Canalblog
Editer l'article Suivre ce blog Administration + Créer mon blog
Publicité
échos SIRH
1 mars 2015

DSN, BDU, BDES, BI, MDM : un destin commun ?

Master Data Management

Depuis longtemps, je me demande pourquoi les applications RH (connues sous le vocable de SIRH) sont si peu concernées par les questions de qualité de données et donc de MDM (Master data management).

Et pourtant, que de données au travers du décisionnel (BI), du Big Data, de la BDU et de la DSN.

L’arrivée de la DSN ou (Déclaration Sociale Nominative), ses exigences réglementaires en termes de qualité de données et de mise en qualité de ces données, mais aussi la vague du Big Data mettent en exergue cette  nécessité de gouvernance des données.

Depuis quelques années, les termes de :

  • Gouvernance,
  • Données de référence, référentiel,
  • Qualité de données (données disparates, hétérogènes),

sont fréquemment évoqués dans les SIRH, mais l’évocation ne suffit pas.

Prenons l’exemple du décisionnel dont nous sommes si friands, la mise en place de ces solutions a un double prérequis indispensable : la maîtrise et la qualité des données.

Tout le monde connaît l’impact de reporting erronés : perte de confiance, prise de décision difficile…

D’aucun pense que le Master Data Management est abscons et réservé aux entreprises dotés d’une direction informatique importante. Pas du tout, c’est simplement inhérent à toute gestion de données

schema_qualite_1

 Qualité des données

La mise en qualité passe par une identification (audit) des données clés de l’entreprise. Cela impose de descendre au niveau des processus et de définir : indicateurs, suivis et plans d’actions (communication, formation).

Mais cette qualité de données indispensables dans le cas réglementaire de la DSN, l’est tout autant pour d’autres projets. Typiquement dans le cas d’un changement de solution qui implique reprise de données. Au-delà de la qualité des données cela requiert un mapping des données et la mise en œuvre de contrôles de cohérence.  Ces étapes de reprise de données sont souvent sous-évaluées et peuvent rapidement devenir chronophage.

 

Les 10 causes principales des problèmes de qualité de données (selon Talend

  1. Erreurs typographiques et données non conformes : erreurs de saisies, données renseignées au mauvais endroit,
  2. Obfuscation d’informations : données incomplètes, erreurs volontaires ou impossibilité de renseigner correctement les informations (champ réduit),
  3. Informatique traîtresse et fichiers Excel : redondance et multiplications des données,
  4. Après la fusion : la consolidation des données est souvent sous-estimée,
  5. Le changement est bon… Sauf pour la qualité de données : si les données changent, les règles métier dont les règles de qualité de données doivent suivrent,
  6. Code caché : exemple de changement de base de données et/ou d’applicatif source,
  7. Transition des transactions : dans le cas d’échanges de données automatisés et de dysfonctionnement de ces échanges,
  8. Métamorphose de métadonnées : notion de référentiel, d’audit de ce référentiel,
  9. Définition de la qualité de données : nettoyage des éventuels doublons dus à des antagonismes entre processus métiers, 
  10. Perte d’expertise : les données, notamment des données héritées d’autres systèmes, possèdent un historique dont la connaissance n’est pas toujours diffusée et connue.

Prise de conscience

Les entreprises ont intégré l’importance de la qualité de leurs informations. Qu’il s’agisse des directions du marketing, du commercial, de la distribution, de la relation client, de l’informatique, de la stratégie, de la finance et des ressources humaines...Tous ont besoin de données fiables pour prendre des décisions.

Et que de temps perdu, lorsque nous devons passer par une phase de mise en qualité (très fréquente dans les projets de refonte de solution).

 

Quels axes pour améliorer la qualité de vos données ?

Votre stratégie doit passer par 3 axes : organisationnel, fonctionnel et technique.                  

  • Sur le plan organisationnel : mettre en place une gouvernance qui passe par la mise en œuvre de référentiels métiers,
  • Sur le plan fonctionnel : ajuster, simplifier et normaliser les concepts métiers,
  • Sur le plan technique : mettre en œuvre une politique de qualité des données qui passe à minima par un suivi et une traçabilité. Idéalement par un outil de qualité de données.

Source MICROPOL

Quelques prérequis à la bonne utilisation d’une solution de MDM

La mise en œuvre d’une telle politique passe par la nécessité :

  • D’analyser systèmes, processus et référentiels, ainsi que leurs interactions,
  • De fixer des pratiques exhaustives et pragmatiques pour la gouvernance des données. Pratiques à respecter dans tout projet
  • D’intégrer direction informatique et directions métiers pour ce projet d’entreprise,
  • De faciliter l’adhésion des utilisateurs, par le biais de communication, formation. La prise de conscience du besoin de fiabilité des données saisies est rédhibitoire,
  • De stopper la multiplication de données hors applications et des doublons créés d’une direction métier à une autre,
  • De garantir la pertinence des référentiels, en termes de mise à jour, de non redondance. Logique qui doit être partagée par tous.

Actuellement, des discussions pointent autour de la transformation digitale de l’entreprise, du rapprochement du digital et des RH, de la recherche des DRH et DSI d’une « alchimie collaborative »… Ces discussions doivent conduire à cette question essentielle de la gouvernance des données de l’entreprise.

Voilà un enjeu commun pour rapprocher DRH et DSI. 

Aujourd’hui des applications inspirées de l'Open Source existent, applications qui participent à la mise en œuvre et à la démocratisation de ces solutions  (cf. Talend MDM). 

A lire

Publicité
Publicité
Commentaires
S
Merci pour l'article
Répondre
échos SIRH
Publicité
Newsletter
Archives
Visiteurs
Depuis la création 120 869
Publicité