Data Quality : définition, dimensions et enjeux pour l'entreprise
La data quality (ou qualité des données) désigne la capacité des données d'une entreprise à être exactes, complètes, cohérentes, uniques, à jour et conformes, afin de servir de façon fiable ses usages métiers : marketing, vente, relation client, pilotage et conformité réglementaire.
Une donnée de qualité n'est pas une donnée parfaite, c'est une donnée adaptée à l'usage qu'on en fait. Découvrez la définition de la data quality, les 7 dimensions qui permettent de la mesurer, ce que coûtent des données erronées et la démarche pour fiabiliser durablement vos fichiers clients et prospects.
Qu'est-ce que la data quality ? Définition
La data quality est le niveau de fiabilité d'un jeu de données au regard de l'usage auquel il est destiné. Le terme désigne à la fois cet état (des données de bonne ou de mauvaise qualité) et l'ensemble des pratiques qui permettent de l'atteindre : on parle alors de data quality management.
Cette définition « par l'usage » est essentielle. Une adresse postale incomplète pose peu de problème pour une analyse statistique régionale, mais elle rend un courrier de relance impossible à distribuer. La qualité d'une donnée se juge donc toujours à l'aune d'un processus métier précis.
Data quality, gouvernance et data management : quelles différences ?
Quelles données sont concernées ?
Toutes les données de l'entreprise peuvent être évaluées, mais les données de référence sont les plus sensibles, car elles irriguent tous les systèmes. C'est le cas des données clients et prospects (identité, adresse postale, e-mail, téléphone, SIRET), des données produits et des données fournisseurs.
Une erreur dans un fichier client se propage en effet au CRM, à l'ERP, aux outils d'emailing et aux tableaux de bord.
Les 7 dimensions de la qualité des données
La qualité des données se mesure selon sept dimensions complémentaires : exactitude, complétude, cohérence, unicité, fraîcheur, validité et conformité. Chacune répond à une question simple et se traduit par un indicateur suivi dans le temps.
Ces dimensions sont liées. Un doublon (unicité) crée souvent une incohérence, car les deux fiches évoluent séparément. Une adresse non mise à jour (fraîcheur) devient inexacte. C'est pourquoi un projet de data quality traite les dimensions ensemble plutôt qu'une à une.
Pourquoi la data quality est un enjeu stratégique pour l'entreprise
Des données de mauvaise qualité coûtent cher, le plus souvent sans que l'entreprise le mesure. Selon une enquête de Gartner, la non-qualité des données coûtait en moyenne 15 millions de dollars par an aux organisations interrogées, et près de 60 % d'entre elles ne mesuraient pas ce coût (Gartner).
Ne rien faire coûte 100 en erreurs, retours et opportunités perdues.
Marketing et communication
Des adresses erronées font gonfler les NPAI et les frais d'affranchissement. Des e-mails invalides dégradent la délivrabilité et la réputation de l'expéditeur. Des doublons faussent la segmentation et exposent un même contact à plusieurs envois, au détriment de l'image de marque.
Ventes et relation client
Un commercial qui travaille sur des fiches incomplètes ou en double perd du temps et risque d'appeler le même prospect que son collègue. Sans vision unifiée du client, le service client ne retrouve pas l'historique et la personnalisation devient impossible.
Finance et pilotage
Les tableaux de bord ne valent que ce que valent les données qui les alimentent. Un chiffre d'affaires par client mal consolidé, un portefeuille surévalué par des doublons ou une facture envoyée à une mauvaise adresse ont un impact direct sur les décisions et la trésorerie.
Conformité réglementaire (RGPD)
Le RGPD impose que les données personnelles soient exactes et tenues à jour (article 5). Contacter une personne qui s'est opposée au démarchage, ou conserver des données au-delà de la durée prévue, expose l'entreprise à des sanctions et à une perte de confiance.
Intelligence artificielle et automatisation
Les outils d'IA, de scoring et d'automatisation marketing reproduisent et amplifient les défauts des données qui les alimentent. Fiabiliser les données est donc un préalable à tout projet d'IA : sans données de qualité, pas de résultats fiables.
D'où viennent les données de mauvaise qualité ?
La plupart des défauts naissent à la saisie ou lors des échanges entre systèmes, puis s'aggravent avec le temps. On retrouve presque toujours les mêmes causes.
La saisie manuelle : fautes de frappe, abréviations, champs remplis « pour passer à l'étape suivante ».
La multiplication des points de collecte : formulaires web, salons, imports de fichiers, applications métiers, chacun avec ses propres formats.
Les silos applicatifs : CRM, ERP et outils marketing qui ne partagent pas le même référentiel.
L'obsolescence naturelle : déménagements, changements de poste, fermetures d'entreprises, réaffectation de numéros de téléphone.
Les fusions et migrations : rapprochement de bases hétérogènes sans règles de dédoublonnage.
L'absence de règles partagées : pas de responsable désigné, pas de standard de saisie, pas d'indicateur de suivi.
Comment améliorer la qualité de vos données : la démarche en 5 étapes
Une démarche de data quality efficace combine un nettoyage ponctuel et des contrôles permanents.
Auditer et mesurer
Dressez un état des lieux de vos bases : taux de doublons, taux de complétude, part d'adresses non distribuables, e-mails invalides. Ce diagnostic chiffré sert de point de départ et permet de prioriser.
Normaliser
Harmonisez les formats : adresses postales selon la norme AFNOR (RNVP), civilités, numéros de téléphone, raisons sociales. Une donnée normalisée est plus facile à comparer et à rapprocher.
Dédoublonner et consolider
Identifiez les fiches qui désignent la même personne ou la même entreprise, malgré des écritures différentes, puis fusionnez-les pour constituer un référentiel client unique.
Enrichir et mettre à jour
Complétez les champs manquants et actualisez les données à partir de référentiels fiables : bases d'entreprises (SIRENE), fichiers de déménagés, listes d'opposition.
Prévenir et gouverner
Contrôlez les données dès la saisie (formulaires, CRM), désignez des responsables de la donnée, fixez des règles communes et suivez vos indicateurs dans le temps.
Les trois premières étapes produisent des gains rapides. La cinquième garantit qu'ils durent : sans contrôle à la source, une base nettoyée se dégrade de nouveau en quelques mois.
Amabis, 30 ans d'expertise en qualité des données
Depuis 30 ans, Amabis conçoit des solutions logicielles françaises dédiées à la qualité des données clients et prospects, en B2B comme en B2C. Entreprises, institutions et associations s'appuient sur nos outils pour fiabiliser leurs fichiers et leur CRM.
Faites le point sur la qualité de vos données
Un diagnostic chiffré de votre fichier, réalisé gratuitement par nos experts.