compléter les données manquantes, comme les adresses . D un point de vue technique, nous avons déployé une architecture articulée autour d un data warehouse que vient interroger un outil de data mining, SPSS Clementine. Aujourd hui, nous cherchons à aller plus loin dans la démarche en centralisant les données de différentes bases : prospects (pour le Web), service consommateur, SAV, assistance téléphonique» Arnaud Wielgus, Directeur Marketing Relationnel et Web Centraliser les données, à l extrême dans une seule base, peut être une solution pour éviter les soucis de doublons, rendre homogène la qualité de l information dans toute l organisation et améliorer les processus de l entreprise. C est la vision de Club Med, décrite en ces termes par son Directeur Internet & CRM, Jérôme Hiquet : «notre CRM repose sur une base de données centrale unique, au niveau mondial. Elle contient l information concernant l exhaustivité des clients. Nous considérons que cette base de données est un actif de l entreprise au même titre que la marque.» Dans certains cas, la centralisation peut donc être un facteur clé de succès de la démarche QoD. Mais le plus souvent, le véritable enjeu est plutôt de bien placer le curseur entre centralisation et décentralisation, comme nous l explique Thierry Delez de Firmenich. Firmenich : trouver le juste équilibre entre concentration et décentralisation de la gestion des données «Toutes les données qui ont un impact purement local sont maintenues de manière locale et toutes les données qui ont un impact qui dépasse le cadre d une fonction ou d un site sont maintenues de manière centralisée. Les données se situant dans une zone grise sont automatiquement considérées comme globales afi n de limiter les risques. 42 La démarche qualité

41 Certaines opérations, nécessitant une importante coordination entre diverses fonctions ou organisations, sont centralisées indépendamment de la nature locale ou globale (par exemple lorsqu un produit est transféré d un site de production à un autre). En fi n de compte, relativement peu d objets de données relèvent d une gestion globale, bien qu il existe parfois de forts besoins d alignement des données locales entre divers sites. Par exemple, le délai d approvisionnement d un site qui consomme des matières premières synthétiques doit correspondre aux délais de production des usines qui les fournissent. Ces contraintes d alignement sont régulées par des règles de gestion et suivies de manière régulière par les responsables globaux, qui règlent la résolution des exceptions. Les équipes globales de maintenance fonctionnent sur un mode harmonisé avec une présence régionale. Elles sont formées aux spécifi cités de chaque site et région (qui sont consciemment limitées au maximum). Les équipes s appuient mutuellement pour assurer une répartition équitable de la charge de travail. Chapitre II Ce modèle permet de rassurer le business avec une impression de proximité, bien qu en réalité le placement géographique n a guère d importance, du moment que le service reste disponible pendant les heures d ouverture de chaque fi liale. Les équipes de maintenance sont appuyées par un management global, qui gère les aspects liés aux processus, au suivi et à l amélioration continue.» Thierry Delez, Master Data Management Director La question de la centralisation ne touche pas seulement les données elles-mêmes mais aussi leur gouvernance. La démarche doit-elle être top-down ou au contraire délocalisée sur les lieux de décision? Bien souvent, l entreprise n a pas vraiment le choix car des initiatives locales existent déjà sur lesquelles l équipe QoD a tout intérêt à s appuyer. C est notamment le cas chez Alcatel-Lucent : Alcatel-Lucent : gouvernance globale, actions locales «Un avantage, qui est en même temps une diffi culté, sur notre projet, a été que nous ne partions pas d une page blanche. Des initiatives de qualité des données étaient déjà menées depuis plusieurs années au niveau de chaque product unit. Chacune avait déjà ses procédures de contrôle de la qualité, ses tableaux de bord, etc. L avantage est que les différents acteurs étaient déjà sensibilisés à la notion de qualité des données. L inconvénient est que nous avons rencontré certaines réticences liées à un désir de préserver son périmètre ou territoire, c est-à-dire les freins classiques que suscite la mise en place d une approche corporate. Pour pallier ces diffi cultés, nous nous sommes reposés sur certains alliés identifi és au niveau des product units, qui nous ont permis, de fi l en aiguille, de susciter une adhésion plus large au projet.» Laurence Orazi, Data Governance Manager 2.2 Facteurs clés de succès et bonnes pratiques 43

42 Parfois, la centralisation des données va dans le sens d une politique d ensemble de l entreprise, visant à se fédérer davantage. Elle est alors au service d un message qui va bien au-delà de la pure QoD. Schneider Electric : la démarche de centralisation des données de référentiel, cohérente avec le projet d entreprise «Schneider Electric a mis en œuvre un plan d entreprise appelé One : un seul Groupe, une seule entreprise, centrés directement sur le client. Cette volonté de fédérer la société passe forcément par des règles et un système communs. La décision de partager les master data au niveau du Groupe va dans ce sens : c est plus une décision stratégique qu une décision opportuniste.» Joël Aznar, Business Process Owner Comment connecter les données entre elles? Une centralisation extrême des données peut entraîner des lourdeurs techniques et celle de la démarche un rejet de la part des équipes locales. La vraie question est en réalité de faire dialoguer les données entre elles, comme nous l indiquent Florent Martin et Jean-Luc Laréquie de PSA : PSA : connecter les données ne veut pas dire les fusionner dans un référentiel unique «Un troisième domaine dans lequel les codifi cations jouent un rôle important est celui du service après-vente. Nous voulons permettre à nos clients de prendre rendezvous pour l entretien de leurs véhicules via notre site Web. Pour cela, le site Web doit pouvoir donner accès à la liste des lieux de SAV ainsi qu à leurs horaires d ouverture. Jusqu à présent, ces informations étaient connues par le référentiel SAV mais pas par le référentiel de notre site Web. Pour pouvoir assurer le niveau de service que nous ambitionnons, nous devons passer à un paradigme d entreprise étendue, dans lequel les différents métiers et également les différents référentiels communiquent entre eux. Toutefois, nous ne cherchons pas à construire un référentiel unique. Nous avons un historique à gérer : chaque référentiel et chaque système informatique de PSA ont ses propres particularités, souvent liées à la manière dont le Groupe s est construit petit à petit. Nous ne voulons pas tout revoir pour mettre tous les référentiels dans un seul système mais nous voulons permettre aux différents systèmes d échanger entre eux.» Florent Martin & Jean-Luc Laréquie, Architectes d Entreprise 44 La démarche qualité

43 Ce qui compte, dans cette mise en relation des données, c est d atteindre un niveau d intelligence supérieur qui permette de guider l action. Tel est l avis de Bruno Hétier d Oscaro : Oscaro : les données parlent aux données «Nos différents types de données sont souvent étanches. Premièrement, notre ERP contient des informations comptables et fi nancières, des donnés clients et des historiques de vente. Nous avons aussi d autres modules opérationnels comme nos systèmes d information logistique et le service client. Deuxièmement, puisque nous vendons par Internet, nous disposons d un système de Web analytics pour recueillir entre autres les informations sur l origine des clients, les mots-clés qu ils ont tapés. C est un système qui permet d attribuer une valeur à un client donné en fonction du nombre et de sa fréquence d achat, etc. Enfi n, nous avons un troisième type d information concernant toutes les interactions avec le service client. Notre défi est d avoir un système opérationnel qui permette, pour un client donné, d intégrer toutes ses données transactionnelles, toutes ses données relationnelles avec le service client au téléphone et toutes ses données relatives à son interaction avec le site Internet. Le but est de disposer d une meilleure connaissance sur nos clients pour augmenter nos leviers d action. Il importe donc, dans cet effort d intégration des données, d avoir un niveau de synthèse suffi sant pour ne pas faire face à une abondance de données diffi ciles à gérer qui, en fi n de compte, ne serviraient plus à grand-chose.» Bruno Hétier, Directeur Marketing Chapitre II Faut-il reprendre l historique? Dans sa dimension informatique, un projet QoD pose toujours la question de la reprise de l existant. En cas de mise en place d un outil de Master Data Management (MDM) ou d un nouveau système de reporting, doit-on reprendre l historique des données. Tout dépend bien évidemment du caractère critique de ce dernier et de la fréquence avec laquelle l entreprise est susceptible d y accéder. Mais le choix dépend aussi tout simplement de la qualité des anciennes données. Comme le résume Jean-Louis Picard, Application Director Continental Europe On-Site Services Solutions de Sodexo, «quand on a 50 % des données qui sont obsolètes dans un système historique, il est parfois préférable de repartir d une feuille blanche, quitte à ressaisir des données, que de développer une interface pour reprendre des données de l ancien système.» En cas de reprise de l historique, reste à savoir jusqu où remonter. Dans de nombreux cas, nécessité fait loi : l entreprise reprend le passé dans la mesure de ses capacités techniques mais aussi de ce qu elle est en droit de faire légalement. 2.2 Facteurs clés de succès et bonnes pratiques 45

44 SFR : un historique des données à durée limitée «Nous sommes soumis à une double contrainte : technique et légale. Techniquement, les volumes en jeu ne nous permettent pas de concerner un historique du trafi c, usages et consommations au-delà d un à deux ans. Légalement, nous sommes tenus par la CNIL de purger nos bases clients de tous les contacts ayant résilié leur abonnement depuis au moins deux ans et avec lesquels nous ne sommes pas en contentieux.» Frédéric Chassard, Responsable Architecture SI Décisionnel & Marketing Opérationnel et Benoît Quintin, Responsable QoS/QoD Data warehouse services Quels contrôles mettre en place? Un processus de contrôle solidement établi est un des éléments qui concourt à la qualité des données. Cependant, il doit faire partie d un tout. C est l orientation qu a prise France Télécom dans la refonte de son processus de consolidation : France Télécom : le contrôle, l une des clés de la qualité des données «L accent a été mis sur trois facteurs clés pour disposer d une information de grande qualité : l unicité de l information qui supprime de fait tout travail de réconciliation avec d autres sources de même nature, des contrôles (a priori et a posteriori) très poussés des données saisies selon une logique claire et ordonnée sous la responsabilité de chaque entité, ainsi qu un référentiel dynamique basé sur des hiérarchies et commun au budget et au réalisé, un temps de réaction optimum grâce à une information disponible au plus tôt, compatible avec la réduction du délai de clôture (un gain d une dizaine de jours sur la production des résultats du groupe est obtenu avec le nouveau système)» Djamel Benallal, Directeur Finance Group Solutions Contrôler, oui, mais quand? On voit que France Télécom a mis en œuvre des contrôles a priori et a posteriori. En effet, placer des contrôles en amont est un des moyens d éviter des problèmes par la suite. C est le conseil donné, entre autres, par Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects du groupe Moniteur : «un facteur clé de succès est de mettre en place des mesures pour qualifier la donnée dès sa captation, comme nous le faisons avec le double opt-in 7. Attention toutefois à ne pas sombrer dans les excès d un contrôle démesuré. Qui dit contrôle dit indicateurs d anomalies, qu il convient d analyser avant d agir. Jean-Louis Picard de Sodexo illustre pour nous cette mise en garde : 7 Confirmation par l internaute de son inscription à une newsletter en cliquant sur un lien envoyé par mail 46 La démarche qualité

45 Sodexo : de l art d interpréter les alertes «Quand une alerte est émise sur un indicateur, cela ne signifi e pas nécessairement que l on a un problème de qualité de données. Il convient d interpréter l alerte et pour cela il est nécessaire de connaître le métier et les contraintes locales du pays. Par exemple, sur l activité motivation solutions, certains pays offrent des avantages fi scaux particuliers qu il faut intégrer à notre stratégie et nos offres. On peut avoir une évolution rapide dans des contextes politiques diffi ciles sans qu il s agisse d une anomalie liée à nos services ou à notre propre performance.» Jean-Louis Picard, Application Director Continental Europe On-Site Services Solutions Comment éliminer le bruit? Le contrôle des données doit en particulier veiller à ce que seules les données pertinentes soient analysées. Or, avec l explosion du volume de données liée aux nouvelles technologies, il devient de plus en plus difficile de séparer les données porteuses de sens et celles qui ne sont pas pertinentes. Des filtres techniques peuvent être mis en place mais au final, une vérification humaine est souvent nécessaire. C est l expérience que fait la société Backelite, spécialisée dans le développement de sites et d applications pour mobiles et qui scrute en permanence l audience de ces sites : Chapitre II Backelite : beaucoup de bruit pour rien dans l analyse des logs «La grosse diffi culté pour nous est d éliminer tout ce qui n est pas du vrai trafi c mobile, comme le trafi c provenant des robots des moteurs de recherche. Ces robots se font passer pour des téléphones mobiles, qui parcourent le site et ne correspondent pas à du vrai trafi c. Nous effectuons un travail manuel, dans Excel, tous les mois. Un de nos consultants y consacre une ou deux journées par mois. Ensuite, l équipe conseil en tire des panoramas pour nos clients. Ce travail de reformatage prend peut-être une journée par mois. Nous avions au départ l impression que l ordinateur allait tout faire. En fait, nous nous sommes très vite aperçus qu il est très diffi cile, voire impossible, que l ordinateur vérifi e la cohérence des données. Il y a donc un travail humain qui est beaucoup plus important que ce que l on avait estimé au départ.» Thomas Sarlandie, VP of Software Faut-il ouvrir les données sur l extérieur? L entreprise fonctionne de moins en moins en vase clos. La généralisation progressive des extranets lui permet d interagir avec ses partenaires. Laisser la possibilité à ces derniers (par exemple les fournisseurs) de modifier directement les données les concernant pourrait être un moyen d assurer à la source la qualité de ces données. Néanmoins, les contraintes de sécurité que cela impose font que cette ouverture peine encore à s imposer dans les faits. 2.2 Facteurs clés de succès et bonnes pratiques 47

46 Les entreprises ont plutôt confiance en la qualité de leurs propres données (2/3 des entreprises) plus que celle des données reçues des tiers (fournisseurs, clients ) (1/3 des entreprises). Ceci est du au fait que ces entreprises ne disposent pas ou ignorent si elles disposent d indicateurs de mesure et de suivi de la qualité des données (80 % des entreprises). Pourtant, la moitié des entreprises partagent des données avec des tiers et ¾ des entreprises prévoient une amplification de cette tendance. Schneider Electric : la mise à jour de leurs données par les partenaires, un but à atteindre «Même si c est une chose à laquelle nous aspirons, nous n en sommes pas encore, aujourd hui, à un stade où les fournisseurs accéderaient directement à nos systèmes pour mettre à jour eux-mêmes l information les concernant. Pour l instant, les informations en provenance des fournisseurs sont validées et intégrées par nos équipes.» Joël Aznar, Business Process Owner Le pilotage du projet La démarche qualité des données s entend comme un projet à long terme. À ce titre, les fondamentaux de la gestion de projet s appliquent à elle. Choisir un bon projet pilote Il ressort de nos entretiens que, loin d être un projet purement technique, une démarche QoD est impliquante pour l ensemble de l entreprise. Pour cette raison, il est important d emporter très vite l adhésion de la Direction Générale et des Directions opérationnelles. Rien de tel qu une preuve de concept réussie pour cela. À condition de bien la choisir. Faurecia : commencer par régler un problème simple touchant toute l entreprise «Pour démontrer l intérêt de la démarche, nous avons sélectionné un problème étalon : la gestion des données fournisseurs et clients. À travers les problématiques achats et vente, il nous était possible d examiner les problématiques organisationnelles en général. Démarrer en réglant un problème peu complexe mais touchant l ensemble de l entreprise nous est apparu comme l un des facteurs clés de succès de notre démarche.» Beray Gerdan Legouverneur, Business Systems Director Mener le déploiement Une fois le pilote réussi, il convient de savoir rythmer le projet QoD tout au long de son déploiement, jusqu à ce qu il atteigne sa vitesse de croisière et s installe comme une tâche de fond de l entreprise. Les approches par petits pas s avèrent souvent les 48 La démarche qualité

47 plus gagnantes. C est ce qu a vécu Faurecia dans son projet de mise en place d un système de Master Data Management : Faurecia : le choix de la progressivité «Dans la première phase de notre projet, les applications utilisatrices n auront pas d interface automatique avec l application MDM. En effet, la création d interfaces avec nos ERP historiques n est pas le point fort de SAP MDM. Pour faciliter ce processuslà, nous avons embauché une équipe de cinq data stewards basés en Tunisie pour distribuer les master data manuellement aux applications utilisatrices. Cela permettra une bonne préparation de notre deuxième phase qui commencera à intégrer SAP MDM et nos applications utilisatrices, à partir de Il est à noter qu il s agit d une étape transitoire : le projet a débuté en septembre 2010 et nous nous apprêtons à entrer en production. Si les délais sont très courts et le périmètre assez limité, le nombre d applications utilisatrices est, quant à lui, très large. Il n était donc pas envisageable de construire les interfaces dans un délai court. Chapitre II Ce recours aux data stewards nous permet aussi de faire une mise en production phasée. Je peux ainsi fermer la possibilité de création directe des fournisseurs par les utilisateurs dans un pays donné, afi n de vérifi er si mes équipes de data stewards sont effi caces et si les nouveaux processus fonctionnent bien, avant d élargir à toute l Europe, voire au monde. C est un moyen d avancer progressivement, de ne pas introduire de bouleversements trop brusques et de conserver un certain équilibre.» Beray Gerdan Legouverneur, Business Systems Director Cette progressivité ne signifie pas que doivent coexister dans l entreprise les anciens systèmes et processus avec la nouvelle démarche. Il s agit simplement de raisonner par périmètres : basculer chaque périmètre l un après l autre (qu il s agisse d un périmètre fonctionnel ou géographique) mais le basculer entièrement. C est ce que fait Schneider Electric dans sa démarche QoD centrée sur la généralisation d un ERP unique au niveau groupe : Schneider Electric : pas de cohabitation entre anciens et nouveaux SI «La roadmap de déploiement est défi nie en fonction des pays et des anciens SI que nous cessons d utiliser. Le but est de pouvoir les arrêter en bloc, sans être obligés de les maintenir pour une ou deux fi liales. Chaque déploiement s étale sur plusieurs mois avec des jalons successifs. Des opérations de Go-Live à blanc sont réalisées, pour vérifi er que nous sommes vraiment prêts. Ensuite, au moment du Go-Live, la bascule se fait d un jour sur l autre.» Joël Aznar, Business Process Owner Accompagner le changement «Le facteur clé de succès essentiel est la sensibilisation permanente des différents acteurs», indique Aurore Ferreira Lima du groupe Moniteur. C est que dans une démarche de qualité des données, l entreprise passe successivement par différentes 2.2 Facteurs clés de succès et bonnes pratiques 49

48 phases, de l ignorance de cette problématique à sa prise en compte effective. Le schéma suivant, proposé par le groupe Gartner, en est une modélisation : Figure 1. EIM Maturity Model Phase of Maturity Sophisticated 0 Unaware 1 Aware 2 Reactive 3 Proactive 4 Managed 5 Effective Maturity Educate IT and business leaders Current state Prepare business case Top management Draft asserts need strategies to for EIM align EIM with EA and other initiatives Propose business case Win approval for business case Link activities, resources to EIM Inventory departmental information management activities and resources Establish barriers to guard against complacency Immature Source: Gartner (December 2008) Une fois arrivée en zone 5, la courbe mérite d être prolongée à l infini, tant il est vrai que la qualité des données est une démarche de longue haleine, qui doit être entretenue, sous peine de s effondrer. C est ce que confirme Laurence Orazi d Alcatel LucentAlcatel-Lucent. Alcatel-Lucent : la qualité des données, un travail de conviction à poursuivre en permanence «Dans une grande entreprise comme la nôtre, l exécutif change régulièrement et les organigrammes sont modifi és fréquemment. Nous devons donc mener un effort de pédagogie permanent auprès des décideurs, au fur et à mesure de l évolution de la structure de l entreprise. C est pourquoi la démarche de gouvernance n est pas mise en place une fois pour toutes : elle s inscrit nécessairement dans la durée. Par ailleurs, elle repose sur la responsabilisation des acteurs : il est donc nécessaire que le management, tant au niveau global qu au niveau local, mette en œuvre des actions d accompagnement et de formation pour responsabiliser les équipes sur les nouvelles règles business qui ont été défi nies.» Laurence Orazi, Data Governance Manager 50 La démarche qualité

49 Une autre représentation intéressante de ce cheminement, toujours inspirée de Gartner, montre comment l entreprise atteint, avec le temps, une maturité de plus en plus grande dans sa gouvernance des données : EIM Maturity model OPTIMIZED MANAGED PROACTIVE REACTIVE AWARE OBLIVIOUS Chapitre II Source : Renovartis Consulting, d après Gartner La gestion des volumes À une époque où la quantité de données explose littéralement, comme nous l avons vu plus haut, on pourrait penser que la gestion des volumes de données devrait être une problématique angoissante pour les entreprises. Pourtant, il n en est rien. C est que les capacités de stockage ont fait plus qu absorber le choc de l explosion des données, des dernières années, comme le constate Patxi Plaa de Carmen Immobilier : Carmen Immobilier : stocker la donnée numérique n est pas un problème «Nous avons profi té des capacités de stockage croissantes offertes par les serveurs. Les serveurs que nous avons achetés récemment ont une capacité 20 fois plus importante que ceux que nous avions achetés il y a 4 ou 5 ans, que nous n avions pas remplis non plus. Pour cette raison, nous n avons pas eu besoin de faire de purges de données, mis à part pour des fi chiers de photos. Purger est utile pour améliorer la vitesse de transaction, la rapidité des outils. Mais jusqu à présent, les problèmes de performance ont été résolus par l amélioration des logiciels. De toutes manières, concernant les volumes de données, ce qu il faut bien voir, c est que lorsque l on archive, les données sont toujours là, stockées d une autre manière. Il y a peu d impact sur les volumes, au fi nal.» Patxi Plaa, Directeur Administratif et Financier 2.2 Facteurs clés de succès et bonnes pratiques 51

50 Mais Monsieur Plaa nous rappelle aussi que l information des entreprises n est pas stockée seulement de manière numérique. Elle l est aussi sous forme de papier. Et là, les choses se compliquent Carmen Immobilier : stocker les papiers est beaucoup plus lourd. «Nous stockons beaucoup de papier, dans chaque agence, en raison de l obligation légale d avoir les originaux papier au moins 10 ans. D autant qu en qualité de promoteur, notre métier n est pas terminé une fois que le logement est livré, en raison des questions de garantie. Sur notre métier de syndic, nous avons l équivalent de deux garages remplis de documents ; nous devons en effet garder toute la mémoire de chaque copropriété. À cela s ajoute la partie sociale du syndic. Nous employons une cinquantaine de personnes (gardiens, jardiniers) : nous devons conserver les données sociales les concernant pendant toute la durée du mandat. Pour le papier, demain, nous devrons nous poser la question de ce qu il est permis de détruire.» Patxi Plaa, Directeur Administratif et Financier La question principale est en fait la répartition entre les données accessibles immédiatement par des requêtes en base (l information «en ligne» en quelque sorte) et celles archivées, stockées à part, disponibles sur demande mais avec un certain délai. Pour des raisons de performance, il n est pas toujours possible de laisser en ligne l intégralité des données. Mais jusqu où remonter avant d archiver? Schneider Electric : l archivage, pomme de discorde entre fonctionnels et SI «C est un sujet qui prête toujours à discussion. D un côté, les opérationnels souhaitent généralement conserver l historique. Prenons l exemple d un fournisseur auprès duquel aucun achat n a été réalisé depuis 10 ans. Il reste néanmoins toujours, pour l acheteur, une source d approvisionnement possible, même s il faut revérifi er et requalifi er l information. La position des SI est différente : de leur point de vue, il faut purger les systèmes régulièrement parce qu à un moment donné l information devient trop caduque et ancienne et n a plus aucun intérêt, sans compter les considérations en termes de poids de la base de données. Historiquement, l archivage est assez rare mais la question se pose de plus en plus au fur et à mesure du déploiement de notre nouveau système global. Concrètement, il prend la forme d un back-up de données, mises à part du système principal, qui est remis aux acheteurs. Une attention particulière est portée à l intégrité des données, pour reprendre un ensemble cohérent.» Joël Aznar, Business Process Owner, fonction Achats 52 La démarche qualité

51 2.3 Vers une gouvernance de l information D une démarche qualité à la mise en place d une gouvernance de l information L aboutissement d une démarche QoD se trouve dans l établissement d une véritable gouvernance des données. Pour la définir, on peut repartir de la vision proposée par Laurence Orazi, d Alcatel-Lucent : «lorsque l on parle de gouvernance des données, par opposition à une démarche classique de QoD, on insiste sur les notions de responsabilité sur les données et de pilotage.» C est là un sujet encore très nouveau pour les entreprises et rares sont celles qui nous en ont parlé en ces termes. Cela illustre, à notre sens, deux phénomènes. D une part, le concept même de gouvernance des données et les théories qui la soutiennent sont encore méconnus ; d autre part, lorsque les entreprises citent explicitement la gouvernance, elles sont bien souvent conscientes de ne pas avoir encore atteint ce degré de maturité. D après l étude PwC, près de 90 % des entreprises envisagent de développer une stratégie globale et clairement formalisée de gestion de la qualité des données. Parmi elles, seul 10 % l ont planifié de manière certaine (décalage entre l intention et l action). Chapitre II Arval : urbaniser les flux de données «Par ailleurs, nous n avions pas jusqu alors de gouvernance de données. Les fl ux de données étaient régis par des échanges entre les sources, sans urbanisme d ensemble. Nous sommes en train de travailler sur ce sujet en ce moment. Nous cherchons à rationaliser les fl ux, notamment en faisant en sorte qu une donnée ne soit envoyée qu une seule fois à ses destinataires. Avec cette organisation, par exemple, je ne diffuserai plus qu une seule fois mes contrats à partir de l application maître à l ensemble des destinataires. Pour prendre une image, on passe d un plat de spaghettis à une organisation en râteau. Nous cherchons à défi nir un format pivot réutilisable pour tous les usages.» Carlos Fialho, responsable BI & Reporting Organisation d entreprise et gouvernance des données Cette gouvernance des données qui dit ou ne dit pas son nom passe par l établissement de processus connus de tous et, généralement, par la mise en place d une ou plusieurs équipe(s) dédié(e)s. Le rôle clé de l association entre organisation et ressources humaines est souligné par l expérience Rhodia lors de la mise en place de son plan comptable Groupe et de sa solution mondiale SAP : Rhodia : une équipe chargée de définir des règles du jeu strictes «Pour assurer l intégrité et la qualité des données dans ce système, nous avons mis en place des nomenclatures, une organisation et des règles strictes pour en assurer la gestion. 2.3 Vers une gouvernance de l information 53

52 Toute demande de création d une nouvelle nomenclature (par exemple un nouveau groupe de clients ou une nouvelle ligne de produits) fait l objet d un contrôle de la part d une équipe dédiée, au sein de la DSI. Cette équipe a la responsabilité d approuver ou non la nouvelle nomenclature en fonction de certains critères : la nomenclature est-elle vraiment nouvelle? Peut-elle être rattachée à des nomenclatures déjà existantes? Les données ont-elles vocation à être pérennes? L équipe veille également à la confi dentialité des données et à la ségrégation des tâches, à travers une politique très clairement défi nie de délivrance des habilitations. Elle est également en charge de faire évoluer le modèle de nomenclature et de règles avec les métiers concernés. Une fois qu une nouvelle nomenclature a été créée, les administrateurs de données dans chaque business unit vont pouvoir l alimenter. Pour cela, ils devront respecter les règles défi nies en amont. Concernant la défi nition de ces règles, l expérience montre qu il vaut mieux être plus strict que pas assez. Certes, nous avons une équipe de nettoyeurs qui effectuent des contrôles réguliers pour s assurer de l intégrité et de la cohérence des nomenclatures, car il est évident que plus les données sont propres à l entrée plus les processus défi nis s exécuteront sans anicroche.» Jacques-Benoît Le Bris, Directeur des applications Il arrive que les ressources humaines constituent la clé de voûte de toute la démarche, comme dans le cas de Firmenich qui a déployé une cellule d interface entre les métiers et SAP. Firmenich : de scrupuleux gardiens du temple pour les données SAP «L expérience de Firmenich indique clairement que cette organisation centralisée est une condition essentielle de succès dans le cadre d une implémentation de ce type. L alternative aurait été de fragmenter la responsabilité de la maintenance des données SAP dans différentes équipes fonctionnelles, ce qui aurait généré de complexes contraintes d intégration entre les différents domaines - par exemple, pour les matières, entre le planning et la fi nance, ou, pour les clients, entre le credit management et les ventes.» Thierry Delez, Master Data Management Director Le rattachement d une équipe QoD dans l organigramme de l entreprise est souvent révélateur de l importance stratégique dévolue à la qualité des données, comme l illustre par exemple le cheminement qu elle a connu chez Ricoh France : Ricoh : dédier une équipe à la gouvernance, un gage de succès «Pour sensibiliser l entreprise à l importance de gérer avec qualité nos référentiels de données, nous avons mis en place au sein de la DSI, en 2000, une cellule administration de données chargée d optimiser la gestion du référentiel client. L objectif était de centraliser la création et la mise à jour des clients pour qu ils s intègrent dans Siebel, avec unicité. 54 La démarche qualité

53 Cette cellule créée à la DSI a ensuite été reprise d abord par l Administration Des Ventes puis, depuis quelques années, par un service offi ciellement dédié à cette mission, au sein de la Direction du Marketing. Son périmètre a été étendu de la base clients à la base articles et au parc machines. C est une équipe de 6 ou 7 personnes, dont le manager rapporte directement au Directeur Marketing, qui est membre du comité exécutif. La cellule est donc placée assez haut dans l organigramme. Pour résumer, je dirais que les référentiels doivent être gérés de manière centralisée par une cellule reconnue, dont c est la responsabilité.» Thierry Savit, DSI Globalement, on peut dire que la gouvernance des données est en train de passer de la DSI à un pilotage par les métiers. Même lorsque le rattachement «officiel» reste à la DSI, c est bien souvent les métiers qui ont le dernier mot. HSBC : une task force qualité à l écoute des métiers «Une équipe de 5 personnes dédiées à la qualité des données a été créée au sein du Pôle décisionnel. Il s agit de personnes avec de solides compétences comptables, une bonne connaissance du métier et pour certaines un profi l plus spécifi quement BI. Leur travail est varié : s assurer que la qualité de l information ne régresse pas au fi l du temps, anticiper les risques de dégradation en cas d évolution du modèle de données. En cas d ajout d un type d information dans un référentiel ou d une modifi cation des attributs d une donnée (ex. : changement des caractéristiques d un produit), les membres de l équipe data quality veillent à prévenir les personnes concernées en amont, suffi samment tôt pour qu elles puissent s adapter et remonter les bonnes données. A noter que l équipe data quality ne se substitue en aucun cas au métier : en cas de besoin d interprétation d une donnée ou de doute sur une valeur par défaut à utiliser, par exemple, c est toujours le métier qui tranche.» Rudy Buchser, Responsable Maîtrise d Ouvrage Chapitre II Le maître mot de la gouvernance reste en effet la responsabilisation. Il serait illusoire de penser qu une équipe QoD puisse régler tous les problèmes de qualité des données. Tout simplement parce que ceux-ci se traitent d autant mieux qu ils sont attaqués à la source. C est ce qu a bien compris le Groupe Moniteur. Groupe Moniteur : la démarche qualité, facteur de prise de conscience en amont des processus «La démarche contact unique et le travail de standardisation des formulaires Web ont renforcé la rigueur de nos équipes, notamment pour la défi nition de ces questionnaires. Par exemple, elles s interrogent beaucoup plus systématiquement sur les champs à faire fi gurer comme obligatoires, compte tenu des exigences marketing qui sont derrière.» Aurore Ferreira Lima, Responsable Data Warehouse Clients et Prospects 2.3 Vers une gouvernance de l information 55

54 2.3.3 Une nouvelle répartition des rôles entre l Informatique et les métiers La gouvernance des données met en évidence la nécessité d une étroite coopération entre la DSI et les métiers. En responsabilisant davantage chacun, elle suppose et suscite un climat de confiance entre ces deux grandes familles d acteurs. Oscaro : à chacun son périmètre de responsabilité «Pendant longtemps, la DSI prenait en charge l essentiel des problématiques de qualité des données. Mais la tendance actuelle est plutôt de constituer des pôles fonctionnels qui deviennent des experts des données dans leur secteur pour les synthétiser, faire remonter leurs observations concernant leur fi abilité ou les améliorer directement. Nous avons ainsi défi ni des processus avec des experts fonctionnels en charge des fl ux de données aux différents stades de notre chaîne de distribution. Par exemple, je m occupe des données concernant le trafi c sur notre site Internet, au taux de commandes allant jusqu à leur terme, à l analyse des types de produits vendus. Mais la relation directe avec le client ou au téléphone tout comme le traitement des commandes et les réservations ne sont pas de mon ressort. C est respectivement le service client et le service logistique qui s en occupent.» Bruno Hétier, Directeur Marketing Oscaro.com Ce pilotage à deux de la gouvernance des données est rendu indispensable dans le contexte d extrême réactivité auquel sont soumises les entreprises. Cette articulation fonctionne particulièrement bien chez SFR : la BI se fait fort de remonter très rapidement des alertes, charge au métier de les analyser avec toute la précision et la célérité qui conviennent. SFR : BI Métier, le duo gagnant «La BI effectue des contrôles sur la complétude et la cohérence des données. Ainsi, elle va comparer le trafi c observé un certain jour de la semaine (par exemple le mercredi) par rapport au trafi c habituellement constaté ce jour-là. Il arrive qu elle constate une valeur inhabituelle, le Métier se prononce a posteriori pour déterminer si l écart est normal (il s explique par exemple par une opération promotionnelle) ou s il s agit d une anomalie. Dans ce dernier cas, la BI diligente une enquête pour en déterminer la cause et améliorer le processus. La première nécessité est de localiser la ou les cause(s) d anomalie : le dysfonctionnement peut se trouver sur tout maillon de la chaîne, entre la captation de la valeur jusqu à sa restitution dans un état en passant par son traitement. Dans d autres situations, les Métiers font remonter eux-mêmes à la BI, de manière proactive, une anomalie, via un portail intranet dédié. Dans tous les cas, l interaction entre la BI et le Métier permet d améliorer la collecte, le traitement et la restitution des données, dans une démarche d amélioration continue.» Frédéric Chassard, Responsable Architecture SI Décisionnel et Marketing Opérationnel et Benoît Quintin, Responsable QoS/QoD Data warehouse services 56 La démarche qualité

55 Finalement, ce mode d organisation revient à rendre à César ce qui appartient à César : aux Systèmes d Information la responsabilité sur les Systèmes, aux métiers la responsabilité de l interprétation des données qui circulent dedans. Telle est en tout cas la position de Jean-Louis Picard de Sodexo : Sodexo : la DSI à la haute main sur les systèmes d information, pas sur l information elle-même «On confond souvent les systèmes et les données. Dans une entreprise, le rôle de la DSI est avant tout de déployer des outils au service des process métier et de s assurer que les utilisateurs les utilisent correctement. Si les équipes IT ont bien souvent du mal à s assurer de la qualité, de la cohérence et de l intégrité des données, c est tout simplement parce qu elles n en sont pas propriétaires. En revanche, quand les données sont de mauvaise qualité, cela provoque des dysfonctionnements et des anomalies, sources de mécontentements pour les utilisateurs qui ont tendance à blâmer l IT au sens large. Chapitre II En réalité, la clé de la qualité des données est une bonne organisation, adaptée aux produits et aux projets de l entreprise, associée à un accompagnement du changement effi cace lors de leur mise en œuvre et à une bonne formation des collaborateurs.» Jean-Louis Picard, Application Director Continental Europe On-Site Services Solutions 2.3 Vers une gouvernance de l information 57

56 2.4 Limites et pièges à éviter Pour qu une démarche de qualité des données ne se transforme pas en un enfer pavé de bonnes intentions, il importe de prêter une grande attention à une série d écueils à éviter ou, quand ce n est pas possible, à surmonter Les réticences aux démarches de qualité de l information Ne nous y trompons pas : toute entreprise qui se lancera sérieusement dans une démarche de qualité des données rencontrera son lot d incompréhensions, ou pire de réticences. HSBC : tout le monde a-t-il intérêt à la qualité des données dans l entreprise? La démarche de qualité des données peut bouleverser un écosystème bien établi de l information dans l entreprise. Plusieurs aspects se trouvent remaniés : la détention de l information, sa diffusion, le timing de sa production (et donc l allocation des ressources humaines à tel ou tel service), etc. Elle rend plus visible les problèmes de non-qualité, permet des comparaisons, pose en des termes nouveaux la question de la centralisation ou de la décentralisation de l information. Elle peut aller à l encontre de certains prés carrés et susciter des résistances. Le changement des mentalités n est pas terminé. Rudy Buchser, Responsable Pôle décisionnel (Maîtrise d Ouvrages Business Intelligence) C est que comme toute initiative structurante menée à l échelle d une entreprise, la démarche QoD fait bouger les lignes entre les acteurs. L une des premières missions de l initiateur de la démarche consiste donc à faire œuvre de pédagogie, en montrant son utilité et en apaisant les craintes. Shell : faire comprendre que la qualité des données est dans l intérêt de chacun «La démarche de qualité des données et de l information est importante pour Shell. Nous avons même intégré dans la plupart des projets d optimisation de nos processus des étapes consacrées à la réallocation des tâches afi n de nous assurer que les données soient collectées, enregistrées et traitées de manière effi cace et rapide par la personne idoine. Ceci dit, la démarche qualité met presque toujours en évidence des dysfonctionnements et engendre souvent des changements avec une implication plus ou moins importante au niveau des fi nances, des ressources, de l économie d entreprise, du commercial, du marketing La réticence dépend de l implication de chaque équipe et de ses conséquences. La seule façon de faire comprendre l importance de la qualité de l information est de montrer à chaque collaborateur quel est l impact des données et des informations dans le processus général et comment il est impacté, lui, dans son travail de tous les jours. Et je peux vous dire que cela marche!» Christel Juvet, Business Excellence & Global Marketing Manager 58 La démarche qualité

57 2.4.2 Le coût de la sur-qualité Pour la qualité des données aussi, le mieux est l ennemi du bien. Toutes les données n ont pas la même importance stratégique. La recherche de précision ne doit être poussée que tant qu elle est utile, comme le détaille Éric Hobein d Europages : Europages : pas d intégrisme dans le domaine de la qualité des données «Nous ne cherchons pas à avoir la vérité intrinsèque de la donnée, précise à la virgule près. Nous aimerions tendre vers ça mais nous savons que nous n y arriverons jamais. Ce qui nous préoccupe beaucoup plus, c est la constance dans le biais. Je sais que j ai un biais dans la mesure mais si ce biais est constant dans le temps, cela ne me gêne pas. Je vais raisonner en différentiel : j ai plus de trafi c, moins de trafi c, plus de clics, plus d affi chages d annonces, etc., à biais constant. Chapitre II Certaines données sont stratégiques : elles doivent être précises, fi ables et crédibles. Ce sont essentiellement les données de contact saisies dans les formulaires. Pour ces données-là, la qualité intrinsèque est vraiment fondamentale. Pour les données relatives au trafi c, je me contente d avoir un biais constant. Ce qui importe, c est l évolution d un facteur clé de succès tel que le nombre de pages vues, plus que la valeur intrinsèque du KPI.» Éric Hobein, Business Intelligence Manager La qualité des données peut et dans bien des cas doit être associée à un indice de fiabilité. C est, par exemple, indispensable dans le secteur de la prévision, comme l explique Joannès Vermorel, de la société Lokad, spécialisée dans la prévision des ventes : Lokad : des niveaux d exigence en termes de qualité variés selon les secteurs et les clients «Lokad renvoie toujours des prévisions associées à un taux d erreur, car il est impossible d émettre des prévisions qui tombent juste à 100 %. Lokad applique des méthodes sophistiquées qui permettent de diminuer le taux d erreur de 20 %. Mais cela implique de multiplier le nombre de calculs par mille. Le plus important reste de soumettre des prévisions conformes au taux d erreur fi xé au départ, le taux d erreur acceptable variant fortement selon le client. Chez un grand électricien européen, des taux d erreur de 0,5 % sur une consommation électrique ne sont pas acceptables. Dans la grande distribution, en revanche, un taux d erreur de 80 % peut être très satisfaisant pour un produit qui n est proposé que pendant la période promotionnelle.» Joannès Vermorel, Fondateur 2.4 Limites et pièges à éviter 59

58 Pour bien doser l effort, il faut chercher le juste équilibre entre la qualité «inhérente» des données, dans la mesure où elle peut être objectivement mesurée, et la qualité «pragmatique» des données, telle qu elle peut être évaluée lors d interviews auprès d utilisateurs de ces données. Data quality coverage Inherent data quality Pragmatic data quality Data issues Source : Data quality management concepts, Jurgens Pieterse 8 Certes, la tentation est grande de vouloir parer à toute éventualité en surinvestissant indifféremment dans la qualité de toutes les données. Selon Christel Juvet de Shell, ce principe de précaution peut s avérer contre productif : Certes, la tentation est grande de vouloir parer à toute éventualité en surinvestissant indifféremment dans la qualité de toutes les données. Selon Christel Juvet de Shell, ce principe de précaution peut s avérer contre productif : Shell : il faut des données pour vivre et non vivre pour les données «Les questions à se poser restent toujours les mêmes : la donnée est-elle nécessaire? En ai-je besoin pour répondre à mon client, le satisfaire, le rentabiliser et donner de la valeur à mon offre? Si la réponse à ces questions est oui alors l information est importante et doit être irréprochable. Cependant, il ne faut pas confondre la base d informations clients avec une base dont le but serait de tracer des KPI pour les actionnaires. On assiste la plupart du temps à une erreur consistant à vouloir monter une base d informations avec tout et pour tout le monde. Le coût de la sur-qualité est pour moi illustré par des millions d exemples où l entreprise va investir beaucoup pour posséder une information client particulière qui ne sera que très peu utilisée et ne rapportera jamais le ROI escompté, faute d un effet de levier assez important. Le coût de la sur-qualité se mesure aussi aux projets de mise en place d une base d informations prévus en six mois qui prennent fi nalement deux ans. On entend souvent : si jamais j ai besoin de cette donnée plus tard, comment ferai-je? Mon système sera fi gé. Il vaut mieux la collecter dès à présent. Cela conduit à des bases trop lourdes et à des projets complexes et qui n en fi nissent jamais. Pour répondre à cette objection, il faut que les développeurs proposent des solutions plus fl exibles, à tiroirs, comme les progrès techniques le permettent aujourd hui.» Christel Juvet, Business Excellence & Global Marketing Manager La démarche qualité

59 En définitive, il s agit de ne jamais perdre de vue l objectif de la gouvernance des données : être au service de l efficacité de l entreprise. C est ce que nous rappelle Jean-Louis Picard de Sodexo : Sodexo : ne pas faire de la qualité des données une fin en soi «L objectif de l entreprise n est pas de produire des données! L objectif de l entreprise est de délivrer des services. L accent mis sur la qualité des données n est utile que s il permet à l entreprise de délivrer des services de qualité. Nous évoluons de plus en plus vers un rôle de conseil pour défi nir des solutions avec et pour nos clients. En ce sens, toute l expérience et les données que nous avons acquises sont utiles pour désigner des projets et gérer leur mise en œuvre et assurer le suivi dans le temps. Mais, même si nous accumulons des volumes de données importants dans nos activités, elles ne sont jamais une fi n en soi : par exemple, nous n avons pas vocation à les revendre, comme le font souvent des sociétés de marketing.» Jean-Louis Picard, Application Director Continental Europe On-Site Services Solutions Chapitre II D autres écueils Affronter les réticences internes, ne pas succomber aux sirènes de la sur-qualité, sont les deux écueils les plus souvent cités par nos interlocuteurs. Mais ce ne sont pas les seuls. La mise en œuvre technique peut aussi être source de certaines déconvenues, comme l a vécu Conforama lors du développement de son data warehouse centralisé : Conforama : de l importance de cadrer très tôt le volet technologique «Il faut être particulièrement vigilant sur les aspects techniques et vérifi er les promesses des prestataires. En ce qui nous concerne, nous nous sommes aperçus que les temps de traitement initialement promis de lors de la consolidation des données étaient trop élevés. Nous avons donc dû changer d outil en cours de projet, ce qui n a pas été sans poser des soucis de délais et d organisation.» Arnaud Wielgus, Directeur Marketing Relationnel et Web Parmi les autres pièges à éviter, on peut citer le fait d isoler la gouvernance des données dans une tour d ivoire déconnectée des processus de l entreprise. Alcatel-Lucent : processus métiers et gouvernance des données doivent s irriguer mutuellement «Le principal écueil dans une démarche de gouvernance des données est de travailler en vase clos, en silos. La qualité des données est un tout qu il ne faut pas fragmenter. La cohérence entre les applications, la complétude de l information, la gestion de l obsolescence des données, doivent être gérées dans leur ensemble. Pour y parvenir, un facteur clé de succès est l identifi cation des bons relais dans toute l organisation, pour que cette nouvelle démarche soit adoptée le plus largement possible» Laurence Orazi, Data Governance Manager 2.4 Limites et pièges à éviter 61

60

61 Chapitre III Perspectives La prise de conscience de l importance de la qualité des données, et plus encore la prise en compte de la notion de gouvernance, sont des phénomènes relativement récents. Pourtant, ils sont d ores et déjà touchés de plein fouet par une série d évolutions fortes qui sont en train de modifier en profondeur la gestion de l information dans les entreprises. 3.1 Explosion de la volumétrie Changement de nature de la donnée Impact du Web et des médias sociaux Prise en considération accrue de la donnée non structurée La prise en considération des droits d usage de l information 70 63

62 3.1 Explosion de la volumétrie L essor inimaginable de la volumétrie mondiale des données décrite d un point de vue macroscopique dans la première partie de ce livre touche individuellement chaque entreprise. Cette tendance est essentiellement alimentée par les évolutions technologiques récentes, comme nous l expliquent Frédéric Chassard de SFR et Frédéric Benaut de GfK. SFR, GfK : comment la technologie accroît brutalement le volume des données «La quantité de données ne va pas cesser de croître, sous le double impact de la croissance du trafi c lié à l Internet mobile, et, à moyen terme, du trafi c machine-tomachine et machine-to-human.» Frédéric Chassard, Responsable Architecture SI Décisionnel & Marketing Opérationnel, SFR «Certaines évolutions comme la montée en puissance des puces RFID ou de la traçabilité ont été évoquées comme des tendances d avenir pouvant avoir des impacts sur les volumes. Ces tendances sont toujours d actualité. D autres sont venues s y ajouter, notamment autour des informations qui circulent sur les réseaux Internet sous différents protocoles, et qui sont à l origine de nouvelles récupérations de données» Fabrice Benaut, CIO IFR Global 64 Perspectives

63 Chapitre III Le volume de données mobiles devrait être multiplié par 5 entre 2011 et 2015 Source : Rich Tehrani 9 Distinguer les données pertinentes du bruit va devenir une problématique majeure dans les années qui viennent, comme le confirme Éric Hobein, d Europages : «l essor du Web mobile, la diversification des canaux d interaction et le social média vont faire exploser la volumétrie de données. Il va devenir extrêmement difficile et complexe de séparer le bon grain de l ivraie pour identifier les données pertinentes pour nos clients.» Distinguer les données pertinentes du bruit va devenir une problématique majeure dans les années qui viennent, comme le confirme Éric Hobein, d Europages : «l essor du Web mobile, la diversification des canaux d interaction et le social média vont faire exploser la volumétrie de données. Il va devenir extrêmement difficile et complexe de séparer le bon grain de l ivraie pour identifier les données pertinentes pour nos clients.» Explosion de la volumétrie 65

64 3.2 Changement de nature de la donnée Non seulement le volume des données ne cesse d augmenter, mais leur nature même est modifiée, sous l effet de la dématérialisation croissante des activités industrielles et de service. Les échanges commerciaux et financiers étant de plus en plus liés à des biens virtuels, la qualité des données revêtira dans les années qui viennent une importance économique cruciale. Fabrice Benaut détaille cette analyse : GfK : la qualité des données au cœur de l économie de l immatériel «À l heure actuelle, la tendance à la dématérialisation du commerce des biens culturels, qui s accompagne d une montée de la consommation de biens numériques, modifi e profondément les principes de collecte des données. Il faut tout d abord savoir les identifi er et les nettoyer. La dimension qualité revêt là aussi une importance fondamentale, ces données arrivant à un niveau très pollué, car une multitude d informations sont collectées, dans un séquençage très découpé. Ainsi, quand un utilisateur suit un lien pour se rendre sur une page Web, cela produit un ensemble de données de réseaux très hétérogènes (publicités affi chées, informations de transit, etc.) qui comportent un fort niveau de bruit.» Fabrice Benaut, CIO IFR Global (groupe GfK) 3.3 Impact du Web et des médias sociaux Le Web, surtout avec sa déclinaison 2.0 et l avènement des médias sociaux, crée de nouvelles sources et de nouvelles natures de données. Il soulève également des questions inédites, comme nous l explique Jérôme Hiquet du Club Med : Club Med : les médias sociaux à l origine de nouvelles problématiques pour la gestion des données «L essor des réseaux sociaux de type Facebook pose de nouvelles problématiques. Comment être en relation avec des individus que nous n avons pas directement en base de données? Des interrogations surgissent : la notion de client va-t-elle se maintenir ou va-t-elle progressivement disparaître au profi t de la notion de contact? Nous voyons que ces évolutions suscitent une inquiétude chez les citoyens, qui se demande ce qui est fait avec ces données. Des questions juridiques nouvelles et légitimes se posent et nous devons les appréhender.» Jérôme Hiquet, Directeur Internet & CRM, Club Med - Marketing Stratégique 66 Perspectives

65 Dans le domaine du marketing, des ventes et de la relation client, cette lame de fond fait apparaître un volume considérable de données d un nouveau type, diffuses, non structurées, produites de manière collaborative. Ces données amènent à repenser les processus de collecte et d analyse. Fabrice Benaut revient sur ce phénomène : GfK : à données d un nouveau genre, collecte et analyse d un nouveau genre «Avec la montée du Web 2.0, des informations sont désormais produites par les utilisateurs eux-mêmes. Il s agit de données non-structurées. GfK collecte certaines de ces données, par exemple dans le panel tourisme. Des outils permettent ensuite de récupérer des données clés dans ces informations, pour les structurer. Il est donc possible de proposer des analyses et des reportings à partir de données peu ou pas structurées.» Fabrice Benaut, CIO IFR Global (groupe GfK) Si cet état de fait complique les choses pour les entreprises, il constitue aussi une opportunité pour se différencier et conquérir de nouveaux marchés. Certaines entreprises pour lesquelles les données sont au cœur du modèle économique, comme Europages, font ce pari : Chapitre III Europages : le Web 3.0 sera le Web de la donnée gratuite permettant de prendre des décisions «Nous avons 4 millions de visiteurs uniques par mois qui font des recherches dans le monde entier sur des secteurs d activité et des rubriques extrêmement diverses. Toutes ces données représentent un merveilleux échantillon des préoccupations des PME européennes en recherche d un partenaire, d un distributeur ou d un fournisseur. À court terme, nous serons en mesure de traiter cette masse de données pour restituer gratuitement aux internautes un certain nombre d études sectorielles ou d études fl ash construites à partir de l ensemble des recherches qui ont été réalisées sur Europages. C est une forme de juste retour des choses que nous voulons offrir à nos visiteurs, qui nous fournissent, ne l oublions pas, la matière première de notre activité. Nous pensons que le Web 3.0 sera le Web de la donnée, que cette donnée sera gratuite et mise à la disposition des internautes pour l aide à la décision. Ces ressources gratuites que nous allons mettre à destination seront autant d outils de conquêtes de nouveaux clients.» Éric Hobein, Business Intelligence Manager 3.3 Impact du Web et des médias sociaux 67

66 3.4 Prise en considération accrue de la donnée non structurée La donnée non structurée est longtemps restée le parent pauvre des démarches de QoD. Ceci est en train de changer. Mais laissons d abord Jacques-Benoît Lebris nous éclairer sur ce que sont les données non structurées, en prenant l exemple de Rhodia : Rhodia : typologie des données non structurées «On distingue trois types de données non structurées. Premièrement, les documents ayant vocation à rejoindre le fonds documentaire de l entreprise : documents relatifs à la qualité, bonnes pratiques, rapports marketing, études R&D Ces documents constituent un actif immatériel de l entreprise. L enjeu est d être capable de les archiver et de les retrouver, à la fois pour des raisons légales et pour des raisons de knowledge management. Pour gérer ces documents, Rhodia a créé un fonds documentaire unique au niveau mondial, géré par le logiciel Documentum. On pourrait qualifi er ces documents de documents pseudo non structurés. En effet, les utilisateurs les classent dans une logique de plan de classement. Ils ont également la possibilité de les décrire avec des tags. L enjeu est de faire évoluer ces plans de classement avec la structure de l organisation. Deuxièmement, on trouve des documents réalisés lors de l utilisation de la solution collaborative de Rhodia, e-room. Ces documents n ont de valeur qu à l intérieur d un contexte bien déterminé, correspondant en général à un projet ou plan d action. Nous avons fait le choix d une gestion centralisée pour ce type d information. En effet, l outil repose sur la création de salles collaboratives et nous voulions éviter qu elles se créent de manière anarchique ou au contraire qu elles ne partent en déshérence faute d utilisation. Pour cette raison, la création d une nouvelle salle collaborative par un utilisateur est soumise à validation de son responsable hiérarchique et est mise à disposition par une équipe dédiée et unique au niveau mondial. Cette équipe est également chargée de relancer les responsables de salles afi n qu ils nettoient et restructurent leur salle régulièrement. Les salles sont créées pour une durée donnée avant d être archivées. Au moment de l archivage, l équipe responsable d e-room interroge les responsables de salles pour leur demander quelles sont les informations à garder et celles à archiver. Ce type de process ne nuit pas à la créativité de nos utilisateurs (nous avons salles actives) et garantit le bon urbanisme de l ensemble. Le troisième type d informations non structurées concerne celles que l on trouve sur les PC des utilisateurs. Il s agit des messages archivés dans les messageries, des documents créés en local, des informations glanées sur le Web Actuellement, nous ne gérons pas véritablement ce type de données. Nous n en contrôlons pas l usage ni la sécurité. Notre seul dispositif de sécurité véritable pour ce type de données, c est la responsabilisation de l utilisateur.» Jacques-Benoît Le Bris, Directeur des applications 68 Perspectives

67 Ces données sont précieuses parce qu elles renferment notamment les savoirfaire, l expérience, l histoire de l entreprise, tous les éléments ne rentrant pas facilement dans des bases de données classiques. Elles concernent aussi toutes les interactions de l entreprise avec ses clients, partenaires et prospects, que ce soit via la correspondance classique (courriers, s) ou sur les réseaux sociaux. Leur prise en considération est donc capitale pour une entreprise soucieuse d être ouverte sur son environnement. Pour non structurées qu elles soient, ces données n en exigent pas moins la mise en place de processus permettant de les collecter et de les gérer. C est ce que fait Shell : Shell : analyser les données non structurées pour mieux résoudre les problèmes des clients «Dans le groupe, des règles et des processus ont été décrits pour enregistrer les documents et les catégoriser par mots clés. Ils doivent être numérisés (pour ce qui est des documents papiers) et joints au dossier client de manière électronique. Cependant, la plupart du temps, la personne qui reçoit le document (au service client en général) va lire et résumer le contenu (plus ou moins bien). Le problème ensuite, en termes de satisfaction client, est celui de la qualité de l information répertoriée. Le but est de pouvoir reconnaître des cas similaires et y palier non pas en one shot mais au global et anticiper une répétition de l erreur.» Christel Juvet, Business Excellence & Global Marketing Manager Chapitre III 3.4 Prise en considération accrue de la donnée non structurée 69

68 3.5 La prise en considération des droits d usage de l information La prise en compte des données non structurées n est que l un des aspects des défis qui attendent l entreprise connectée à son environnement. La sécurisation des données doit aussi être complètement repensée, à une époque où l information circule de plus en plus, en interne et vers l externe. Ceci s explique en grande partie par les nouveaux comportements en entreprise en ce qui concerne l information et les systèmes d information. La frontière devient de plus en plus fine entre données et matériels personnels et professionnels, ce que Jacques-Benoît Le Bris de Rhodia appelle la «consumérisation de l IT» : Rhodia : de nouvelles règles à inventer pour les droits et les devoirs en matière d information «Cette consumérisation de l IT a deux caractéristiques. La première est le mélange croissant des outils et des informations personnels avec ceux de l entreprise. De la même manière que nos collaborateurs utilisent leur véhicule personnel pour se rendre sur leur lieu de travail, ils veulent pouvoir utiliser leurs terminaux personnels (smartphone, PDA, PC) pour accéder aux données de l entreprise. La deuxième caractéristique de ce mouvement de fond est le recours de plus en plus massif à la vidéo, qu il s agisse d elearning, de la retransmission ou de l enregistrement de conférences ou de réunions, etc. Cette consumérisation pose des questions nouvelles. Dans quelle mesure le collaborateur peut-il accéder aux données de l entreprise sur son terminal personnel? Réciproquement, dans quelle mesure l entreprise peut-elle accéder aux données personnelles des individus? Des règles nouvelles en termes de droits et de devoirs concernant le partage de l information doivent être trouvées. Des outils techniques commencent à apparaître qui pourront y contribuer, sous la forme de marqueurs qui pourront être associés à chaque document pour assurer la traçabilité de sa consultation et de l usage qui en est fait.» Jacques-Benoît Le Bris, Directeur des applications C est ce qui fait dire à Philippe Blot-Lefevre, auteur de Droit d usage et protection de l information numérique (Editea, juin 2007), que les habilitations d accès à l information ne suffisent plus. Les entreprises doivent mettre en œuvre des procédures de garantie et de traçabilité des usages de l information : Digital Legal Management : le code de la route des données «La notion documentaire et la logique d information vivent une nouvelle ère. Le support ne peut plus être confondu avec l information, ce qui était le cas du papier mais ne l est pas des fi chiers informatiques. D autre part, la duplication ne demande plus aucun effort et bien des documents tombent entre des mains qu ils ne concernent pas. Enfi n, beaucoup d usages documentaires engagent la responsabilité des dirigeants malgré eux, notamment lors de transmissions de courriels, ou d utilisations illégales d actifs immatériels ou de données personnelles. 70 Perspectives

69 Une meilleure gestion des habilitations dans les entreprises consiste à défi nir qui, en tant que personne identifi ée, a accès ou pas à telle ou telle information. Mais cette conception atteint ses limites. En effet, l information n a pas de valeur intrinsèque : elle n a de valeur que parce qu elle répond au besoin d une personne, dans une circonstance et pour un usage donnés. Les droits d accès à l information ne suffi sent plus : il importe de gérer les droits d usage. Ces usages peuvent être très variés : accéder à l information, la copier, la conserver, la diffuser, la détruire, la modifi er C est tout le sens du concept de DLM (Digital Legal Management). Il part du principe que le rôle prime sur l individu dans le monde professionnel et bien souvent dans la vie privée. Pour décider qui a des droits d usage sur un type d information, il convient donc de caractériser le couple usage-rôle. Se contenter du titre ou du poste de la personne n est pas satisfaisant. En effet, les entreprises sont de plus en plus organisées en groupes de travail transverses. Un même individu peut appartenir à plusieurs groupes de travail, pour une durée donnée et peut-être à l extérieur de l entreprise. Il importe donc de défi nir le droit d usage documentaire souhaité pour chacun des rôles assumés dans le groupe de travail. Ainsi le DLM permet-il un cloisonnement des informations en cas d appartenance individuelle à plusieurs communautés. Ainsi le DLM permet-il, à budget constant puisqu il rationalise, de fl uidifi er les échanges d information en même temps qu il en renforce la protection, même à l international.» Philippe Blot-Lefevre, Fondateur et Directeur Général de Hub2Hub DLM Chapitre III 3.5 La prise en considération des droits d usage de l information 71

70

71 Conclusion Conclusion 73

72 74 Conclusion

73 De la diversité des situations, maturités et pratiques des entreprises rencontrées à l occasion de la rédaction de ce livre blanc ressort de manière forte que la question de la qualité des données n est pas seulement une question technique. Parce que les données et l information sont l oxygène de l entreprise, irriguant tous ses processus, la gestion de leur qualité ou mieux, leur gouvernance, est avant tout une affaire d organisation et de management. Certes, des défis techniques s annoncent, liés en particulier à l explosion du volume de données à traiter. Mais les moyens techniques de stockage, les logiciels spécialisés et les nouveaux paradigmes informatiques tels que le cloud computing sont déjà prêts pour aider les entreprises à les relever. La prouesse que celles-ci sont invitées à réaliser est plutôt celle de la prise en compte intelligente des données et de l information «ambiantes» : données non structurées produites par les collaborateurs, textes libres postés sur des réseaux sociaux, flux de données machine to machine L époque du traitement brut des données est derrière nous, celle de l adjonction d intelligence en est encore à ses balbutiements. Ce n est pourtant qu à ce prix que les entreprises pourront optimiser leurs processus et améliorer la qualité des échanges avec leurs clients et leurs partenaires. Conclusion Conclusion 75

74

75 Focus juridique 1) Quel est l impact des dispositions comptables et fiscales en termes de qualité des données? 78 2) Les obligations comptables/fiscales ne peuvent-elles pas aller à l encontre des démarches de qualité des données des entreprises? 80 77

76 1) Quel est l impact des dispositions comptables et fiscales en termes de qualité des données? En matière comptable, la qualité des données, leur enregistrement et leur conservation a pour objectif de garantir le caractère régulier, sincère et probant de la comptabilité informatisée vis-à-vis des différents acteurs internes (dirigeants, comptables ) et externes (actionnaires, administration fiscale ) qui l utilisent comme source d information. À cet égard, les données comptables et leur enregistrement doivent respecter les principes comptables édictés par le PCG (Plan Comptable Général). Ces principes comptables imposent que la comptabilité informatisée, les données et leurs traitements respectent notamment les caractéristiques principales suivantes : La traçabilité : l enregistrement des données comptables doit permettre de suivre la donnée depuis son origine jusqu au document comptable final et inversement (le chemin de révision) ; L intangibilité : le système de traitement doit garantir que les données saisies sont intangibles au travers d une procédure de validation des écritures et de clôture périodique qui fige les enregistrements ; La fiabilité : Le contenu des documents comptables doit pouvoir être authentifié. Ainsi les documents comptables établis sous forme électronique doivent être identifiés, numérotés et datés dès leur établissement par des moyens offrant toute garantie en matière de preuve ; La pérennité : Les éléments comptables doivent être conservés, disponibles et lisibles pendant une durée suffisante pour répondre aux besoins de preuve des entreprises, grâce aux procédures d archivage. Rappelons enfin que le code de commerce fait obligation à toute personne physique ou morale, ayant la qualité de commerçant, de procéder à l enregistrement comptable chronologique et séquentiel des mouvements affectant le patrimoine de l entreprise. 78 Conclusion

77 Sur le plan fiscal, l administration fiscale a rappelé notamment dans l instruction 13-L-06 que le respect des obligations comptables précitées était une condition préalable de conformité de la comptabilité informatisée et que leur non-respect pouvait l autoriser à considérer la comptabilité comme irrégulière ou non probante et donc à mettre en œuvre la procédure d évaluation d office des résultats assortie de la pénalité pour manquements délibérés (40 %). Mais surtout, les dispositions fiscales imposent par ailleurs aux entreprises, tenant leur comptabilité sur informatique, des obligations de conservation et de présentation, dans le format d origine, notamment des documents comptables obligatoires, mais aussi des données et traitements ayant concouru directement ou indirectement à la formation des résultats comptables ou fiscaux et à l élaboration des déclarations fiscales obligatoires. Cette obligation de conservation des données et traitements, dans le format d origine, nécessite que l entreprise détermine exactement, au titre des années non prescrites, le périmètre de son système d information concerné par les obligations fiscales, identifie précisément les données et traitements à conserver et enfin choisisse un mode de conservation pérenne et sécurisé. Il incombera à l entreprise de s assurer de l exhaustivité et de la lisibilité des données et traitements conservés et de sa capacité de restitution des dites données, tant que les exercices à l origine de ces données/traitements ne seront pas prescrits. Il convient en effet de rappeler que la conservation des données et traitements doit permettre à l entreprise de faire face à toute demande de traitements informatiques, sur les exercices antérieurs, qui serait demandée par l administration fiscale à l occasion d un contrôle de la comptabilité informatisée de l entreprise. L enjeu est de taille, car l insuffisance de données archivées autorise l administration fiscale à recourir à la procédure d évaluation d office des résultats assortie des pénalités pour manquements délibérés (40 %). Dans les cas extrêmes de manquements (e.g. non conservation des données et traitements, ), l Administration peut mettre en œuvre la procédure d opposition à contrôle fiscal assortie d une majoration de 100 %. Focus juridique 1) Quel est l impact des dispositions comptables et fiscales en termes de qualité des données? 79

78 2) Les obligations comptables/ fiscales ne peuvent-elles pas aller à l encontre des démarches de qualité des données des entreprises? Au contraire, les obligations comptables et fiscales relatives aux comptabilités informatisées s inscrivent dans une démarche de qualité des données et traitements comptables. En effet, le respect dans la durée par l entreprise des obligations comptables et fiscales en matière de tenue de comptabilité informatisée, nécessite l élaboration et la mise en œuvre d un plan de maîtrise de la conformité qui participe nécessairement à cette démarche de qualité. L élaboration d un tel plan de maîtrise, sa mise en œuvre de manière pérenne sont aussi l occasion pour les entreprises de faire une analyse des pratiques et des procédures existantes en ce qui concerne la nature, la qualité, la traçabilité et la fiabilité des données archivées. En pratique, ces travaux de conformité aboutissent soit à un enrichissement des procédures existantes soit à de nouvelles procédures, notamment en ce qui concerne la documentation et la conservation des données. Ces travaux sont également l occasion d identifier les opportunités d amélioration des pratiques et process existants. Un tel plan de maîtrise de la conformité comptable/fiscale repose aussi sur l organisation de nouvelles actions de conformité à mener par les acteurs des différents métiers concernés (comptabilité, fiscalité, SI.). Enfin, l ensemble des procédures, pratiques, actions, outils élaborés et mis en œuvre dans le cadre d un plan de maîtrise de la conformité, doit faire l objet de contrôles périodiques et donc être intégré (si ce n est pas déjà le cas) dans le processus de contrôle interne de l entreprise. C est en ce sens que les travaux menés par les entreprises, afin de s assurer de leur conformité aux obligations comptables/fiscales en matière de comptabilités informatisées, participent à la démarche de qualité des données comptables/fiscales. 80 Conclusion

79 Yves Tuleau Avocat fiscaliste au sein du cabinet d avocats Landwell & Associés, est en charge de l expertise «comptabilités informatisées et contrôle fiscal». Ils assistent les clients du cabinet dans le cadre de l élaboration et la mise en œuvre de plan de conformité et de maîtrise du risque fiscal et à l occasion des contrôles fiscaux des comptabilités informatisées. Il a participé en tant qu animateur de l équipe rédactionnelle et coauteur à l élaboration d un Pocket Guide PwC intitulé «Comptabilités informatisées : 50 recommandations pratiques de la mise en place au contrôle fiscal» téléchargeable sur le site landwell.fr. Régis Carral Avocat Associé, est responsable du département Propriété Intellectuelle & Nouvelles Technologies de l Information et de la Communication (IP/IT) au sein du Cabinet Landwell & Associés. Il compte plus de 20 ans de pratique du droit de l informatique, des NTIC et de la propriété intellectuelle (accompagnement juridique et fiscal de grands projets dans les domaines informatique, du commerce électronique, des données personnelles, des contrats, du contentieux...) Focus juridique 2) Les obligations comptables/fiscales ne peuvent-elles pas aller à l encontre des démarches de qualité des données des entreprises? 81

80

81 Annexes 25 histoires de qualité des données 1. Alcatel-Lucent Arval Backelite Carmen Immobilier Club Med Conforama DGA Europages Faurecia Firmenich Groupe France Télécom GFK HSBC Kantar Media Lokad Oscaro Printemps PSA Rhodia Ricoh France Schneider Electric SFR Shell Sodexo Groupe Moniteur 96 83

82 1. Alcatel-Lucent Interlocuteur Laurence Orazi, Data Governance Manager Biographie Laurence Orazi, est consultante en gouvernance et architecture de données chez Alcatel-Lucent. Elle a mené plusieurs projets de transformation du système d information, dans le domaine des opérations commerciales et logistiques (supply chain). Elle a notamment mis en place une méthode de gouvernance des données par les règles métiers pour réaliser les objectifs stratégiques de l entreprise. En tant que conférencière, elle participe régulièrement à des forums professionnels internationaux (IRM UK, Marcus Evans, ExQi). Type d entreprise Très grande entreprise internationale (CA : 15 milliards d euros) Qualité de l information : définition, projets Un projet innovant de gouvernance des données insistant sur la responsabilité et le pilotage. Principaux enseignements Un effort de pédagogie permanent à mener auprès des décideurs. La démarche de gouvernance repose sur la responsabilisation des acteurs. Des actions d accompagnement et de formation à mettre en œuvre pour responsabiliser les équipes sur les nouvelles règles business qui ont été définies. Le principal écueil est de travailler en vase clos, en silos. L identification des bons relais dans toute l organisation comme facteur clé de succès. Présentation de l entreprise Alcatel-Lucent est un groupe de télécoms français à dimension internationale. Il est présent dans différents secteurs B2B. Il fournit des solutions de télécommunications aux opérateurs et aux marchés verticaux tels que l éducation, l administration et l énergie. Il emploie près de collaborateurs dans 130 pays Alcatel-Lucent

83 2. Arval Interlocuteur Carlos Fialho, Responsable BI & Reporting Biographie Après une brève expérience en tant que consultant chez l éditeur de logiciel CAST, Carlos Fialho rejoint Arval en 2002 pour prendre en charge la construction du système d information décisionnel. Il mène par la suite plusieurs projets visant à industrialiser le reporting interne, notamment le pilotage des performances commerciales au sein des agences, les tableaux de bord recouvrement. Il est ensuite amené à participer au projet de construction du datawarehouse groupe qui consolide les données des 22 pays et conduit pour le compte du Commerce international la réalisation du projet Analytics, un outil en ligne de reporting interactif et d aide à la décision destiné aux clients (grands comptes nationaux et internationaux) récompensé par le prix «International Fleet Industry Award» décerné par Fleet Europe en Il est aujourd hui responsable BI en charge des systèmes communs et en support de l activité sur l Europe du Sud. Type d entreprise Multinationale, filiale de BNP Paribas Présentation de l entreprise Arval, filiale de BNP Paribas, est un acteur international dans le secteur de la location automobile longue durée, multimarques, et de la gestion des véhicules d entreprise. Créé en 1989 en France, Arval est directement implanté en Europe (Belgique, Italie, Espagne ), au Maroc, au Brésil, en Russie et en Turquie. Par ailleurs, il est présent au Japon, en Australie, en Nouvelle-Zélande, en Afrique du Sud par le biais de partenaires. En 2009, Arval gérait véhicules professionnels dans 22 pays. Qualité de l information : définition, projets Mise en place d un extranet pour identifier les données les plus exposées aux clients et les principales carences en termes de qualité, afin de traiter ces problèmes de manière ciblée, priorisée et efficace. Principaux enseignements La qualité des données se joue autant au niveau du reporting que dans la gestion des référentiels. Nécessité de faire fructifier et de mettre en valeur le patrimoine que constituent la donnée et l information. Nécessité d un coordinateur pour la démarche qualité. Un projet valorisé en termes de réduction des risques plutôt qu en termes de ROI. Annexes 2. Arval 85

84 3. Backelite Interlocuteur Thomas Sarlandie VP of software, cofondateur Biographie Thomas Sarlandie est cofondateur et directeur technique de Backelite, l agence mobile leader en ergonomie et développement d applications mobiles. Il a été l un des pionniers du développement iphone en France et a réalisé avec son équipe des dizaines d applications iphone dont le monde.fr. En 2008 il a publié chez Eyrolles le livre Programmation iphone OS3. Depuis 2010, Thomas consacre son temps au développement de BkRender, la solution de développement multiplate-formes de Backelite. Type d entreprise PME à forte croissance Présentation de l entreprise Société créée en 2006, Backelite est une agence spécialisée dans la réalisation de services pour mobiles : elle édite des applications pour terminaux mobiles (iphone, Android, Windows Phone 7). L utilisateur peut les télécharger puis les installer sur son téléphone. Ces applications sont adaptées aux écrans des téléphones sur lesquels on les regarde. Backelite conçoit les services avec des consultants, les réalise avec des créatifs, des graphistes et des développeurs, puis les met en ligne et les héberge pour le compte de ses clients. Backelite a lancé en 2010 une activité logicielle dans laquelle elle fournit à ses clients des outils qui leur permettent de développer eux-mêmes des services mobiles. Backelite emploie 65 salariés et prévoit une croissance de 50 % en 2011, ce qui correspond à son rythme de croissance depuis sa création. Qualité de l information : définition, projets Analyse des logs de connexion aux sites et applications mobiles. Principaux enseignements La principale difficulté est l élimination du «bruit» pour n analyser que les données (logs de connexion) ayant un sens. Ex. : éliminer les connexions de la part des robots des moteurs de recherche. Quel que soit le niveau d automatisation des démarches QoD, le travail humain reste important en la matière : «il est très difficile, voire impossible, que l ordinateur vérifie la cohérence des données.» Loi et conservation des données : «il y a une obligation légale pour tous les hébergeurs de sites de conserver les logs [de connexion] pendant 2 ans.» Backelite

85 4. Carmen Immobilier Interlocuteur Patxi Plaa Directeur Administratif et Financier Biographie Depuis 14 ans au sein du premier réseau indépendant d agences immobilières du Pays Basque, Patxi PLAA a participé, à la création des logiciels métier dédiés à l activité Transaction Immobilières. Il a contribué également à la mise en place des divers sites Internet du groupe (sites Institutionnels et marchands). Type d entreprise PME : réseau d agences immobilières Principaux enseignements L essentiel de l information est stockée chez eux sous forme papier. La qualité des données externes est dans leur cas intrinsèquement bonne (information officielle des notaires, etc.). Pas de problématique de purge des données : l extension du réseau d agences a engendré une croissance des données mais moins rapide que l augmentation des capacités de stockage. Présentation de l entreprise Carmen Immobilier est un groupe immobilier de la côte basque, composé de 17 agences. Il a trois types d activité : Agence immobilière classique : transaction. Location à l année. Autres : syndic, gestion locative, promoteur, immobilier d entreprise. Qualité de l information : définition, projets Une information de qualité est avant tout «une information disponible». Annexes 4. Carmen Immobilier 87

86 5. Club Med Interlocuteur Jérôme HIQUET Directeur Internet & CRM Biographie Jérôme Hiquet a débuté sa carrière en 2001 au sein du Groupe Accor à la Direction du Marketing Relationnel où il travaille sur les différentes problématiques liées à la Fidélisation. En 2004, il rejoint Voyages-sncf.com pour s occuper du Marketing Relationnel et, en 2007, il orchestre le lancement de Voyages-sncf sur le m-commerce. Par la suite, il intègre le Club Méditerranée en 2008 au sein de la Direction de la Stratégie où il prend en charge Internet au niveau mondial, puis également le CRM, en Principaux enseignements Importance de la pédagogie pour que les collaborateurs comprennent que les données sont stratégiques. Pour inciter les collaborateurs à collecter les données sur le terrain, il faut que la collecte s inscrive dans les processus existants : ne pas créer de processus additionnels. Type d entreprise Grande entreprise de services. Présentation de l entreprise Né dans les années 50, le Club Med compte aujourd hui 80 villages de vacances sur les cinq continents. Il a réalisé en 2010 un CA d 1,3 Mrds d euros et emploie GO, au service d 1,2 millions de clients. Qualité de l information : définition, projets Utilisation d une base de données centrale et mondiale pour adapter la relation à la valeur du client et personnaliser son expérience quel que soit le canal de contact (agence, Web, téléphone, club) Club Med

87 6. Conforama Interlocuteur Arnaud Wielgus Directeur Marketing Relationnel et Web Biographie Après avoir collaboré aux tests et au lancement du ticket E. LECLERC, Arnaud Wielgus a rejoint un fournisseur d accès Internet, World Online pour lancer son portail marchand. Professionnel du Web et du retail, Arnaud Wielgus, est désormais Directeur du Marketing Relationnel et du site marchand de Conforama. Il a développé l activité e-commerce de l enseigne depuis bientôt 10 ans pour en faire le premier magasin de l enseigne tout en conservant une approche totalement multicanale. Il a également fortement contribué à la mise en place d un référentiel client unique alimenté par toutes les bases de données de l enseigne y compris le site marchand. Qualité de l information : définition, projets La démarche «qualité des données» : remonter l information des 187 magasins en central afin d avoir un référentiel client unique avec pour objectif de mieux connaître et de mieux cibler la clientèle. Déploiement d une architecture articulée autour d un data warehouse que vient interroger un outil de data mining, SPSS Clementine. Principaux enseignements Un travail de pédagogie permanent. Des gains en termes de ciblage, de taux de transformation des campagnes, de réduction des coûts et de capacité à industrialiser les campagnes marketing. Type d entreprise Grande entreprise de distribution Présentation de l entreprise Conforama est un groupe de distribution de meubles et d équipement pour la maison. L entreprise compte 187 magasins à travers la France avec un effectif total de salariés. Annexes 6. Conforama 89

88 7. DGA Interlocuteur Frédéric Benâtre Ingénieur Général chargé de la sousdirection des systèmes d information Type d entreprise Grosse Direction ( personnes) d une grande administration (Ministère de la Défense). Présentation de l entreprise La DGA (Direction Générale à l Armement) est une Direction du Ministère de la Défense regroupant personnes. Ses deux métiers principaux sont la conduite de projets d armement complexes, sur des cycles très longs, et la réalisation d essais matériels dans le cadre d une expertise technique poussée. Qualité de l information : définition, projets Expérimentation de démarches de production collaborative de contenus. Principaux enseignements Centraliser les processus n est pas synonyme de qualité des processus. Le processus de gestion des données «classifiées» au format papier est sûr et solidement établi : la dématérialisation de ces données est encore peu développée. Fluidifier le partage de l information notamment par des outils collaboratifs est un mouvement inéluctable. Au sein de la DGA, la Direction des Systèmes d Information manipule trois types de données : des données opérationnelles, liées à la conduite des projets d armement, des données concernant l environnement technique des matériels (documentation), des données de back-office liées aux fonctions support (finance, RH) DGA

89 8. Europages Interlocuteur Éric Hobein, BI Manager Biographie Éric Hobein est responsable de la Business Intelligence chez Europages. com, le moteur de recherche B2B européen. Il s intéresse principalement au Data-Driven Marketing et aux aspects d intégration Webanalytics Business Intelligence. Il a précédemment collaboré au sein du PMU où il a travaillé sur des problématiques de paris online et mis en place le système d information décisionnel. Type d entreprise PME internationale, filiale des Pages Jaunes italiennes ; 2 millions d entreprises référencées. Présentation de l entreprise Europages est un moteur de recherche B2B européen. Disponible en 26 langues, il totalise environ 4 millions de visiteurs uniques par mois. Les utilisateurs sont principalement des gérants de PME-PMI, des responsables exports et des responsables achats, en quête de fournisseurs, de distributeurs ou de partenaires. Ces trois missions sont de : favoriser les contacts business entre PME européennes, booster leur visibilité sur Internet, créer du trafic vers leur site Web. Qualité de l information : définition, projets Europages capte des données brutes (logs) ; leur outil d édition de statistiques les transforme en information ; les analyses de leurs consultants transforment cette dernière en connaissance. La mise en place de la démarche qualité des données chez Europages s est accompagnée de celle de la BI (data warehouse + Cognos + SPSS). La collecte des données chez Europages est fondée sur le tagage des pages Web (inscriptions javascript) : c est une opération manuelle. La démarche qualité a été initiée par le Marketing mais prise en charge par la DSI. Principaux enseignements Facteurs clés de succès : mise en place d un processus fiable et choix de bons prestataires. «On ne cherche pas la fiabilité de la donnée à la virgule près, ce qui nous intéresse c est la qualité de l information à biais constant sauf pour des données stratégiques.». Pas de problématique d archivage ou de purge malgré 4 Go de données collectées par jour. Le Web 3.0 «sera le Web de la donnée ; elle sera gratuite pour l internaute pour qu il puisse prendre des décisions». Le Web mobile et le social media vont faire exploiter le volume des données, rendant difficile de distinguer la donnée du bruit. Annexes 8. Europages 91

90 9. Faurecia Interlocuteur Beray Gerdan Legouverneur Business Systems Director Biographie Beray a commencé sa carrière dans les sociétés de services où elle a mené à bien de nombreux projets pour les différentes industries des pays scandinaves ainsi qu à l international. Suite à son arrivée en France en 1996, elle travaille avec les grands groupes automobiles avec une responsabilité à échelle mondiale. Elle est passionnée par l industrie et ses défis, elle aime à apporter des solutions par les technologies informatiques. Type d entreprise Multinationale, leader mondial de l équipement automobile Principaux enseignements La qualité des données fournisseurs est indispensable pour bien négocier les achats. Les données de référentiels doivent être créées en amont et non dans les applications métiers. Le calcul du ROI est réalisé à partir de deux types de KPI, les uns orientés IT et les autres orientés métier. Le MDM permet de consacrer plus de temps à l analyse des données qu à leur correction. Capitaliser sur les initiatives ad hoc pouvant déjà exister sur le terrain pour mettre en place la démarche globale de qualité des données. Présentation de l entreprise Faurecia est une entreprise réalisant 11 milliards d euros de chiffre d affaires. Elle est structurée en 4 business groups. Chaque business group a la charge d une gamme de produits automobiles. Faurecia est présente dans près de 30 pays avec environ 200 sites à travers le monde. Qualité de l information : définition, projets Emploi d un seul et unique ERP, à savoir SAP au lieu d une dizaine auparavant. Passage à une gestion des référentiels en amont, avec un système de Master Data Management, SAP MDM Faurecia

91 10. Firmenich Interlocuteur Thierry Delez Master Data Management Director Biographie Thierry DELEZ a travaillé pendant 12 ans dans le management stratégique des données pour divers groupes internationaux leaders dans leur domaine, avec une forte implication dans l architecture d entreprise. Il se définit lui-même comme un vrai «cross-fonctionnel» pour avoir des expériences dans les domaines de la banque, la manufacture, l imprimerie, la maintenance l aéronautique et la chimique. Thierry DELEZ est détenteur d une Licence en Economie Politique et d un Master en Systèmes d Information à l Université de Lausanne. Qualité de l information : définition, projets Mise en place d équipes d interface entre les Métiers et SAP dans le contexte de la généralisation de ce dernier comme ERP global. Principaux enseignements Besoins de simplifier certains processus. Nécessité d une gouvernance adaptable, apte à s aligner sur les changements imposés par le contexte. La gouvernance des données est une démarche incrémentale. Type d entreprise Grande entreprise internationale Présentation de l entreprise Firmenich est le numéro deux mondial du secteur des fragrances et arômes. Entreprise suisse, elle crée depuis plus de 100 ans des parfums appréciés chaque jour par des millions de consommateurs. Firmenich emploie aujourd hui plus de personnes dans 64 pays. Firmenich est un acteur purement B2B, avec une focalisation forte sur les grands donneurs d ordre internationaux. Annexes 10. Firmenich 93

92 11. Groupe France Télécom Interlocuteur Djamel Benallal Directeur «Finance Group Solutions» Biographie Djamel Benallal a débuté sa carrière en 1980 au sein du Groupe France Télécom dans le domaine des réseaux. Après un passage à la gestion commerciale et technique des réseaux radioélectriques puis à l audit Interne du Groupe, il s est spécialisé dans le système d information avec la direction de grand projets en France et à l international. Depuis bientôt 7 ans, au sein de la Division Finance du Groupe, il a structuré et mis en place le nouveau système de solutions Finance du Groupe (process/référentiel/ applications), du transactionnel (ERP) à la consolidation/reporting du groupe en passant par une solution de reporting et de construction budgétaire adaptable à chaque pays (EPM). Type d entreprise Multinationale Présentation de l entreprise France Télécom est un des principaux opérateurs de télécommunications dans le monde. Le groupe compte collaborateurs dont travaillent hors de France et dispose d un réseau mondial de l innovation avec 15 Orange Labs sur 4 continents. France Telecom commercialise l essentiel de ses produits et services sous la marque Orange qui compte 182 millions de clients dans 32 pays. Ce qui en fait le troisième opérateur mobile et le troisième fournisseur d accès internet ADSL en Europe et l un des leaders mondiaux des services de télécommunications aux entreprises multinationales, sous la marque Orange Business Services. Qualité de l information : définition, projets «La qualité de l information est indissociable de sa rapidité de production et de sa fraîcheur.» Mise en place d une démarche qualité dans le cadre de la refonte du processus de consolidation financière Groupe. Principaux enseignements Choix de gérer au siège des référentiels partagés par tout le Groupe avec une granularité de plus en plus fine des données plus on se rapproche du terrain (les agences). «Une belle solution sans adhésion n est pas un gage de qualité» : il faut convaincre de la démarche qualité «lead by example». Facteurs clés de succès : stockage et ownership uniques de chaque information + continuité des référentiels du siège aux agences + contrôles + alimentation automatique des référentiels Groupe France Télécom

93 12. GFK Interlocuteur Fabrice Benaut CIO IFR Global Biographie Fabrice Benaut est CIO chez IFR monde depuis janvier Il a été directeur des SI et du développement pendant 15 ans au sein de GFK où il a gagné 2 Awards de Business Objects SAP et Informatica pour des solutions qu il a créées pour des clients de l entreprise. Fabrice Benaut participe à de nombreux travaux et écrits (articles, ouvrages CIO). Il anime également à travers le monde des conférences sur les thèmes de Data Integration, de Qualité de Données, etc. Il est dans quelques réseaux actifs de CIOs, Business, Marketing et Scientifiques. Type d entreprise Grande entreprise internationale (1,2 Mds CA, pers.) Qualité de l information : définition, projets La qualité de l information se définit aussi par ce qu elle n est pas une grille de lecture binaire entre des données «bonnes» et des données «mauvaises». Principaux enseignements La démarche qualité des données intègre les processus d optimisation de la donnée brute (extrapolation, correction d erreurs, lissage, etc.). La qualité de la donnée n est pas une science exacte : c est aussi la qualité perçue par le client. Les évolutions technologiques (RFID, Internet mobile) et les transformations des marchés (dématérialisation des biens culturels) vont considérablement accroître les volumes de données. Présentation de l entreprise GFK regroupe personnes dans 120 pays. GfK est composée de trois business units. Les deux premières branches sont Custom Research, qui se chargent d études quantitatives et qualitatives, et la branche Média, dont l activité se rapproche de celle de Médiamétrie, mais partout dans le monde. La troisième branche est la branche GfK Retail and Technology. Elle travaille sur 500 panels de détaillants dans des domaines comme l équipement de la maison, les loisirs, l outillage, les produits technologiques, etc. Annexes 12. GFK 95

94 13. Groupe Moniteur Interlocuteur Aurore Ferreira Lima Responsable Data Warehouse Clients et Prospects Biographie Par sa connaissance du modèle de données de la GRC (Gestion de la Relation Client) du groupe Moniteur, Aurore Ferreira Lima en assure l intégrité et épauler les gestionnaires de campagnes marketing multicanal dans les ciblages des Clients et Prospects à contacter. Elle est également en première ligne pour le projet «Contact Unique» visant à mettre en place un contact agrégé par client ou prospect issu de tous les profils existants dans différents systèmes amonts (Abonnements Presse, Clients Editions, Salons, Formations ). Avant cela, elle a participé au déploiement de SAP en Europe lors du Projet GLOBE de Nestlé. Aurore Ferreira Lima est ingénieur agronome spécialisée en phytopathologie. Type d entreprise Grande entreprise française du monde de l édition. Présentation de l entreprise Le Groupe Moniteur est principalement une maison d édition de presse professionnelle, au format papier ou Web. Il offre par ailleurs des services de publication d appels d offres, d organisation de conférences ou de salons et de formation. Ses publications sont envoyées à un lectorat français et international. Elles sont au nombre de 17 au format papier auxquelles il faut ajouter 25 newsletters. Qualité de l information : définition, projets Projet «contact unique» piloté par la Direction de la relation client pour améliorer la connaissance des clients et prospects, jusqu alors disséminée dans une vingtaine de systèmes hétérogènes. Principaux enseignements La qualité des données passe par la sélection des données pertinentes. Dans le métier du groupe Moniteur, des données de contact de mauvaise qualité se traduisent par des envois de courrier et de mails en échec (NPAI et NP@I) et donc finalement par une perte de CA. Facteurs clés de succès dans une démarche de qualité des données : - Standardiser : les formulaires Web de collecte des données de contacts et les structures de bases de données utilisées par les prestataires. - Qualifier : valider l adresse mail par la généralisation du double opt-in (confirmation par l internaute de son inscription à une newsletter en cliquant sur un lien envoyé par mail). - Mener des campagnes de complétion d informations Groupe Moniteur

95 14. HSBC Interlocuteur Rudy Buchser Responsable Maîtrise d Ouvrage Biographie Diplômé d ICN Business School - Master Systèmes d Information et Organisation, Rudy Buchser cumule, à ce jour, 15 ans d expérience dans le secteur du Management de l Information. Il a été successivement Chef de Projets puis Responsable de Maîtrise d Ouvrage au sein d HSBC France. Il a été auparavant consultant dans le secteur de la Business Intelligence notamment en Pilotage dans le secteur financier. Type d entreprise Grande entreprise internationale Présentation de l entreprise Le groupe HSBC compte près de 41 millions de clients dans le monde. En France, il dispose de 380 agences et collaborateurs. Ses produits et services englobent les métiers suivants : banque de financement, d investissement et de marchés, gestion d actifs et des assurances, banque privée. Qualité de l information : définition, projets «La qualité des données n est pas une notion absolue. Une donnée peut être considérée comme suffisamment précise par une Direction ( bonne ) et insuffisante par une autre.» «La qualité de l information est indissociable de la vitesse avec laquelle elle peut être rendue disponible.» La démarche qualité des données chez HSBC s est faite dans le cadre de la mise en place de la business intelligence (BI) au sein de la Direction Finance. Principaux enseignements «L impact d une qualité insuffisante des données dépend fortement du contexte. Il peut être réduit en vitesse de croisière comme catastrophique en période de crise.» «Plus on garantit tôt la qualité des données, notamment en veillant à celle des données primaires [captées à la source], plus le coût [de la démarche qualité] est réduit.» «La démarche de qualité des données peut ( ) aller à l encontre de certains prés carrés et susciter des résistances. Le changement des mentalités n est pas terminé.» Annexes 14. HSBC 97

96 15. Kantar Media Interlocuteur Denis Gaucher Directeur Pôle Publicité Biographie Denis Gaucher a joué un rôle majeur dans le développement de la stratégie numérique chez Kantar Media. Il a occupé précédemment les fonctions de Global CIO et compte à son actif le déploiement en France et à l International des plateformes de veille et d analyse online des contenus médias AdExpress et Evaliant. Plus récemment, c est sous son égide que Kantar Media a lancé une activité de veille musicale, renforçant ainsi sa position de leader en matière d études, d analyse et d information marketing. Type d entreprise Grande entreprise internationale Présentation de l entreprise Kantar Media a en France deux grandes activités : la première, le news monitoring, consiste dans le suivi des sujets abordés dans les médias au sens large (presse écrite, radio, télévision, Web ou encore médias sociaux). La deuxième grande activité consiste dans la mesure de tout ce qui a trait à la publicité dans tous les médias. Qualité de l information : définition, projets Enregistrement numérique de l ensemble des médias puis utilisation de logiciels détectant quasi automatiquement la publicité et le contenu. Classement des informations ainsi recueillies selon des critères pertinents pour les clients de Kantar Media. Principaux enseignements Les outils automatisent la collecte et le classement des données mais les interventions humaines sont nécessaires pour la catégorisation subjective des contenus. (Ex. : publicité évoquant «la fraîcheur», «la famille», «l innovation»). La catégorisation permet d apporter de l intelligence aux données brutes. Prégnance croissante du temps réel et augmentation exponentielle des volumes à traiter. Kantar Media compte 13 divisions et collaborateurs dans plus de 95 pays Kantar Media

97 16. Lokad Interlocuteur Joannès Vermorel Fondateur Biographie Passionné de cloud computing et d apprentissage statistique, Joannès Vermorel, ancien élève de l École Normale Supérieure de Paris, a débuté sa carrière par deux stages de data mining, un premier à la Polytechnic University in Brooklyn, le second chez AT&T Labs dans le New Jersey. De retour en France, il entreprend un doctorat en bio-informatique interrompu par la création en 2006 de Lokad. À ce jour, Joannes Vermorel dirige Lokad en tant qu actionnaire principal. Ingénieur du Corps des Mines, il enseigne également le Génie Logiciel à l École Normale Supérieure de Paris. Joannès Vermorel est né en 1981 en France. Type d entreprise PME (secteur de la prévision des ventes) Présentation de l entreprise Lokad est une société de dix personnes qui assure un service de prévisions des ventes. Les entreprises envoient leurs données sur les ventes passées à Lokad, et Lokad renvoie des prévisions. Elle se différencie à ce titre des entreprises concurrentes, qui transmettent généralement des boîtes à outils de prévision, c est-à-dire de simples modèles. En outre, Lokad intervient à grande échelle, grâce au cloud, ce qui lui permet de livrer des millions de prévisions sous des délais très courts. Qualité de l information : définition, projets Les clients de Lokad appartiennent au secteur de la distribution, tant la distribution en ligne que la distribution classique. Ils envoient à Lokad leurs historiques (le nombre de ventes agrégées à la journée). Lokad renvoie ensuite des prévisions en fonction de ces historiques. Les données à la source sont généralement d excellente qualité d entrée de jeu, en particulier pour des raisons comptables. Néanmoins, il reste souvent des difficultés au niveau de l accessibilité des données ou dans le branchement à un système tiers en vue d exploiter ces données. Principaux enseignements Dans le domaine de la prévision, la qualité des données se mesure toujours en regard d un taux d erreur. Les données en entrée dans le secteur de Lokad sont de bonne qualité. La qualité des données fournies en sortie dépend dans ce cas de la quantité de données en entrée : plus le client dispose d un historique important, meilleure peut être la qualité des prévisions. Exigence en termes de qualité : le taux d erreur acceptable varie fortement selon le client. La qualité des données en sortie dépend aussi de l échelle de temps choisie : les prévisions sont toujours meilleures à court terme qu à long terme. Annexes 16. Lokad 99

98 17. Oscaro Interlocuteur Bruno Hétier Directeur Marketing Oscaro.com Biographie Après un début de carrière en Marketing BtoB dans des réseaux de distribution traditionnels (Rockwool, Vediorbis) Bruno Hétier prend le virage de l Internet en 2000 en rejoignant le groupe allemand Scout24.com pour l accompagner dans son développement sur le territoire français. Face au repli ultérieur de Scout24.com sur le monde germanique, Bruno investit le secteur automobile chez l équipementier américain Honeywell et pose enfin ses valises fin 2006 chez Oscaro.com, jeune pousse prometteuse qui vend des pièces auto d origine sur Internet. Depuis près de 5 ans, il pilote le développement marketing et la notoriété de marque d Oscaro.com qui est devenu leader de son marché et a imposé son concept du «Do It Yourself» auto via Internet. Qualité de l information : définition, projets Démarche de fiabilisation sélective des données en fonction de leur impact sur la productivité et sur l efficacité du business. Mise en place d un système de cookies pour conserver l historique des visites et des transactions sur le site. Principaux enseignements Réfléchir d abord avant de collecter les données, définir le secteur fonctionnel sur lequel on veut travailler et segmenter par fonctions. Constitution de pôles fonctionnels qui deviennent des experts des données dans leur secteur. La non-qualité des données se traduit par des erreurs d approvisionnement ou de livraison qui engendrent des coûts. Type d entreprise PME française dans le domaine du e-commerce. Présentation de l entreprise Oscaro.com a été fondée en janvier 2001 pour commercialiser des accessoires et pièces automobiles d origine et de qualité supérieure au moyen d Internet. Oscaro se fournit directement auprès des plus gros équipementiers ou des principaux grossistes en pièces détachées et traite plusieurs milliers de commandes par mois. Elle compte 120 salariés et 4 établissements en France Oscaro

99 18. Printemps Interlocuteur Benoît Rigaut Directeur technique de l activité numérique Biographie Benoît Rigaut, ingénieur en informatique et mathématiques appliquées, découvre le web en 1994 à sa naissance dans son contexte universitaire. Coopérant au CERN - laboratoire européen pour la physique des particules - à Genève, sur le lieu de naissance du web, il manipule le langage Java à son lancement. Dans les premiers employés de la startup parisienne Multimania, il est expert Java pour le projet visionnaire d exposition grand public de vidéo à la demande de M. de Rosnay à La Cité des Sciences de La Villette. Multimania devient la startup française la plus en vue, et Benoît Rigaut participe à la création du socle technologique du premier hébergeur de pages personnelles, jusqu à son introduction en bourse. En 2000, il est ensuite directeur technique pour accompagner le groupe GrandVision dans le passage à la photo numérique de ses enseignes PhotoServices et PhotoStation. Directeur technique des activités numériques du Printemps depuis 2001 il crée la plate-forme inter-enseignes du Groupe PPR pour les listes de mariage et de cadeaux, puis prend en 2007 la responsabilité des actions numériques au sein de la direction marketing. Il rejoint Chanel en 2011 pour diriger les activités internet au sein de leur direction informatique. Type d entreprise Grande entreprise de distribution (CA 2010 : 900 Mrds ) Présentation de l entreprise Printemps compte une vingtaine de magasins à travers la France. Il évolue en particulier dans le secteur du luxe et de la mode. Printemps. com est sa filiale interactive. Qualité de l information : définition, projets Complétion des données de la base «on line» à partir des bases magasins. appending avec des sociétés spécialisées pour enrichir les données contact avec l adresse . Travail sur l amélioration des données concernant les non porteurs de carte Printemps. Principaux enseignements Prendre le temps de la réflexion avant de lancer des initiatives de qualité des données : elles doivent répondre à une stratégie d ensemble. Avoir des données de mauvaise qualité, c est risquer de mal cibler les messages envoyés aux cibles. Une même donnée peut être cruciale pour un département de l entreprise et secondaire pour un autre : enjeu de la communication et de la pédagogie internes. Une problématique de plus en plus présente : l «embasement» des membres de réseaux sociaux, c est-à-dire la transformation d individus complètement volatiles en contacts connus dans la base de données de l entreprise. Annexes 18. Printemps 101

100 19. PSA Interlocuteur 1 Florent Martin Architecte d Entreprise et coordinateur du corps des Architectes fonctionnels au sein de la DSI Biographie Florent Martin (49 ans, ENST 87) a exercé de nombreux postes opérationnels au sein de PSA ; (responsable des études informatique industrielles à Aulnay, responsable production à Caen, responsable de programme outil de vente ) Il a également piloté plusieurs projets à caractère transversal (révision du processus de conception automobile, pilotage des plans de progrès Citroen, coordination informatique Citroen ) Il assure actuellement la mission d architecte d entreprise pour le domaine commerce marketing et distribution, et coordonne le corps des architectes PSA. Interlocuteur 2 Jean-Luc Laréquie Architecte d entreprise, expert PLM Biographie Jean Luc Laréquie (54 ans, ECL 83) a été responsable d études informatique sur les domaines de l ingénierie et des achats pendant plus de 15 ans puis assure depuis quelques années le rôle d architecte pour le domaine Recherche et Développement. Il a également eu la responsabilité du premier projet SAP chez PSA, puis participé à la mise en place de son centre de compétences. Il a piloté des études transversales Groupe dont le pilotage des Projets automobile, et animé pendant deux ans le corps des architectes d entreprise du groupe PSA. Type d entreprise Multinationale automobile française Présentation de l entreprise PSA Peugeot-Citroën est un constructeur automobile français, possédant les marques Peugeot et Citroën. Premier constructeur français avec 32 % de part de marché, le groupe est présent dans 160 pays. En 2010, il a vendu 3,6 millions de véhicules et a réalisé un chiffre d affaires de 56 milliards d euros. Qualité de l information : définition, projets Mise en place d un langage commun : le LCDV ou Langage Commun de Description des Véhicules. Codification dans les systèmes informatiques de la chaîne de distribution. Mise en place d un «méta référentiel» d offres, à partir de différents référentiels métiers, en vue de proposer aux clients des offres intégrées. Principaux enseignements Le rôle clé de la codification pour la performance des métiers. Enjeu principal : décloisonner les référentiels pour intégrer les métiers. Une démarche QoD demande un investissement sur la durée avant de donner lieu à un réel retour sur investissement. La gouvernance des données est une problématique d entreprise, pas seulement un sujet IT PSA

101 20. Rhodia Interlocuteur Jacques-Benoît Le Bris Directeur des applications Biographie Jacques-Benoit Le Bris démarre dans le développement d application informatique chez un Intégrateur en 1993, puis rejoint le Groupe Rhône- Poulenc en 1997 comme chef de projet d applications de reporting Finance et Ventes. En 1999, au sein du Groupe Rhodia, il prend la responsabilité du Département NTIC dans la direction informatique, avec pour objectif de fédérer les initiatives au niveau mondial. Il devient Directeur E-Business auprès de la Direction des programmes de changement, en charge de la stratégie et des initiatives Internet. En 2004, il rejoint la Direction Informatique comme Directeur Business Intelligence, en charge des activités mondiales de gestion de la performance et des connaissances. Depuis 2010, il a pris la responsabilité des applications informatiques pour le Groupe Rhodia. Jacques-Benoit Le Bris, ingénieur de l Ecole Centrale d Electronique, promotion 1992, 45 ans, marié, 5 enfants, est membre de plusieurs groupes de travail et associations sur le thème de l innovation et des nouvelles technologies. Type d entreprise Grande entreprise internationale (CA 2010 : 5 Mrds ) Présentation de l entreprise Leader mondial des produits chimiques de spécialité, Rhodia intervient dans des marchés variés, parmi lesquels l automobile, l électronique, la parfumerie. Le groupe est constitué d entreprises. Il emploie personnes à travers 65 sites dans le monde. Qualité de l information : définition, projets Déploiement d un ERP unique au niveau mondial pour gérer ses 80 business units et quelques 60 usines. Création d un fond documentaire unique au niveau mondial, géré par le logiciel Documentum. Gestion centralisée des documents produits à l intérieur de l outil e-room. Principaux enseignements Plus les données sont propres à l entrée plus leur qualité peut être garantie sur le long terme. Avoir des données de qualité est capital pour le bon fonctionnement des processus. La convergence des outils personnels et professionnels sur le lieu de travail impose de trouver de nouvelles règles en termes de droits et de devoirs concernant le partage de l information. Annexes 20. Rhodia 103

102 21. Ricoh France Interlocuteur Thierry Savit DSI Biographie Thierry Savit a rejoint en 1999 le groupe Ricoh, comme Directeur des Systèmes d Information de la filiale française (2 600 personnes, 65 sites). Il y a construit une architecture SOA (Service Oriented Architecture) pour développer une stratégie orientée fortement vers les axes Mobilité, Décisionnel et Collaboratif. Diplômé de l Ecole Supérieure de Physique et Chimie de Paris (ESPCI) et de l Ecole Nationale Supérieure du Pétrole et des Moteurs (ENSPM), il a débuté sa carrière en 1980 chez Sligos. Il a ensuite été en charge des études informatiques à la SCOR (Société Commerciale de Réassurance), puis a dirigé les projets de Gestion Opérationnelle des jeux au Comité d Organisation des Jeux Olympiques d Albertville, avant d être nommé successivement Directeur Informatique de Ronéo et Johnson & Johnson. Type d entreprise Grosse PME filiale d un groupe international Présentation de l entreprise Le Groupe Ricoh créé au Japon en 1936 est présent aujourd hui dans 150 pays et emploie personnes. Ricoh France est un fournisseur de solutions globales qui propose : une expertise dans le domaine du conseil et de l outsourcing, une gestion des services d impression, des services de gestion documentaire : numérisation, archivage et gestion de flotte. Qualité de l information : définition, projets La qualité de l information est double : qualité des données de référentiels et qualité des données opérationnelles. Elle repose sur un précepte : «une information, un responsable» Principaux enseignements Stocker chaque information à un seul endroit. C est l information qui doit aller à l utilisateur et pas l inverse. Automatiser le plus possible la transmission des données pour éviter les erreurs humaines. «Les référentiels doivent être gérés de manière centralisée par une cellule reconnue, dont c est la responsabilité.» La démarche qualité permet de remplacer du temps de ressaisie à faible valeur ajoutée par du temps de contrôle de la qualité. «Ce qui n est pas mesuré ne peut pas être contrôlé, ce qui n est pas défini ne peut pas être mesuré» : importance de définir des indicateurs précis (KPI) Ricoh France

103 22. Schneider Electric Interlocuteur Joël Aznar Business Process Owner, fonction Achats Biographie Joël Aznar (40ans, DESS gestion de production et logistique), est Business Process Owner pour la fonction Achats du groupe Schneider Electric depuis novembre Dans le groupe Schneider Electric depuis plus de 15 ans, il a rejoint la fonction achats en tant que chef de groupe achats de composants métalliques dans la filiale espagnole. Devenu responsable du déploiement d outil e-achats en Espagne (esourcing, eprocurement, Portail fournisseurs, Balanced scorecard,...), il a regagné la France début 2005 au poste de responsable des systèmes d information Achats, France dans un premier temps et ensuite EMEAS en Type d entreprise Très grande entreprise internationale (15 Mds CA, pers.). Présentation de l entreprise Spécialiste mondial de la gestion de l énergie, Schneider Electric est présent partout dans le monde et propose des solutions visant à rendre l énergie sûre, fiable, efficace, productive et verte, de bout en bout 1. La fonction achat chez Schneider Electric est pilotée à un niveau global. En fonction des technologies et des marchés, les décisions sont prises au niveau mondial, continental ou régional. Qualité de l information : définition, projets Une information de qualité est une information apportée à la bonne personne au bon moment pour prendre la bonne décision. La démarche qualité des données chez Schneider se fait dans le contexte du passage de 50 ERP différents à un seul (SAP). Elle s accompagne de la mise en place d un Master Data Management centralisé. Principaux enseignements À grande échelle, la centralisation des données dans un MDM est un projet d entreprise, nécessitant un sponsorship par la DG et une équipe dédiée. La non qualité des données pénalise le métier (Achats) en compliquant les négociations des acheteurs avec leurs fournisseurs. Gérer globalement les données communes aux grands fournisseurs, localement les données nationales (les conditions de paiement, par exemple). Les équipes en charge de la qualité des données doivent gérer avec beaucoup de réactivité l impact d événements qui ne sont pas de leur fait (rachats, fusions ). Des équipes support sont nécessaires pour assurer le lien entre des acheteurs dont le métier est de négocier (pas de gérer des données) et les équipes MDM. Annexes 1 societe/societe.page 22. Schneider Electric 105

104 23. SFR Interlocuteurs Frédéric Chassard Responsable Architecture SI Décisionnel & Marketing Opérationnel Accompagné de Benoît Quintin Resp. QoS/QoD Datawarehouse services Biographie Avec 15 ans d expérience de Business Intelligence, Frédéric Chassard a notamment contribué à la construction du Datawarehouse d entreprise de SFR (toutes directions métiers) et de ces environnements d analyse avec les processus d assurance qualité que cela implique. Une expérience de 3 années de constitution de Centre de compétences ETL lui donne également un retour d expérience des propositions progicialisées. Type d entreprise Grand opérateur de télécommunications français Présentation de l entreprise SFR compte plus de 21 millions de clients en téléphonie mobile et près de 5 millions de clients en téléphonie fixe (offres Internet haut débit & fixe). Son effectif, toutes filiales comprises, est estimé à salariés. Qualité de l information : définition, projets Les données sont de qualité lorsqu elles permettent de rendre le service au niveau attendu et annoncé sur un certain périmètre. Les principaux critères de qualité des données sont leur exhaustivité et leur fraîcheur. Une entité dédiée à la gouvernance des données, située à l interface entre la BI et le Métier, a pour rôle de définir les données à conserver, ajouter ou retirer. Les données les plus sensibles au sens métier et processus applicatifs sont sélectionnées et priorisées, les métriques d assurance qualité sont définies ainsi que les seuils d alertes métiers. Principaux enseignements L interaction entre la BI et le Métier permet d améliorer la collecte, le traitement et la restitution des données, dans une démarche de progrès continu. La BI permet également de mieux mesurer la valeur d un client. Nécessité d une prise de conscience par les équipes opérationnelles, chacune sur son périmètre, de manière à alimenter la base avec des données fiables. L ouverture du data warehouse au Métier fait des données un outil de travail très performant pour ce dernier SFR

105 24. Shell Interlocuteur Christel Juvet Business Excellence & Global Marketing Manager concentre ses activités dans le marketing et la vente de Carburants pour l Aviation et les usagers de la route, de Gaz de Pétrole Liquéfié (GPL), de Bitumes et de Lubrifiants. Biographie Christel Juvet, 41 ans, a plus de 15 ans d expertise en CRM, Data mining et Marketing. Son expérience va de l élaboration de stratégies globales Marketing multi canal en passant par la définition de segmentation et BDD jusqu à la mise en place de mécanismes de fidélisation on et off-line tout en optimisant le ROI. Son «leitmotiv» : nourrir et pérenniser la marque en satisfaisant le client sur ses besoins, sans fausses promesses, en donnant une vraie valeur à l offre personnalisée grâce à des données de qualité. C est ce que Christel a développé dans différents secteurs d activités et entreprises comme GMF, Printemps, RTL, Mediaperformances, Butagaz et ces derniers temps au niveau international pour Shell Gas. Type d entreprise Grande entreprise de services. Présentation de l entreprise Shell est présent dans 90 pays pour un effectif total de salariés. Son chiffre d affaires en 2009 est estimé à 278 milliards de dollars US. L activité de l entreprise repose sur l exploration et la production de pétrole et de gaz. Le siège social du Groupe Shell se trouve à La Haye aux Pays-Bas. La société mère du Groupe Shell est Royal Dutch Shell plc., société enregistrée en Angleterre et au Pays de Galles. En France, Shell existe depuis 1919 et y compte aujourd hui collaborateurs. Suite à la session de ses trois raffineries le 1er avril 2008, l entreprise Qualité de l information : définition, projets La base d information clients est alimentée à la fois automatiquementsur certaines données et manuellement par les collaborateurs (cela fait partie de leurs attributions). Des procédures ont été définies en particulier pour les données non structurées, sous la forme de règles d enregistrement et de caractérisation par mots clés. Les documents papier doivent être numérisés et la version électronique jointe au dossier client. Principaux enseignements La qualité des données impacte la performance de la gestion de la relation client à deux niveaux : d une part, au niveau du fonctionnement du Service client (temps de réponse et satisfaction des clients sur les réponses) ; d autre part, au niveau de l analyse qu elle permet en vue d améliorer les processus de l entreprise. Ne pas chercher à créer une base qui ait réponse à tout et pour tout le monde : la base d informations clients n a pas vocation à fournir des KPIs pour les actionnaires. Pédagogie : «la seule façon de faire comprendre l importance de la qualité de l information est de montrer au collaborateur quel est l impact de cette information dans le processus général et comment elle l impacte lui dans son travail de tous les jours.» Annexes 24. Shell 107

106 25. Sodexo Interlocuteur Jean Louis PICARD Directeur des Applications Europe Continentale On-Site Services Solutions Biographie Jean Louis PICARD a débuté sa carrière en 1990 comme Responsable microinformatique du Groupe Verney qui évolue dans le secteur du transport. De 1993 à 1998, il est Responsable informatique chez Champagnes et Spiritueux Associés (groupe LVMH). Il rejoint ensuite Guilbert France en tant que DSI puis Directeur de l Organisation Informatique entre 2000 et De 2004 à 2008, il est DSI du Groupe Ciblex (Geodis) où il a notamment piloté la refonte du SI et procédé à l intégration de Generix Collaborative & Influe EDI. Depuis 2009, Jean Louis PICARD est directeur des Applications Europe Continentale de Sodexo. Type d entreprise Très grande entreprise internationale (CA : 15 Mds, collaborateurs) Présentation de l entreprise Sodexo est un groupe international de services, expert mondial des Solutions de Qualité de Vie au Quotidien. Le Groupe est présent dans 80 pays avec une structure très décentralisée ainsi que quelques dizaines à centaines de sites par pays. Ses collaborateurs créent, pilotent et mettent en œuvre une gamme unique de Solutions de Motivation et de Solutions de Services sur Site. Son cœur de métier est la centralisation des achats (catalogues centraux de produits, par pays). Qualité de l information : définition, projets Mise en place d un ERP à vocation globale : modules finance, achats, logistique. Suivi de la qualité des données par le biais de ratios métiers. Principaux enseignements Pour Sodexo, la qualité des données pose surtout une problématique de délai d anticipation des sorties de stock. La qualité des données est de la responsabilité du Métier, pas de l IT ; c est avant tout une question d organisation et d accompagnement du changement, plus qu une problématique technique. La non qualité des données pénalise le métier (approvisionnement). Quand un indicateur passe au rouge, il faut l interpréter, cela peut être normal : analyser en fonction du métier et des spécificités locales. Ne pas consolider pour consolider. Exemple, pour Sodexo : consolider les achats de chèques cadeaux des différents pays n a pas forcément d intérêt. Ne pas gérer de la donnée pour gérer de la donnée. «Le métier de Sodexo, c est d améliorer la qualité de la vie au travail, pas de gérer de la donnée!» Sodexo

107 25 histoires de qualité des données Annexes 25 histoires de qualité des données 109

108

109 À propos des partenaires A. PwC 112 B. Micropole 114 C. Electronic Business Group (EBG)

110 A. PwC PwC développe en France des missions d audit, d expertise comptable et de conseil créatrices de valeur pour ses clients, en privilégiant des approches multi sectorielles. Avec ses 500 consultants en France, en Europe et dans le monde, PricewaterhouseCoopers est un acteur majeur du Conseil en Management. Le pôle conseil de PwC, aide les entreprises et organisations à devenir durablement plus performantes, en agissant sur quatre leviers clés : La gestion des opérations de croissance L amélioration de l organisation, des processus et des systèmes d information La maîtrise des coûts La maîtrise des risques et la gestion des risques Nos consultants utilisent des bases de connaissances multisectorielles et métiers partagées au plan mondial, des méthodologies et des outils de travail communs, proposant ainsi à leurs clients une qualité de service unique. Nous accompagnons nos clients tout au long de leur projet de transformation ou de renforcement de ses dispositifs. PwC Data Management Nous disposons d une équipe data management reconnue sur le plan international. Le centre d excellence européen PwC pour les services d analyse de données est localisé en France. Cette équipe intervient pour des grands comptes sur les problématiques suivantes : Évaluation et amélioration de la cohérence et de la qualité des données, Analyse des données pour quantifier les déficiences de contrôle, pour identifier d éventuelles fraudes ou pour déterminer les axes d amélioration, 112 des partenaires

111 Élaboration des modalités de gouvernance des données de l entreprise, Conception et assistance lors des mises en place de systèmes d information décisionnels. Nous établissons une stratégie pour nos clients pour la gestion de la gouvernance des données en identifiant clairement et spécifiquement les responsabilités, les propriétés et les processus de gestion des données. Nous les assistons également dans le choix et la mise en place des outils informatiques dédiés. Notre approche renforce ensuite ces rôles et responsabilités assignés grâce à des mesures spécifiques aux processus et à l aide de technologies améliorées, se basant sur les meilleures pratiques de gouvernance des données. Notre approche de mise en place de gouvernance et d amélioration de la qualité des données est fonction des problématiques de nos clients : Problématiques de conformités réglementaires des clients : Bâle 2, Solvency 2, Problématiques d amélioration de l efficacité opérationnelle ; segmentation des clients, mise en place de référentiels (Master Data Management), analyse des données sur les projets marketing et commerciaux Support dans les projets majeurs de transformation : Harmonisation des référentiels, projets de migration des données Plus d une vingtaine de consultants en France, 200 en Europe et 500 dans le monde sont dédiés aux services du Data management. Contacts Philippe Trouchaud Zouheir Guedri Associé Directeur Tél. : Tél. : [email protected] [email protected] À propos A. PwC 113

112 B. Micropole Micropole est une société de conseil et d ingénierie spécialisée dans les domaines de la Business Intelligence, du Web & IT, et des ERP. Le groupe accompagne ses clients sur l ensemble des phases d un projet, du conseil à la réalisation complète de la solution ainsi que sur la formation. Premier Intégrateur spécialiste Décisionnel et Web & IT en France et en Suisse, le groupe compte plus de collaborateurs et intervient auprès de plus de 800 clients (dont 80 % des groupes du CAC40). Le groupe est qualifié Entreprise Innovante par l ANVAR et est côté au nouveau marché d Euronext Paris. Notre large représentativité nationale ainsi que notre positionnement à l international nous permettent d apporter de réels services de proximité avec une présence sur 8 sites en France (Paris, Lyon, Aix-en-Provence, Bordeaux, Toulouse, Rennes, Nantes, Lille), 5 sites en Europe (Bruxelles, Genève, Lausanne, Amsterdam et Luxembourg) et 2 sites en Chine (Shangai et Honk Kong). Micropole développe une expertise et un savoir faire sur 3 spécialités : La Business Intelligence (ou le décisionnel) constitue l un de nos domaines de spécialité majeur. Nos expertises recouvrent plusieurs domaines de la BI : - L accompagnement dans l étude et la réalisation d entrepôts de données (Datawarehouse), de solutions de reporting et de diffusion des informations. Cette activité permet d adresser les besoins de pilotage, de reporting et d analyses à travers la mise en place de modélisations appropriées et de solutions technologiques performantes. - L accompagnement dans l étude et la réalisation de solutions de pilotage de la performance financière. Cette activité recouvre la conception et l implémentation de solutions de planification budgétaire, de prévisions et d analyses des coûts. 114 des partenaires

113 - L accompagnement dans l étude et la réalisation de solutions de pilotage stratégique basées sur des approches de type Balanced Scorecard ou définition de KPI opérationnels (ventes, achat, logistique ). - L accompagnement dans l étude et la réalisation des solutions de gestion de l information. Cette activité recouvre des expertises dans la gestion de la qualité des données (audit qualité, mise en place de modules de pilotage de la qualité des données ), la gouvernance de l information (définition des normes, processus et responsabilités ), la gestion des données de base de l entreprise (ou Master Data Management). Le Web IT est la deuxième grande spécialité de Micropole. Elle recouvre plusieurs domaines d expertise : - L optimisation des processus métiers : Business Process Reengineering, Total Quality Management. - La conception et la réalisation de Portail d entreprise : Identity Management, Annuaire, Gestion des Habilitations - Internet, extranet, e-commerce, services en ligne - Les migrations technologiques : Open Source, NET/J2EE, ESB, SOA. L ERP est la troisième spécialité de Micropole centrée sur l analyse des processus métiers, l accompagnement dans les phases de conception et de paramétrage, le choix de solution et l expertise technique. Contact Renaud Finaz Directeur Marketing et Communication Tél. : À propos B. Micropole 115

114 C. Electronic Business Group (EBG) L EBG est la plus importante communauté professionnelle Francophone, qui rassemble des décisionnaires d entreprises actives dans l industrie, les services, les médias et qui ont pour point commun d agir dans le sens de l innovation. Le Conseil d Administration de l EBG se compose des personnalités suivantes : Stéphane Richard, Président de France Télécom - Orange, Président de l EBG Didier Quillot, Président de Lagardère Active Jean-Bernard Levy, Président de Vivendi Steve Ballmer, CEO de Microsoft François-Henri Pinault, Président de PPR Gerhard Zeiler, Président de RTL Group Pierre Louette, Directeur financier de France Telecom Patrick Le Lay, Président du fonds Serendipity Grégoire Olivier, Directeur zone Asie de PSA Sir Martin Sorrell, Président de WPP Jean-Daniel Tordjman, Ambassadeur, Inspecteur général des finances Wu Janmin, Président de l Institut de la Diplomatie de Beijing, Président du Bureau International des Expositions Philippe Rodriguez, Trésorier Pierre Reboul, Secrétaire général 116 des partenaires

115 Les activités de l EBG L EBG a pour vocation d animer un réseau de compétences et de savoir-faire, en organisant chaque année 90 tables rondes permettant aux cadres dirigeants de partager leurs expériences. Il y a ainsi 10 communautés actives à l EBG : les DSI, les responsables BI et Décisionnel, les Directeurs Achats, les Directeurs financiers, les responsables Juridiques et RH, les Directeurs Marketing, et Webmarketing/e-Commerce et les Responsables de la communication Chaque communauté se réunit au moins une fois par mois pour échanger et faire le point sur les nouvelles pratiques de leur fonction. Les séances sont filmées et diffusées en direct sur EBG.net Pour plus de renseignements sur ce livre blanc ou sur les activités de l EBG, vous pouvez contacter : Loïc Vuichard Responsable des Communautés B2B Tél. : [email protected] La version numérique du livre blanc est disponible sur : À propos C. Electronic Business Group (EBG) 117

116 Bibliographie LAUXERROIS Bernard, La Migration de données, Edit. EMI, 2009, 350 pages. BRASSEUR Christophe, Data Management : Qualité des données et compétitivité, Edit. Hermes Science Publications, 2005, 176 pages. BERSON Alex, DUBOV Larry, Master Data Management and Data Governance, Edit. Osborne/McGraw-Hill, 536 pages, FOURNEL, Michel, Accroitre la Qualite et la Valeur des Donnees de Vos Clients, Edit. Publibook, BATINI Carlo, SCANNAPIECO Monica, Data Quality: Concepts, Methodologies and Techniques, Edit. Springer-Verlag Berlin and Heidelberg GmbH & Co., 2010, 282 pages. MCGILVRAY Danette, Executing Data Quality Projects: Ten Steps to Quality Data and Trusted Information, Edit. Morgan Kaufmann Publishers In, 2008, 352 pages. LOSHIN David, Practitioner s Guide to Data Quality Improvement, Edit. Morgan Kaufmann Publishers In, 2010, 432 pages. 118 Bibliographie 2011

117 Remerciements Un grand merci à tous les contributeurs qui ont accepté de partager leurs témoignages ainsi qu à nos partenaires. Nous adressons particulièrement nos remerciements à : Renaud Finaz De Villaine, Directeur Marketing et Communication de Micropole Cédric Pin, Directeur Général Adjoint de Micropole. Ghozlene Dimassi, Consultante confirmée PricewaterhouseCoopers Caroline Chemouilli et Ghizlane Mandri de l EBG pour la coordination des entretiens Assane Sine de SmartWords et Nadia Dahi pour leur assistance à la rédaction Jacques Puibaraud pour la richesse de son retour d expérience Benjamin Glaesener qui a fédéré les volontés pour faire naître cet ouvrage Remerciements 119

118 Crédits réalisation Publication coordonnées par Zouheir Guédri - Directeur chez PwC, Reda Gomery - Directeur BI & EPM chez Micropole et Loïc Vuichard Responsable du pôle B2B de l EBG. Réalisation et mise en page : Ludovic Vain, Studio Graphique PwC. Crédits photos : Fotolia, i.stock, Phovoir et PwC. Édition, Juillet 2011 Tous droits réservés. Cet ouvrage ne peut en aucune manière être reproduit en tout ou partie, sous quelque forme que ce soit ou encore par des moyens mécaniques ou électroniques, y compris le stockage de données et leur retransmission par voie informatique sans autorisation des éditeurs, Elenbi, PwC et Micropole. La citation des marques est faite sans aucun but publicitaire. Les erreurs ou les omissions involontaires qui auraient pu subsister dans cet ouvrage, malgré les soins et les contrôles de l EBG, de PwC et Micropole ne sauraient engager leur responsabilité. Electronic Business Group / Elenbi PwC Micropole 10, rue du Mercoeur 63, rue de Villiers 91/95, Rue Carnot Paris Neuilly Sur Seine Cedex Levallois-Perret

119