Gestion de la qualité des données : définition

La gestion de la qualité des données désigne l’ensemble des processus, outils et responsabilités organisationnelles mis en place pour atteindre et maintenir dans le temps un niveau de qualité des données adapté aux usages métiers d’une organisation. Là où la qualité des données décrit un état à un instant donné, sa gestion désigne la démarche continue qui vise à produire et préserver cet état, ce qui suppose des mécanismes récurrents plutôt qu’une intervention ponctuelle.

Composantes d’une démarche de gestion

Une démarche de gestion de la qualité des données s’appuie généralement sur plusieurs composantes complémentaires. Le profilage consiste à mesurer l’état actuel d’une base selon les dimensions de qualité retenues, exactitude, complétude, validité, avant toute action corrective, afin d’identifier où se situent réellement les problèmes plutôt que de corriger au hasard. La définition de règles métier fixe les critères attendus pour chaque champ ou chaque catégorie de données, ce qui permet ensuite de détecter automatiquement les écarts. Ces règles peuvent porter sur des formats attendus, des valeurs autorisées, des seuils de fraîcheur, des obligations de complétude ou des contrôles de cohérence entre champs. La surveillance continue, ou monitoring, suit l’évolution d’indicateurs de qualité dans le temps, taux de complétude, taux de doublons, taux d’erreurs détectées, et détecte les dégradations plutôt que de les découvrir à l’occasion d’un audit isolé.

Les actions correctives, qui incluent le nettoyage de données et l’enrichissement de données, interviennent en réponse aux écarts détectés, sans se substituer aux mécanismes de prévention en amont. Un dispositif mature agit également sur les points d’entrée des données, contrôles de saisie, validation à la collecte, plutôt que de se limiter à corriger l’existant : moins une organisation laisse entrer de données défectueuses, moins elle a besoin de corriger après coup.

Rôles et responsabilités

La gestion de la qualité des données répartit généralement les responsabilités entre plusieurs rôles distincts. Le data owner porte la responsabilité métier d’un domaine de données et arbitre les règles de qualité applicables. Le data steward assure au quotidien l’application de ces règles, le suivi des anomalies, leur qualification et leur escalade lorsque la correction dépasse son périmètre. Cette répartition, formalisée dans la plupart des référentiels de gouvernance des données comme le DMBOK de DAMA International, vise à éviter que la qualité des données ne dépende d’un effort isolé, sans portage organisationnel clair ni pérennité au-delà d’un projet ponctuel.

Un cycle plutôt qu’un projet

Une erreur fréquente consiste à traiter la qualité des données comme un projet ponctuel, mené une fois puis considéré comme acquis. Une base corrigée à un instant donné peut ensuite se dégrader naturellement : changements non répercutés, nouvelles sources introduisant de nouvelles incohérences, absence de contrôle à l’entrée sur les données nouvellement collectées. La gestion de la qualité des données fonctionne donc comme un cycle récurrent, profilage, correction, surveillance, ajustement des règles, plutôt que comme une intervention isolée suivie d’un abandon du sujet.

Cadre applicable aux données personnelles

Lorsque la démarche de gestion porte sur des données à caractère personnel, comme des contacts nominatifs ou des coordonnées individuelles, elle s’articule avec les obligations du RGPD. Le principe de minimisation impose de limiter les données aux informations adéquates, pertinentes et nécessaires à la finalité du traitement. Le principe d’exactitude impose, lorsque c’est nécessaire, de tenir les données à jour et de corriger ou supprimer les informations inexactes au regard de cette finalité.

Limites

Une démarche de gestion de la qualité des données mobilise des ressources humaines et techniques dans la durée, ce qui suppose un arbitrage entre le niveau de qualité visé et l’effort consenti pour l’atteindre. Viser une qualité maximale sur l’ensemble d’une base, indépendamment de l’usage réel de chaque donnée, conduit souvent à un investissement disproportionné par rapport à la valeur obtenue. L’enjeu n’est donc pas d’obtenir une base parfaite, mais de définir un niveau de qualité cible cohérent avec les usages prioritaires et les risques associés.

Voir aussi

Qualité des données
Nettoyage de données
Enrichissement de données
RGPD

Sources et références

DAMA International (2017). DAMA-DMBOK: Data Management Body of Knowledge (2e édition). Technics Publications. Référentiel professionnel de référence sur la gouvernance et la gestion de la qualité des données, incluant les rôles de data owner et data steward.

CNIL. Règlement général sur la protection des données, chapitre II : Principes. Article 5 : minimisation, exactitude et limitation des finalités applicables au traitement des données personnelles.