Une version révisée du DMBOK de la DAMA a été publiée en mars 2024. Si vous participez à des initiatives de gestion des données, cette mise à jour n'est sans doute pas passée inaperçue. Avant d'aborder le sujet, il est utile de replacer les choses dans leur contexte.

DAMA International et le DMBOK

DAMA International est une organisation à but non lucratif fondée en 1980 qui se consacre à l'élaboration de normes internationales et de bonnes pratiques en matière de gestion des données. Basée à Vancouver, elle opère par l'intermédiaire de sections régionales réparties dans le monde entier, y compris en France.

Le DMBOK compte plus de 600 pages, 17 chapitres et un cadre de fonctions interconnectées et complémentaires représentées par la célèbre « roue DAMA ». Il serait impossible de couvrir l'ensemble de cet ouvrage en un seul article ; c'est pourquoi celui-ci se concentre spécifiquement sur l'une de ses fonctions essentielles : la qualité des données.

L'approche globale du DMBOK en matière de gestion de la qualité des données

La stratégie préconisée par le DMBOK est simple : aligner les objectifs de gestion des données — ainsi que ceux des fonctions sous-jacentes — sur les objectifs stratégiques de l'organisation. Cela peut sembler évident, mais les organisations ont souvent tendance à négliger cet aspect au profit d'approches purement axées sur les données, dans lesquelles les équipes opérationnelles peinent à définir des objectifs, des priorités et une gouvernance qui soutiennent véritablement les résultats commerciaux.

Il est également important de garder à l'esprit que la qualité des données dépend fortement du contexte. Un même ensemble de données peut être jugé de grande qualité par une partie d'une organisation et insuffisant par une autre. En fin de compte, la qualité des données dépend de la manière dont celles-ci sont utilisées dans le cadre des processus opérationnels.

Dans cette optique, le DMBOK identifie quatre objectifs opérationnels clés qui devraient servir de fondement à la gestion de la qualité des données.

1. Améliorer l'expérience des parties prenantes et la réputation de l'organisation

Cet objectif peut être défini comme la capacité d'une organisation à garantir à ses clients qu'elle est en mesure de fournir en permanence des produits et des services fiables, présentant un minimum de défauts ou d'interruptions — et, surtout, à tenir cette promesse. Cela a toujours été une priorité pour les entreprises, mais ce principe est aujourd'hui plus étroitement lié que jamais à la qualité des données, à mesure que les produits, les services et les processus se numérisent de plus en plus.

2. Améliorer l'efficacité organisationnelle

Pour être efficaces, les organisations doivent aligner leurs objectifs opérationnels sur leur stratégie globale, définir des indicateurs clés de performance (KPI) pertinents, suivre leurs performances au fil du temps et obtenir des résultats mesurables. Dans la pratique, cet objectif est étroitement lié à la Business Intelligence et à la prise de décision fondée sur les données.

3. Réduire les risques et les coûts associés

Les organisations doivent identifier, évaluer et surveiller les risques dans tous les domaines d'activité, notamment la production, la logistique, les ventes, les finances, la conformité et les opérations. Pour y parvenir, elles ont besoin de données précises, fiables et dignes de confiance, qui permettent une prise de décision éclairée et une gestion efficace des risques.

4. Améliorer l'efficacité et la productivité

Cet objectif vise à optimiser les processus, les opérations de fabrication et l'utilisation des ressources, tout en améliorant continuellement les performances au fil du temps. Pour paraphraser Lord Kelvin — une idée popularisée par la suite par W. Edwards Deming à travers le cycle PDCA : « Si vous ne pouvez pas le mesurer, vous ne pouvez pas l'améliorer. » Les organisations doivent donc collecter, gérer et contrôler des données de haute qualité qui favorisent l'amélioration continue.

Pourquoi le contexte commercial prime

Le DMBOK indique clairement que la compréhension du contexte et des objectifs métier est une condition préalable à la définition des exigences en matière de gestion de la qualité des données. Lorsque les initiatives en matière de qualité des données sont directement alignées sur les priorités métier, elles ont beaucoup plus de chances d'être comprises, soutenues et financées à tous les niveaux de l'organisation.

Par où commencer ?

Derrière ces quatre objectifs commerciaux se cache un volume considérable de données collectées dans pratiquement tous les services. Par où commencer ? Il est essentiel de définir des priorités. Si l'on part du principe que le principe de Pareto s'applique, résoudre 20 % des problèmes de qualité des données pourrait générer 80 % de la valeur totale.

Le DMBOK recommande de se concentrer en priorité sur les données critiques, c'est-à-dire celles qui sont directement liées aux objectifs prioritaires de l'organisation, notamment l'expérience client, l'efficacité et l'efficience opérationnelle. Ces données critiques concernent généralement un ou plusieurs des domaines suivants :

• Rapports réglementaires, financiers et de gestion
• Activités principales
• Évaluation de la qualité des produits et suivi de la satisfaction client
• Stratégie commerciale et différenciation concurrentielle

Les organisations doivent accorder une attention particulière aux données de référence et aux données de base, qui revêtent souvent un caractère critique intrinsèque, car elles sous-tendent des processus métier essentiels.

Dimensions de la qualité des données

Une fois les données critiques identifiées, les organisations ont besoin de critères mesurables et explicites permettant d'évaluer la qualité des données. Parmi les critères courants, on peut citer la validité, l'exhaustivité, l'exactitude, l'unicité, la cohérence et l'intégrité.

Le DMBOK s'appuie sur la norme ISO 8000, le cadre de Wang et Strong — qui comprend à lui seul quinze dimensions — ainsi que sur plusieurs autres approches reconnues. Si ces cadres s'accordent généralement sur les principes fondamentaux, ils divergent quant aux dimensions à privilégier et à surveiller. Nous abordons les dimensions spécifiques mises en avant par le DMBOK dans un article dédié : Comprendre les 9 dimensions de la qualité des données.