La data governance et la data quality répondent à deux enjeux différents, mais indissociables. La première définit le cadre de gestion des données : les responsabilités, les règles, les processus et les décisions à prendre. La seconde vérifie que les données respectent effectivement les niveaux de qualité attendus : exactitude, complétude, cohérence, fraîcheur ou unicité.
Autrement dit, la data governance indique qui décide, selon quelles règles et avec quels contrôles, tandis que la data quality mesure si les données sont suffisamment fiables pour être utilisées. Une entreprise peut donc avoir des données de bonne qualité sans gouvernance structurée, mais cette qualité sera difficile à maintenir dans la durée. À l’inverse, une gouvernance bien définie ne suffit pas si les données restent incomplètes, obsolètes ou contradictoires.
Data governance et data quality : deux notions à distinguer
Dans un projet de transformation data, la confusion entre gouvernance et qualité des données est fréquente. Pourtant, ces deux domaines n’interviennent pas exactement au même niveau.
Qu’est-ce que la data governance ?
La data governance, ou gouvernance des données, désigne l’ensemble des principes, rôles, règles et processus qui encadrent la gestion des données dans une organisation. Elle permet de répondre à des questions opérationnelles et stratégiques :
- Quelles sont les données critiques pour l’entreprise ?
- Qui en est responsable ?
- Quelle définition doit être utilisée par les différents métiers ?
- Quelles règles s’appliquent à leur création, leur modification, leur partage et leur conservation ?
- Comment traiter un problème de qualité ou un conflit entre systèmes ?
La gouvernance ne se limite donc pas à un document de principes. Elle doit se traduire dans l’organisation, les processus, les outils et les projets. Elle peut notamment couvrir le glossaire métier, les politiques d’accès, la gestion des référentiels, la traçabilité des données, la conformité et les modalités d’arbitrage.
Pour approfondir la définition, les rôles et les principaux composants de cette démarche, consultez la page consacrée à la data governance.
Qu’est-ce que la data quality ?
La data quality, ou qualité des données, correspond à l’aptitude d’une donnée à répondre à l’usage pour lequel elle est destinée. Une donnée n’est pas « bonne » dans l’absolu : elle est de qualité si elle est suffisamment fiable, complète et exploitable pour un besoin donné.
Les dimensions les plus couramment évaluées sont les suivantes :
- Exactitude : la donnée correspond-elle à la réalité connue ?
- Complétude : les attributs nécessaires sont-ils renseignés ?
- Cohérence : les valeurs sont-elles compatibles entre elles et entre les systèmes ?
- Unicité : les doublons sont-ils identifiés et traités ?
- Fraîcheur : la donnée est-elle suffisamment récente pour l’usage prévu ?
- Conformité : respecte-t-elle les formats, référentiels et règles définis ?
- Disponibilité : est-elle accessible au bon moment et dans le bon système ?
La data quality repose sur des contrôles, des indicateurs, des règles de validation, des mécanismes de correction et un suivi dans le temps. Elle doit être mesurée sur les données réellement utilisées par les métiers, et non uniquement sur des échantillons techniques.
Quelle est la différence entre gouvernance et qualité des données ?
La différence principale tient à leur objet. La gouvernance définit le système de décision et de responsabilité autour des données. La qualité évalue l’état réel des données et organise les actions nécessaires pour le corriger.
| Critère | Data governance | Data quality |
|---|---|---|
| Finalité | Organiser et encadrer la gestion des données | Rendre les données fiables et utilisables |
| Question centrale | Qui décide et quelles règles appliquer ? | Les données respectent-elles les exigences attendues ? |
| Périmètre | Organisation, responsabilités, processus, politiques et outils | Données, contrôles, anomalies, corrections et indicateurs |
| Acteurs principaux | Direction, métiers, data owners, data stewards et équipes IT | Métiers, data stewards, équipes data et responsables applicatifs |
| Livrables possibles | Politique de gouvernance, glossaire, matrice des rôles, processus d’arbitrage | Règles de contrôle, scorecards, rapports d’anomalies, plans de remédiation |
| Horizon | Cadre durable et évolutif | Amélioration continue et suivi opérationnel |
Cette distinction ne signifie pas que les deux sujets doivent être traités séparément. La gouvernance donne une direction à la qualité des données, tandis que les résultats des contrôles de qualité permettent d’ajuster les règles, les responsabilités et les priorités de gouvernance.
Pourquoi la data governance est nécessaire à la data quality ?
Sans gouvernance, les initiatives de qualité restent souvent ponctuelles. Une équipe nettoie une base, corrige des doublons ou ajoute des contrôles, mais les mêmes anomalies réapparaissent quelques semaines plus tard. La cause est rarement limitée à un problème technique : elle vient souvent d’une règle absente, d’une définition différente selon les équipes ou d’une responsabilité non attribuée.
Elle définit ce qu’est une donnée de qualité
Les exigences de qualité dépendent du contexte. Une adresse postale peut être indispensable pour la facturation, mais secondaire pour une analyse de tendance. Une date de mise à jour peut être acceptable dans un reporting mensuel et insuffisante pour un pilotage quotidien.
La gouvernance permet donc de relier chaque règle de qualité à un usage métier. Elle précise les seuils attendus, les données prioritaires et les conséquences d’une anomalie.
Elle attribue les responsabilités
Une donnée ne devient pas fiable simplement parce qu’un outil de contrôle a détecté une erreur. Il faut savoir qui peut la corriger, qui valide la définition de la donnée et qui arbitre lorsque plusieurs systèmes présentent des valeurs différentes.
Le data owner porte généralement la responsabilité métier d’un domaine de données. Le data steward contribue à la définition des règles, au suivi des anomalies et à leur résolution au quotidien. Les intitulés peuvent varier selon les organisations, mais le principe reste le même : chaque donnée critique doit avoir un responsable clairement identifié.
Elle inscrit la qualité dans les processus
Une démarche efficace ne se contente pas de corriger les données existantes. Elle cherche aussi à empêcher la création de nouvelles anomalies. Cela peut passer par des contrôles lors de la saisie, des règles d’intégration, des validations dans les applications ou des revues régulières des référentiels.
La gouvernance transforme ainsi la qualité en pratique récurrente, intégrée aux processus métier et aux projets d’évolution du système d’information.
Comment la data quality alimente-t-elle la data governance ?
La relation fonctionne dans les deux sens. Les contrôles de qualité fournissent des éléments concrets pour faire évoluer la gouvernance.
Par exemple, une analyse peut révéler que :
- deux applications utilisent des définitions différentes pour un même client ;
- un champ critique n’est pas renseigné de manière homogène ;
- plusieurs équipes créent des produits sans respecter le même référentiel ;
- les données sont correctement saisies, mais deviennent obsolètes faute de processus de mise à jour ;
- un flux interapplicatif transforme ou tronque certaines valeurs.
Ces constats ne sont pas seulement des incidents de qualité. Ils peuvent mettre en évidence un défaut de définition, de responsabilité, d’architecture ou de processus. Les résultats de la data quality aident donc à prioriser les décisions de gouvernance.
Pour comprendre les causes fréquentes des erreurs qui affectent les analyses et les décisions, vous pouvez consulter cet article sur la qualité des données et les erreurs métier.
Comment mettre en place une démarche complémentaire ?
Il n’est pas nécessaire de vouloir gouverner toutes les données dès le départ. Une démarche progressive permet de concentrer les efforts sur les domaines qui présentent le plus de risques ou de valeur.
1. Identifier les données critiques
Commencez par recenser les données qui soutiennent les processus essentiels : clients, produits, fournisseurs, contrats, références financières ou indicateurs de pilotage. La priorité peut dépendre de l’impact commercial, réglementaire, opérationnel ou financier d’une donnée incorrecte.
2. Définir les usages et les exigences
Pour chaque domaine prioritaire, documentez les usages, les définitions et les critères de qualité. Il est préférable de commencer par quelques règles mesurables plutôt que par un référentiel trop théorique et difficile à maintenir.
Une règle utile doit préciser la donnée concernée, la condition à respecter, la fréquence du contrôle et le responsable du traitement des anomalies.
3. Cartographier les flux et les responsabilités
La cartographie permet de comprendre où la donnée est créée, enrichie, transformée, stockée et consommée. Elle met en évidence les systèmes sources, les interfaces, les duplications et les points où la qualité peut se dégrader.
Cette étape doit être complétée par une matrice des responsabilités. Sans elle, les anomalies détectées restent souvent sans propriétaire.
4. Mesurer la qualité sur un périmètre ciblé
Les indicateurs doivent être liés aux exigences métier. Un taux de complétude élevé ne garantit pas l’exactitude des informations. De même, l’absence de doublons dans une application ne signifie pas nécessairement qu’il n’existe pas de doublons entre plusieurs systèmes.
Les contrôles peuvent être automatisés lorsque les volumes et la fréquence le justifient. Ils doivent toutefois rester compréhensibles par les équipes qui utilisent et corrigent les données.
5. Organiser la remédiation
La remédiation désigne l’ensemble des actions destinées à corriger une anomalie et à éviter sa réapparition. Elle peut consister à corriger une valeur, modifier une règle de saisie, revoir un flux, harmoniser un référentiel ou clarifier une responsabilité.
Il est important de distinguer la correction immédiate et le traitement de la cause racine. Nettoyer une base sans modifier le processus qui produit les erreurs ne constitue pas une amélioration durable.
6. Suivre et faire évoluer le dispositif
Les règles de qualité doivent être réévaluées lorsque les usages, les applications ou les exigences métier changent. La gouvernance doit également prévoir un circuit de décision pour ajouter une nouvelle définition, modifier un seuil ou traiter un désaccord entre domaines.
La démarche devient alors un cycle continu : définir, mesurer, corriger, prévenir et ajuster.
Quels sont les bénéfices d’une approche intégrée ?
Associer data governance et data quality permet d’éviter deux écueils. Le premier consiste à produire des politiques difficiles à appliquer sur le terrain. Le second revient à multiplier les opérations de nettoyage sans traiter les causes organisationnelles ou techniques.
Une approche intégrée peut notamment contribuer à :
- fiabiliser les reportings et les indicateurs de pilotage ;
- réduire les divergences entre applications et équipes ;
- améliorer la traçabilité des décisions prises sur les données ;
- sécuriser les échanges entre systèmes ;
- faciliter l’exploitation des référentiels et des données maîtres ;
- réduire le temps consacré à rechercher, vérifier ou corriger l’information ;
- mieux documenter les usages et les règles applicables aux données sensibles.
La gouvernance doit aussi intégrer les principes de protection et de limitation des usages lorsque les données sont personnelles. À ce titre, les principes de minimisation des données rappellent qu’une organisation doit limiter la collecte et la conservation aux informations nécessaires à ses finalités.
Quels indicateurs suivre pour piloter la qualité des données ?
Les indicateurs dépendent du domaine et de l’usage, mais certains repères sont fréquemment utiles :
- taux de complétude des attributs critiques ;
- nombre et taux de doublons détectés ;
- taux de conformité à un format ou à un référentiel ;
- ancienneté moyenne ou date de dernière mise à jour ;
- nombre d’anomalies ouvertes et délai moyen de résolution ;
- taux de données rejetées lors d’une intégration ;
- évolution de la qualité après une action corrective.
Ces indicateurs ne doivent pas être considérés isolément. Un score global peut masquer une faiblesse importante sur une donnée critique. Il est donc préférable de présenter les résultats par domaine, par système, par règle et par niveau de priorité.
À retenir
- La data governance définit le cadre : responsabilités, règles, processus, définitions et décisions.
- La data quality mesure et améliore la fiabilité des données selon leurs usages.
- La gouvernance donne un responsable et une finalité aux contrôles de qualité.
- Les résultats de la qualité révèlent les faiblesses de l’organisation, des processus ou des systèmes.
- La démarche la plus efficace commence par les données critiques et progresse par cas d’usage.
FAQ sur la data governance et la data quality
Peut-on améliorer la qualité des données sans mettre en place une gouvernance complète ?
Oui, une organisation peut lancer des contrôles et des corrections sur un périmètre limité. Toutefois, sans responsabilités, règles et processus clairement définis, les résultats risquent de rester temporaires. Une gouvernance progressive est souvent suffisante pour encadrer les premières actions.
La data governance est-elle réservée aux grandes entreprises ?
Non. Toute organisation qui utilise plusieurs applications, partage des référentiels ou prend des décisions à partir de données peut avoir besoin de règles de gouvernance. Le dispositif doit simplement être proportionné à la taille de l’entreprise, à ses risques et à la complexité de son système d’information.
Qui est responsable de la qualité des données ?
La responsabilité est partagée, mais elle doit être organisée. Les métiers définissent les besoins et valident les règles, les responsables de données coordonnent leur application, et les équipes techniques contribuent à la mise en œuvre des contrôles et des corrections. La gouvernance précise le rôle de chacun.
Pour structurer une démarche cohérente de gouvernance et de qualité, Ajusteo accompagne les entreprises dans la fiabilisation, la structuration et la valorisation de leurs données critiques. Vous pouvez contacter Ajusteo pour échanger sur votre contexte, vos priorités et les prochaines étapes de votre projet Data Management.