Le data quality management, ou gestion de la qualité des données, est la discipline qui organise règles, rôles, contrôles et outils pour que les données d’une organisation restent adaptées aux usages qui en sont faits.
Il couvre tout le cycle de vie de la donnée, de sa collecte initiale à son utilisation opérationnelle ou analytique, puis à son archivage. Son mécanisme suit une boucle continue. L’organisation définit des exigences de qualité, mesure l’écart entre ces exigences et l’état réel des données, corrige les anomalies, puis traite leurs causes à la source. La qualité s’apprécie toujours au regard d’un usage : une adresse postale incomplète empêche l’envoi d’un courrier, mais ne gêne pas un comptage de clients par pays.
La démarche s’appuie sur des dimensions de qualité, en particulier l’exactitude, la complétude, la cohérence entre sources, l’actualité, l’unicité et la conformité à un format. Elle mobilise un dictionnaire de données, des règles de validation, des indicateurs suivis dans le temps et des responsables désignés par domaine de données. La norme ISO/IEC 25012 (2008) propose un modèle de qualité des données en quinze caractéristiques. La série de normes ISO 8000 est consacrée à la qualité des données.
Le data quality management se distingue de la gouvernance des données, qui fixe le cadre de décision et de responsabilité sur l’ensemble du patrimoine de données et dont il constitue un volet opérationnel. Il se distingue aussi du nettoyage de fichier, opération ponctuelle de correction, alors que la gestion de la qualité est un dispositif permanent. En marketing, il conditionne la fiabilité d’une base de données clients, la segmentation, la personnalisation des messages et la mesure de la performance.
Une donnée de mauvaise qualité ne se voit pas dans la base. Elle se voit dans ses effets : un courrier qui revient, un client sollicité deux fois, un tableau de bord auquel la direction ne croit plus. Le coût principal tient moins à la correction qu’aux décisions prises sur des chiffres faux. Dans une architecture qui rassemble les profils clients, par exemple une Customer Data Platform, la qualité conditionne aussi la réconciliation des données : deux fiches mal saisies ne seront jamais reconnues comme un même client. Nous recommandons de partir des usages critiques, comme le ciblage des campagnes ou le pilotage commercial, plutôt que de viser une qualité uniforme. Toutes les données ne méritent pas le même effort.
Pour les données personnelles, la qualité est une obligation. L’article 5 du RGPD pose le principe d’exactitude : les données doivent être « exactes et, si nécessaire, tenues à jour ». Toutes les mesures raisonnables doivent être prises pour que les données inexactes, au regard des finalités du traitement, soient effacées ou rectifiées sans tarder. Un fichier de prospects jamais mis à jour n’est donc pas seulement inefficace. Il peut exposer l’organisation à un manquement à ce principe. Nous recommandons que la démarche qualité et la conformité partagent les mêmes contrôles et les mêmes responsables.
Un indicateur de qualité se rattache à une règle et à un usage. Exemples courants : taux de complétude des champs utiles au ciblage, taux de doublons, part des adresses électroniques invalides, ancienneté de la dernière mise à jour. Nous recommandons de fixer un seuil par usage plutôt qu’un objectif global. À titre indicatif, 80 % de complétude peut suffire pour une analyse de tendance, pas pour un envoi postal. Ces seuils sont à fixer en interne : aucune norme ne les impose.
Le livre blanc gratuit d’Advalians propose un test de fiabilité en 12 points et onze erreurs courantes, chacune avec son test et sa correction.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
La gouvernance des données fixe qui décide et qui répond de chaque donnée : propriétaires, règles d’accès, politiques, instances d’arbitrage. Le data quality management est l’un de ses volets opérationnels. Il traduit ces décisions en règles de qualité, en contrôles et en indicateurs, puis organise la correction des anomalies.
Critère pratique : si la question porte sur un droit ou une responsabilité, elle relève de la gouvernance. Si elle porte sur l’état d’une donnée, par exemple un champ vide ou un doublon, elle relève de la gestion de la qualité. Une démarche qualité sans gouvernance manque de responsables pour trancher.
Commencez par les données qui alimentent une décision ou une action à fort enjeu, et non par la base entière. En marketing, il s’agit souvent des coordonnées et des consentements des clients actifs, puis des données utilisées pour segmenter.
Listez trois ou quatre usages critiques, identifiez pour chacun les champs indispensables, puis mesurez leur état. Corrigez ce périmètre, installez les contrôles à la saisie et nommez un responsable. Étendez ensuite la démarche domaine par domaine. À titre indicatif, ce découpage permet de montrer un premier résultat en quelques semaines et de justifier la suite.
Suivez quatre familles d’indicateurs : la complétude des champs utiles, le taux de doublons, la validité des coordonnées et l’ancienneté de la dernière mise à jour. Chaque indicateur doit correspondre à une règle écrite et à un usage identifié.
Fixez un seuil par usage plutôt qu’une cible unique, puis mesurez chaque mois sur le même périmètre. Ajoutez un indicateur d’effet, par exemple le taux de retours de courriers ou d’adresses électroniques en erreur lors des campagnes. Il relie la qualité à un coût visible et aide à convaincre les équipes qui saisissent les données.
Parce qu’il corrige le stock sans traiter la cause. Si les formulaires, les imports et les saisies manuelles restent sans contrôle, les mêmes erreurs reviennent dès les entrées suivantes et le nettoyage est à refaire.
Après un nettoyage, identifiez la source de chaque type d’anomalie : canal de collecte, import d’un partenaire, saisie commerciale. Installez un contrôle à cet endroit : champ obligatoire, liste de valeurs, vérification automatique. Mesurez ensuite le taux d’anomalies des nouvelles entrées, distinct de celui du stock. C’est cet indicateur qui montre si la démarche tient dans la durée.
Pas au démarrage. Les règles, les responsables et les premiers indicateurs se mettent en place avec les outils existants : contrôles de formulaires, requêtes, tableur. Un outil dédié se justifie lorsque les volumes, le nombre de sources ou la fréquence des contrôles dépassent ce qu’une équipe peut suivre à la main.
Critère de décision : si vous savez déjà écrire vos règles et nommer leurs responsables, l’outil accélérera la démarche. Si ce n’est pas le cas, il automatisera une démarche qui n’existe pas. Dans le doute, rédigez d’abord les règles sur un domaine pilote, puis comparez les outils sur leur capacité à les appliquer.
