La qualité des données repose sur des contrôles continus

Une base de données propre n’est qu’un instantané

Un nettoyage des données modifie un jeu de données à un moment donné. Il ne crée pas un état permanent.

Les enregistrements changent après le nettoyage. De nouveaux enregistrements peuvent entrer par les mêmes systèmes et processus qui ont créé les défauts précédents. Le problème de gestion est continu : maintenir des données adaptées aux décisions et aux processus qui en dépendent.

Un nettoyage périodique corrige les enregistrements déjà identifiés comme défectueux. La qualité continue des données ajoute des contrôles pour ce qui se passe entre les nettoyages.

La qualité des données dépend de leur finalité

À des fins de gestion, la qualité des données correspond à leur adéquation à l’usage : la question de savoir si les données répondent aux exigences du processus qui les utilise. Un framework pratique couvre six dimensions.

La qualité dépend du contexte. Un enregistrement peut satisfaire un processus et échouer pour un autre, car chacun exige des champs, des intervalles de mise à jour ou des normes différents.

Les dirigeants ont besoin d’exigences liées à des usages précis. Une fois ces exigences définies, les équipes peuvent tester les données par rapport à celles-ci.

Pourquoi la qualité peut changer après le nettoyage

Un nettoyage traite les enregistrements qui existent au moment où le travail est effectué. Le jeu de données continue d’évoluer ensuite.

Deux mécanismes entraînent ce changement. Les enregistrements existants peuvent cesser de représenter l’état actuel des entités qu’ils décrivent. Les enregistrements nouveaux ou mis à jour peuvent ne pas respecter les normes exigées par les processus qui les utilisent.

Le nettoyage et la maintenance remplissent donc des rôles différents. Le nettoyage corrige les défauts identifiés. La maintenance applique des contrôles au fur et à mesure que les enregistrements sont créés, modifiés, examinés et utilisés.

Pour les dirigeants, la question est de savoir si les enregistrements importants continuent de répondre aux exigences définies entre les opérations de remédiation. La réponse détermine quels contrôles sont nécessaires et où ils doivent s’appliquer.

La qualité continue des données repose sur la prévention, la surveillance et la correction

La qualité continue des données a trois fonctions : la prévention, la surveillance et la correction.

La prévention intervient lorsque les données sont créées ou modifiées. Des règles de validation peuvent vérifier les formats requis, tandis que les champs obligatoires garantissent l’exhaustivité. Des conventions communes établissent la manière dont les systèmes participants représentent la même information.

La surveillance vérifie si le jeu de données continue de répondre à ses exigences. Les équipes peuvent suivre des mesures liées aux dimensions de qualité pertinentes, comme la part des champs requis qui sont complets ou le nombre d’enregistrements identifiés comme doublons potentiels. Cela transforme les exigences en conditions pouvant être vérifiées de manière répétée.

La correction traite les enregistrements qui échouent à ces vérifications. Selon l’exigence, les équipes peuvent vérifier ou mettre à jour les enregistrements, les standardiser, supprimer les doublons ou corriger les erreurs identifiées.

Chaque fonction couvre une partie différente du cycle de vie. La prévention agit sur les changements, la surveillance détecte les écarts par rapport aux exigences, et la correction traite les enregistrements qui nécessitent une intervention.

Les contrôles doivent correspondre au processus. Un champ utilisé dans un workflow opérationnel critique peut justifier une validation et une revue plus strictes qu’un champ utilisé à une fin moins prioritaire. La conception des contrôles doit suivre l’exigence métier associée aux données.

La gouvernance attribue la responsabilité du maintien de données exploitables

Les contrôles ont besoin de responsables. La gouvernance définit qui est responsable de données particulières, quelles normes s’appliquent et qui intervient lorsque des enregistrements ne respectent pas ces normes.

Les équipes technologiques peuvent mettre en œuvre des mécanismes de validation, de surveillance et de correction. Les équipes métier façonnent les données à travers les processus qui créent, mettent à jour et utilisent les enregistrements. La responsabilité doit être rattachée au workflow et au jeu de données concernés.

La formation explique les normes que les employés doivent respecter et le processus de traitement des problèmes identifiés. Les règles d’escalade définissent qui résout les conflits qui ne peuvent pas être traités dans le cadre du workflow normal.

Cela crée une frontière de gestion durable. Un nettoyage peut avoir une date d’achèvement. La responsabilité se poursuit tant que l’organisation crée, modifie et exploite les données.

Points clés à retenir pour les dirigeants

• La qualité des données est définie par leur finalité : Définissez les exigences de qualité en fonction des processus métier qui utilisent les données. Mesurez l’exactitude, l’exhaustivité, la cohérence, l’actualité, l’unicité et la pertinence par rapport à ces exigences.
• La qualité des données évolue après le nettoyage : Considérez le nettoyage comme une remédiation ponctuelle. Les enregistrements existants peuvent devenir obsolètes, tandis que les enregistrements nouveaux et mis à jour peuvent introduire de nouveaux défauts.
• Des contrôles continus maintiennent la qualité : Combinez prévention, surveillance et correction pour maintenir les données importantes adaptées à leur finalité. Appliquez des contrôles plus stricts lorsque les données soutiennent des workflows opérationnels critiques.
• La gouvernance pérennise la qualité des données : Attribuez clairement la responsabilité des jeux de données, des normes et de la remédiation. Soutenez ces responsabilités par de la formation et des règles d’escalade afin que la qualité reste gérée dans le temps.