Qualité des données clients : prioriser les corrections qui changent vraiment les usages

Commencer par une décision métier, pas par un score global

Votre base affiche 98 % de complétude, mais une campagne cible des clients ayant déjà retourné leur produit. Le score paraît excellent ; le parcours reste défaillant. La donnée manquante n’est peut-être pas une coordonnée client, mais un statut de retour qui arrive trop tard.

La qualité des données clients doit être évaluée pour un usage précis. Un reporting mensuel peut accepter un délai qu’une exclusion de campagne ne tolère pas. Un champ utile à la livraison peut être sans importance pour une analyse agrégée. La première étape consiste donc à relier les données critiques à une action ou une décision.

Notre méthode commence par un parcours, une population et un incident observable. Décrivez ensuite le préjudice : temps perdu, contact inapproprié, mauvaise consolidation ou correction manuelle. Cette description permet de choisir des contrôles utiles et d’expliquer leur priorité à des équipes qui n’ont pas les mêmes objectifs.

Distinguer les dimensions pour éviter les faux diagnostics

Le Government Data Quality Framework distingue notamment complétude, unicité, cohérence, fraîcheur, validité et exactitude. Ces dimensions décrivent des problèmes différents. Un champ rempli n’est pas nécessairement juste ; une valeur au bon format n’est pas nécessairement vraie.

Pour un numéro de téléphone, la présence du champ mesure la complétude et le respect d’un format mesure une forme de validité. Ni l’un ni l’autre ne prouve que le numéro appartient encore à la bonne personne. Un contrôle ne doit donc pas être présenté comme une preuve plus forte que ce qu’il établit réellement.

Définissez chaque indicateur avec son dénominateur. Un taux de coordonnées complètes calculé sur tous les enregistrements peut masquer une mauvaise couverture de la population que vous voulez contacter. Affichez les résultats par source et par usage avant d’envisager une synthèse globale.

Prioriser avec l’impact, la fréquence et la capacité de correction

Un problème fréquent mais bénin ne mérite pas toujours la première place. Une fausse fusion rare peut avoir un impact bien plus important qu’une ponctuation incohérente dans les adresses. Évaluez la gravité, la fréquence, la population exposée et la capacité de détection avant de comparer les efforts de correction.

Nous conseillons de distinguer les mesures de protection immédiates des améliorations durables. Suspendre une audience affectée évite une nouvelle mauvaise action. Corriger la règle de transformation empêche sa réapparition. Ces deux travaux répondent au même incident, mais ils n’ont ni le même délai ni le même responsable.

Utilisez des estimations de coût comme des repères, avec une plage lorsque l’incertitude est forte. Un classement chiffré trop précis peut dissimuler des hypothèses fragiles. L’arbitrage doit rester explicable : pourquoi ce problème empêche-t-il davantage d’usages que le suivant ?

Construire des règles qui déclenchent une action

Une alerte sans destinataire ni procédure finit par devenir du bruit. Pour chaque contrôle, précisez le seuil, l’impact attendu, l’équipe responsable et la réponse à apporter. Certains écarts justifient de bloquer un flux ; d’autres demandent une investigation sans interrompre le service.

Imaginons un exemple fictif : le nombre de clients éligibles à une campagne baisse brutalement. La cause peut être une source absente, une nouvelle règle d’exclusion ou une évolution réelle de l’activité. Le contrôle doit guider l’analyse en montrant la variation par source, les événements de déploiement et le volume des exclusions.

Évitez de corriger automatiquement toute anomalie. Une date surprenante ou une adresse différente peut être légitime. Les cas incertains peuvent être mis à l’écart ou soumis à revue, avec une capacité de traitement cohérente avec les volumes.

• Contrôles à l’entrée : structure attendue, champs nécessaires et traçabilité de la source.
• Contrôles après transformation : conservation des volumes attendus, cohérence des statuts et effets des rapprochements.
• Contrôles avant usage : fraîcheur réelle, exclusions appliquées et couverture de la population ciblée.
• Contrôles de résolution : correction propagée et absence de réapparition de la même cause.

Corriger à la source et empêcher la régression

Un nettoyage ponctuel est parfois nécessaire pour rétablir un service. Il devient coûteux s’il faut le répéter chaque semaine. Recherchez la cause : formulaire ambigu, champ réutilisé, convention différente entre systèmes ou changement d’interface non annoncé.

Associez la correction à une règle vérifiable et à un propriétaire. Une modification de formulaire peut réduire les erreurs de saisie ; une définition partagée peut supprimer un retraitement ; un contrôle de contrat peut détecter une rupture de flux avant sa diffusion. La bonne intervention dépend de la cause, pas seulement de l’apparence de l’erreur.

Mesurez ensuite les incidents évités, le temps de correction et l’effet sur l’usage retenu. Si le taux de qualité progresse mais que les équipes continuent à réconcilier manuellement les mêmes chiffres, le plan d’action a probablement traité le symptôme plutôt que le problème.

Un premier périmètre maîtrisé pour démontrer l’utilité

Pour démarrer, choisissez un parcours client et quelques attributs indispensables. Établissez un état initial, définissez les règles avec les utilisateurs et faites fonctionner le traitement des anomalies sur plusieurs cycles. Vous pourrez alors observer la stabilité des résultats et le volume de travail nécessaire.

Élargissez le périmètre lorsque les contrôles sont compris, les responsabilités tenues et les corrections effectives. La qualité devient ainsi une capacité d’exploitation régulière. Elle soutient le RCU, la CDP et le pilotage métier au lieu de constituer un projet de nettoyage qui recommence à chaque nouveau besoin.