par "Nous avons un problème de qualité de données"
C'est le constat que nous présentent régulièrement les responsables des ressources humaines quand nous abordons pour la première fois les problèmes qu'ils rencontrent dans leurs différents projets DATA ou SIRH.
"Nous avons un problème de qualité de données"… et au-delà, certains ont du mal à caractériser ces problèmes de façon précise : ils se trouvent démunis face à ce constat qui sonne parfois comme une fatalité.
Et pour cause, dans le contexte des données RH en particulier, derrière ces problèmes de qualité se cachent en réalité une multitude de sujets : contraintes techniques, processus défaillants, gouvernance floue, besoins mal adressés…
De fait, pour améliorer et surtout pérenniser un système de management de la qualité des données de manière efficace, il faut l'aborder de façon globale et transverse tout en mettant le focus sur des points très concrets au sein de l'organisation. Un équilibre stratégique et méthodologique dans lequel les métiers des ressources humaines ont toute leur place.
L'illusion de la qualité
Il est vrai que sur LinkedIn ou PowerPoint, tous les projets ont l'air de bien se dérouler et de satisfaire les utilisateurs…
Dans la réalité, énormément de projets Data sont lourdement impactés par des problèmes de qualité des données mal anticipés ou mal appréciés. Que ce soit pour mettre en place un nouveau SIRH, fusionner une nouvelle entité, mettre en place des tableaux de bord et des outils de BI… les projets se heurtent quasi systématiquement à des difficultés imprévues liées aux données, faute d'avoir investi suffisamment en amont. Au mieux le projet est lourdement retardé, au pire il est tout simplement abandonné.
On remarque régulièrement une forme d'optimisme de la part des décideurs RH sur l'état réel de leurs données. On peut y voir une nouvelle illustration des indicateurs pastèques que nous avions introduit dans notre article En finir avec les indicateurs inutiles (adp.com).
Un impact considérable et largement sous-évalué
En plus d'être néfaste pour projets SIRH et DATA, la mauvaise qualité des données pèse en temps et en coûts au quotidien sur toute l'organisation. Il est d'ailleurs difficile d'en mesurer précisément l'ampleur en raison de ses nombreux coûts cachés, tels que la perte de temps, les décisions inappropriées, la frustration, risques de sécurité et d'habilitations...
Concrètement, ces coûts s'accumulent lorsque les gestionnaires doivent corriger des erreurs, vérifier les informations sur différentes plateformes et résoudre les problèmes qui en découlent.
Selon les sources, on peut estimer que les données de mauvaise qualité coûtent entre 10 et 100 fois plus chères à traiter que les autres.
Même une petite quantité de données erronées peut avoir des conséquences significatives, nécessitant un effort humain important pour leur correction.
Enfin, comme nous l'avons vu dans Le cycle de vie de la donnée RH (adp.com), les données corrigées en bout de chaîne, c’est-à-dire quand on a besoin de les utiliser, coûtent beaucoup plus cher que celles redressées dès le début du cycle.
Pire, si les erreurs touchent les données de référence, les conséquences se répercutent dans toute l'organisation et dans tous les systèmes.
Des données de qualité en RH, c'est quoi ?
La qualité des données peut être déclinée sur les 10 axes suivants.
En effet, une donnée peut être exacte en elle-même mais périmée, inutile, redondante ou encore ininterprétable… Cette complexité inhérente à chaque organisation dans sa consommation de la donnée est souvent à l'origine d'incompréhensions entre les parties prenantes et ajoutent un degré de difficulté dans la mise en place des actions correctives.
Comment agir ?
Améliorer la qualité des données de façon pérenne, RH ou non, est un processus lent et exigeant à mener mais il y a quand même deux bonnes nouvelles :
- On n'est pas obligé de tout améliorer tout de suite : il faut plutôt commencer par des échantillons de données restreints, par périmètres successifs en fonctions des priorités et des contraintes. Cela permet de mettre en place et de tester la méthode, puis de l'étendre par itérations successives. On choisira des échantillons de données symptomatiques dont la mauvaise qualité a beaucoup d'impact pour avoir des retours positifs rapidement.
- La plupart des problèmes se résolvent rapidement une fois isolés et un petit nombre d'améliorations pertinentes résolvent beaucoup de problèmes amonts.
Audit et Identification des Lacunes
Tout commence par une vision claire de l'état de départ. Un audit approfondi des données actuelles sur les échantillons de données choisies pour identifier les lacunes, les incohérences et les erreurs et leurs impacts sur les métiers.
Objectif : Valider les hypothèses de travail et définir la roadmap
Définition de Normes de Qualité des Données
Établissez des normes claires de qualité des données qui incluent des critères d'exactitude, de complétude, de pertinence, et de mise à jour des données. Les équipes RH doivent impérativement être impliquées.
Objectif : Les données parfaites n'existent pas. Vous avez besoin en revanche de données "suffisamment bonnes" pour être exploitées de manière utiles. En guidant le niveau de qualité attendu par le besoin réel, vous donnez à la fois un objectif à atteindre et un moyen d'éviter de faire de la sur-qualité.
Mise en Place de la Task Force
Créez et déployez une "Task Force" transverse composées de divers acteurs impliqués dans la création, reprise, traitement et utilisation des données. Il faut équilibrer les compétences techniques et les sachants métiers pour des correction à la fois efficaces et pertinentes.
Animez la Task Force dans un processus régulier de détection/identification/remédiation des erreurs et leurs impacts pour corriger les erreurs. Intégrez par ailleurs des outils d'automatisation pour faciliter le nettoyage et l'enrichissement.
Objectif : Maintenir la qualité des données à un niveau élevé de manière continue, dans un processus connu, compris et partagé.
Formation et Sensibilisation des Employés
Organisez des sessions de formation et des ateliers pour les employés sur l'importance de la qualité des données et sur les bonnes pratiques à adopter pour leur gestion. Encouragez une culture de responsabilité autour des données.
Objectif : Renforcer les compétences des employés dans la gestion des données et les rendre acteurs de l'amélioration de la qualité des données.
Suivi, Mesure et Ajustement Continus
Mettez en place des indicateurs de performance clés (kpis) pour mesurer la qualité des données de manière régulière. Utilisez ces mesures pour évaluer l'efficacité des initiatives mises en place et ajustez les stratégies au besoin.
Objectif : Garantir une amélioration continue de la qualité des données en se basant sur une approche mesurable et ajustable en fonction des résultats obtenus.
Cette méthode, axée sur une approche itérative et l'implication de toutes les parties prenantes, permettra à l'organisation d'améliorer de façon significative et durable la qualité de ses données.
La qualité des données de demain se prépare aujourd'hui
Dans un monde où la technologie et les exigences métier évoluent à un rythme sans précédent, demeurer à l'avant-garde de la gestion des données est un défi constant, mais salutaires.
Adopter une bonne "hygiène Data" sans tarder est essentiel. Cela devient rapidement un investissement rentable : non seulement cela facilite le travail quotidien des équipes, mais cela assure également une meilleure maîtrise de la sécurité et de la conformité. Plus important encore, cela prépare le terrain pour que vos données tirent parti des innovations à venir.
_________________________________________________________________
Pour aller plus loin :
Qu’est-ce que la fiabilité des données ? Qu’est-ce que la fiabilité des données ? | IBM
Le guide complet sur la qualité des données / Talend :https://web.mit.edu/tdqm/www/tdqmpub/PipinoLeeWangCACMApr02.pdf
5 Principles for Increasing the Trustworthiness of Your Company’s Data : https://hbr.org/sponsored/2020/07/5-principles-for-increasing-the-trustworthiness-of-your-companys-data#:~:text=Improving%20the%20data%20health%20of,timely%2C%20trending%2C%20and%20telling
The Impact of Poor Data Quality on the Typical Enterprise: https://dl.acm.org/doi/pdf/10.1145/269012.269025
Seizing Opportunity in Data Quality :Seizing Opportunity in Data Quality (mit.edu)