Qualité des données

Lors des entretiens avec nos clients et nos collaborateurs des différents départements spécialisés, des symptômes similaires de mauvaise qualité des données nous sont régulièrement mentionnés. Ces symptômes permettent de dégager des points de repère pour des initiatives concrètes en matière de qualité des données, ce qui donne de premières indications pour l'élaboration du catalogue de mesures :

• Les clients et les partenaires commerciaux apparaissent plusieurs fois dans le système.
• Les interlocuteurs ne sont pas à jour
• Taux de retour élevé lors de mailing en raison d'adresses erronées ou incomplètes
• Réclamations des clients en cas d'envois multiples du même courrier publicitaire
• Faible taux de réponse aux actions marketing
• Mauvaises formules de politesse et adresse erronées lorsque, par ex. Mr. Catherine Dupont et Mme Jean Durant reçoivent du courrier de votre part
• Possibilités de ventes croisées et de ventes incitatives non identifiées
• Faible acceptation des utilisateurs et plaintes des employés
• Les exigences légales ne peuvent pas être respectées
• Manque de sécurité de planification : les décisions stratégiques ne sont prises qu'avec une grande incertitude

Tout d'abord, les adresses erronées et la mauvaise qualité des données sont un facteur de coûts que les entreprises pourraient facilement éviter !

Environ 14 millions d'adresses changent chaque année suite à des déménagements et environ 990.000 suite à des décès. De plus, un grand nombre des changements de nom de famille sont liés aux 370.000 mariages et 150.000 divorces par an. A cela s'ajoutent, en Allemagne, chaque année des milliers de changements de noms de rues, de codes postaux et de localités. La plupart des modifications se font au niveau de l'adresse - le CRM n'est pas forcément à jour.

Des adresses postales irréprochables sont d'une importance capitale pour les entreprises. En effet, seules des adresses correctes garantissent la distribution des envois, minimisent les frais de port, de publicité et sont une condition indispensable à la détection des doublons. Lisez notre livre blanc  "Que coûtent les mauvaises données ?" pour savoir quand les données sont mauvaises, quels sont les coûts évitables engendrés concrètement et comment vous pouvez éviter ces coûts à l'avenir.

Il s'agit d'améliorer la qualité des données et de la gérer en permanence. Il ne s'agit pas d'une tâche unique, car presque toutes les données dans les entreprises, notamment les données clients, sont soumises à des changements constants. L'objectif doit donc être de garantir des informations clients constamment homogènes, complètes et actualisées. Pourtant, les entreprises n'améliorent généralement la qualité de leurs données que par phases, parce qu'un nouveau projet en est l'occasion (et que les budgets correspondants sont disponibles). Par la suite, la qualité se dégrade à nouveau. C'est dans la nature des choses, car les données changent en fonction de nouvelles circonstances, par exemple en cas de changement de numéro de téléphone portable ou d'adresse.

Lorsqu'on parle de gestion de la qualité des données, il s'agit d'une approche qui garantit la qualité des données tout au long de leur cycle de vie, de la saisie à l'archivage et à la suppression, en passant par le stockage et l'utilisation. On utilise généralement l'approche en boucle fermée ("closed loop") de la gestion de la qualité totale ou Total Quality Manamgement. Au début, les données clients sont déjà contrôlées pendant la saisie des données au moyen des services de Data Quality. Les données clients erronées qui ne peuvent pas être corrigées automatiquement sont enregistrées dans une base de données intermédiaire et un rapport ou une alerte est envoyé au point de saisie afin qu'il puisse prendre des mesures correctives.

Ce circuit permet de vérifier les données clients en continu pendant la saisie et le traitement. Si ces processus font l'objet de rapports réguliers (par exemple via un tableau de bord de la qualité des données), les utilisateurs peuvent mesurer la performance du closed loop de la gestion de la qualité des données (gestion des performances) et améliorer continuellement le processus. Le résultat est une qualité des données quasi constante et de haut niveau.

Mais la qualité des données ne s'arrête pas là. La plupart des entreprises sont structurées de telle sorte que la gestion de la qualité des données génère une charge de travail excessive, car la souveraineté des données est généralement détenue par les départements. Ainsi, les différents départements ou les nouveaux secteurs d'activité ne peuvent pas avoir accès à toutes les données clients de l'entreprise. Les silos de données ne sont pas compatibles. Lors de telles constellations, la gestion de la qualité des données reste limitée à des silos de systèmes séparés les uns des autres. Ceux-ci abritent certes une quantité de données clients dont la qualité pourrait être améliorée et enrichie en les regroupant avec des données disponibles dans toute l'entreprise. Mais dans les faits, les structures et processus existants génèrent des coûts élevés en raison des redondances.

Et ce qui est encore plus grave : Les entreprises perdent l'énorme potentiel que recèlent leurs bases de données, à savoir la possibilité d'avoir une vision unique de leurs clients. La réalité est frustrante, car les entreprises n'ont pas de vision d'ensemble et leur direction ne peut guère se fier aux données comme base de décision et d'action. De mauvaises décisions et de mauvais investissements peuvent en être la conséquence coûteuse. La nécessité de la qualité des données est évidente. Mais pour que le succès d'une gestion globale de la qualité des données se répercute réellement sur le travail quotidien des collaborateurs et sur le succès commercial de toute l'entreprise, une gestion des données de référence est nécessaire.

Indépendamment de leur structure et de leur organisation, les entreprises devraient procéder étape par étape lors de l'examen de la qualité de leurs données. Tout d'abord, il convient d'évaluer deux domaines qui sont étroitement liés : La qualité des données et les processus qui y sont liés. Étant donné que les données sont utilisées dans le cadre de processus d'entreprise, ces derniers décrivent leur utilisation et indiquent le format de données nécessaire. Si, par exemple, des prospects qualifiés sont disponibles dans un tableau Excel (format) et doivent être utilisés pour des mailings (processus), le format doit être adapté en conséquence. Cela implique que les champs de données soient complétés, enrichis et codés de manière à pouvoir être importés dans l'outil de publipostage. En conséquence, chaque processus a une influence sur la qualité des données. Dans la pratique, de nombreux collaborateurs ne connaissent pas l'utilisation des données et donc le processus ultérieur.
 

1. Reconnaître les symptômes et les causes
 

Les points de repère de toute évaluation de la qualité des données sont les symptômes qui doivent être analysés. Si les collaborateurs se plaignent par exemple d'un travail de recherche manuel important ou d'un post-traitement lors de la création de listes de clients, ces plaintes doivent être identifiées comme des symptômes. La cause peut être le manque d'actualité des données ou le manque de confiance des collaborateurs dans les données. Alors on peut supposer que la qualité des données est insuffisante, mais il faut également vérifier si les processus existants ont une influence sur celle-ci.

Un autre exemple est l'apparition multiple de clients et de partenaires commerciaux dans les systèmes de gestion des données (doublons). L'analyse des processus peut révéler par exemple que les collaborateurs ne vérifient pas, avant de mettre en place des nouveaux clients dans le système, s'ils existent déjà.

Afin d'identifier les symptômes et les causes, il convient, dans la mesure du possible, d'impliquer dans le processus les collaborateurs qui travaillent régulièrement avec les données. Les objets et processus de données à analyser découlent des symptômes et causes respectifs. En outre, les responsables peuvent et doivent en déduire à quoi doivent ressembler les données de référence de l'entreprise pour que tous les collaborateurs qui travaillent avec elles puissent les utiliser efficacement.
 

2. Profiling
 

Il s'agit maintenant d'étayer le "sentiment instinctif" et les connaissances empiriques des collaborateurs sur l'état de la qualité des données par des résultats d'analyse. L'objectif est de montrer le statu quo des données et de faire un rapport fondé sur l'exhaustivité, l'exactitude et la redondance des données. Le résultat de ce profilage doit répondre aux questions suivantes :

• Quelles informations manquent ?
• À quel niveau apparaissent des valeurs aberrantes suspectes ?
• À qule endroit, le format ne correspond-il pas à la signification ?
• À quel niveau deux ou plusieurs attributs ne sont-ils pas cohérents ?
• À quel niveau les règles prédéfinies sont-elles violées ?
• Dans quel contexte les erreurs se produisent-elles ?
• Comment une erreur se présente-t-elle dans différents segments de données (différentes régions, différentes périodes de saisie, etc.) ?
• Comment l'apparition d'erreurs évolue-t-elle au fil du temps ?
• Pour répondre à ces questions, il est recommandé d'utiliser un logiciel qui recherche automatiquement les lacunes, les erreurs et les corrélations au sein d'un ensemble de données, les rassemble et fournit ainsi la base du résultat de l'analyse.

Le profilage des données est une étape décisive - si les entreprises négligent ce point, ce qui est souvent le cas, elles prennent leurs mesures pour améliorer la qualité des données au petit bonheur la chance. En effet, si les responsables ne connaissent pas clairement leur base de données, ils prennent des mesures selon leur instinct, mais n'en recherchent pas toutes les causes. En conséquence, leurs données ne sont pas fiables et les collaborateurs doivent continuer à accepter des processus sens dessus-dessous et une mauvaise qualité des données.

Quelle est, selon vous, la qualité de vos données ? Lorsqu'il s'agit de la qualité de ses propres données, il ne faut pas se fier uniquement à une vague intuition. Alors, comment rendre cela mesurable ? L'évaluation des données d'Uniserv y remédie : nous nous procurons un aperçu exact de l'état actuel de vos données et les évaluons selon des critères de qualité de données standardisés.
 

3. Établir un catalogue de mesures
 

Sur la base du profilage, des mesures sont définies pour amener la qualité des données et des processus au plus haut niveau. Il peut s'agir de définir l'utilisation des données et les exigences auxquelles elles doivent répondre ou d'introduire une validation postale en temps réel. Si l'on souhaite maîtriser les doublons, un contrôle des doublons en temps réel pourrait être la solution. L'éventail des mesures possibles - tout comme celui des exigences en matière de données et de processus - est large et dépend toujours du cas particulier.
 

4. Nettoyer et adapter les processus
 

Dans tous les cas, l'entreprise doit nettoyer sa base de données examinée, c'est-à-dire supprimer et corriger les données erronées. Il peut s'agir par exemple de la vérification automatisée des numéros de téléphone - une mesure et un soutien importants pour les projets CRM, le service d'assistance, la gestion des réclamations ou d'autres tâches de gestion des contacts clients. Les doublons y sont automatiquement éliminés. 

Outre le nettoyage des données, il est souvent nécessaire d'adapter les processus et les environnements système. Si tous les domaines sont ajustés en conséquence, la qualité des données atteint dans l'idéal le niveau maximal possible. Le maintien de ce niveau dépend toutefois de la gestion des données et de la qualité dans l'ensemble de l'entreprise.