Qualité et conformité appliquées

Boucler la boucle : de la règle au geste technique

Les cinq chapitres précédents ont posé les rôles, les cadres, les obligations légales et les modèles de données. Ce dernier chapitre les fait converger sur un terrain très concret : comment mesure-t-on réellement la qualité des données, et comment une règle de gouvernance écrite dans une politique se traduit-elle en un mécanisme technique effectif, une sauvegarde programmée, une purge automatique, un tableau d’indicateurs suivi en continu ?

Les dimensions de la qualité

La qualité d’une donnée ne se résume pas à « elle est juste ou fausse ». Elle se décompose en plusieurs dimensions indépendantes, que des référentiels comme la norme ISO/IEC 25012 formalisent, et dont cinq reviennent systématiquement dans une politique de gouvernance opérationnelle.

L’exactitude mesure si la valeur enregistrée correspond à la réalité qu’elle décrit : une adresse encore valide, un montant conforme à la facture émise. La complétude mesure si les champs attendus sont réellement renseignés, un numéro de téléphone requis pour une relance et non resté vide. La fraîcheur mesure le délai entre un changement dans la réalité et sa mise à jour dans le système, un client qui a déménagé mais dont l’adresse de livraison n’a pas suivi. La cohérence mesure si une même information reste identique d’un système à l’autre, un statut de commande qui ne se contredit pas entre le site marchand et l’entrepôt. L’unicité, enfin, mesure l’absence de doublons, un même client qui n’existe pas sous deux fiches distinctes à cause d’une faute de frappe lors de sa première saisie.

Ces cinq dimensions ne s’atteignent jamais toutes au même niveau simultanément, et ce n’est pas l’objectif : une donnée d’archive peut tolérer une fraîcheur faible sans dommage, alors qu’une donnée de stock en temps réel ne le peut pas. La qualité se pilote dimension par dimension, en fonction de l’usage, pas comme un score global unique.

Mesurer, remédier, et compter ce que coûte de ne pas le faire

Mesurer la qualité commence par le profilage (data profiling) : analyser systématiquement un jeu de données pour repérer valeurs manquantes, formats incohérents ou doublons probables, souvent avant même de savoir précisément quel problème on cherche. Cette mesure alimente des règles de qualité explicites, par exemple qu’un email doit respecter un format valide, vérifiées automatiquement à chaque écriture ou lors de contrôles périodiques. Quand une anomalie est détectée, la remédiation peut être automatique pour les cas simples, une normalisation de casse ou de format, ou nécessiter une intervention humaine pour les cas ambigus, comme la fusion de deux fiches probablement en doublon.

Le coût de la non-qualité reste souvent sous-estimé parce qu’il est diffus : une commande mal adressée qui génère un appel au service client, une campagne marketing envoyée à une adresse obsolète, une décision prise sur un tableau de bord qui agrège silencieusement des doublons. Aucun de ces incidents pris isolément ne semble grave ; additionnés sur une année, ils représentent souvent un coût supérieur à celui qu’aurait demandé un dispositif de qualité mis en place en amont. C’est le même raisonnement que pour un modèle de données mal conçu, décrit au chapitre 4 : le coût ne disparaît jamais, il se déplace plus loin dans le temps, et grandit en chemin.

Des règles de gouvernance aux mécanismes techniques

Une politique de gouvernance qui reste un document sans traduction technique n’a d’effet que sur le papier. Trois mécanismes concrets portent, dans les faits, les décisions prises au premier chapitre sur le cycle de vie de la donnée.

La sauvegarde (backup) protège contre la perte accidentelle, une panne matérielle, une erreur humaine, une attaque. Sa fréquence et sa durée de rétention doivent être définies par la criticité réelle de chaque donnée, pas par un réglage par défaut identique pour tout le système. La rétention applique concrètement la durée de conservation annoncée dans le registre des traitements du chapitre 3 : il ne suffit pas de l’écrire dans un document, il faut qu’un mécanisme, une tâche planifiée ou une politique de cycle de vie du système de stockage, l’applique réellement. La purge, enfin, supprime effectivement une donnée arrivée au terme de sa durée de conservation, y compris dans les sauvegardes, un point souvent oublié qui rend une politique de conservation illusoire en cas de contrôle.

Piloter dans la durée

Un système d’information de données se pilote comme n’importe quel système critique, avec des indicateurs suivis dans la durée plutôt qu’un audit ponctuel. La disponibilité mesure si les données sont accessibles quand un usage en a besoin. La fraîcheur, déjà présentée, se suit dans le temps pour détecter une dérive progressive plutôt qu’un incident isolé. Des indicateurs de qualité, taux de complétude, taux de doublons détectés, donnent une mesure objective de la maturité d’un domaine de données. Les coûts de stockage et de traitement, enfin, complètent ce tableau de bord : une gouvernance qui améliore la qualité sans jamais regarder ce qu’elle coûte prend le risque de résoudre un problème en créant un second.

Ce que ce cours a parcouru

Six chapitres, un même fil : la gouvernance dit ce qu’il faut faire et pourquoi, la modélisation dit comment le construire, la conformité dit ce que la loi impose sans option, et la qualité vérifie, au quotidien, que tout cela tient encore debout une fois le projet livré. Le sommaire du cours reste la meilleure porte d’entrée pour revenir sur un chapitre précis selon vos besoins du moment.