Qu’est ce qu’une donnée de référence et comment la gérer ?

Les entreprises collectent et stockent des informations capitales pour leur développement. Listes de noms, adresses, numéros, open data... Les données de référence sont au cœur des stratégies marketing. Quels sont les critères pour obtenir des données de référence qualitatives ? Comment les gérer efficacement ? Quels sont les intérêts pour l’entreprise ?  

Définition 

Les données de référence ou master data sont des données stratégiques détenues par l’entreprise. Elles sont réparties dans tout le système d’information. (Attention à ne pas les confondre avec les métadonnées) 

Les principales caractéristiques d’une donnée de référence sont : 

> Sa stabilité dans le temps 

> Sa durée de vie (plus longue qu’une donnée transactionnelle) 

> Sa faible fréquence de mise à jour 

> Sa consultation fréquente par les différentes applications métiers 

Les données référence sont utilisées dans les logiciels métier de l’entreprise. Elles sont créatrices de valeurs et enrichissent les données transactionnelles. Leur utilisation au sein des applications dépend de leur typologie. 

On distingue 3 types de données de référence : les données maître, constitutives et paramètres. 

Les données maître structurent les principales applications métier. Elles sont le noyau du système d’information et constituent donc une référence unique pour les applications. On peut parler ici de produit, de client, de ressources humaines... 

Les données constitutives précisent les données maître. Composées de différents attributs, elles permettent de créer une entité à partir des données. Il peut s’agir de l’adresse du fournisseur pour la facturation, du nom de famille des clients... 

Les données paramètres sont des informations présentées sous forme de tableaux de valeurs. Ces tables sont les plus partagées du système d’information. Leur importance est capitale. Par exemple, ces tables peuvent contenir des prix, des pourcentages, du nombre d’articles... 

Classification et stockage 

Il est possible de catégoriser les données de référence par hiérarchie. Par exemple, un commerce peut classer ses informations produit sous forme de catalogue. Dans ce catalogue on pourra retrouver le type de produit, la collection dans laquelle il appartient, le stock, etc... Au sein d’une autre catégorie, il pourra entrer des informations géographiques relatives à la distribution. 

Les informations peuvent être reliées et interagir entre elles. Reprenons le cas précédent : les informations relatives au stock peuvent être liées aux données de distribution. Le commerçant peut consulter les stocks des magasins et passer commande pour les produits manquants. Cela facilite les opérations de réassort et fluidifie les transactions. 

En fonction de la stratégie adoptée par l’entreprise, les données de référence peuvent être stockées différemment. Dans une structure en silo, chaque département possède son propre entrepôt. La société peut opter pour une structure centralisée avec un référentiel unique. 

Une gestion des données de référence efficace assure le développement et la pérennité d'une organisation. Plusieurs structures permettent de stocker et gérer les ressources. Les architectures en silos et le Master Data Management sont les deux plus courantes. 

La structure en silo 

Une structure en silo segmente les données par département. Le stockage se fait au sein-même de l’application métier. Les informations ne sont accessibles qu’au sein du service. Les données ne sont pas unifiées et ne communiquent pas entre elles. 

Les silos ont été beaucoup utilisés par les grandes sociétés à l'époque. Ce mode de stockage comporte beaucoup d’inconvénients. Le manque d’interopérabilité des valeurs amène les collaborateurs à créer des doublons.

La duplication est un vrai casse-tête pour les équipes métier en termes de fiabilité. Les copies ne sont pas toujours actualisées. Il est difficile de savoir quelle est la bonne version de l’information.  

Le cloisonnement des données conduit à des mauvais choix stratégiques. Le manque de fiabilité des valeurs peut mener les équipes à prendre des décisions bancales. 

Cela constitue une perte de temps et de productivité considérable. Les messages marketing perdent en efficacité. La qualité des relations clients est fortement réduite. Plus les actions marketing sont inadaptées, plus les conséquences financières sont lourdes. Ces erreurs stratégiques entachent l’image de l’entreprise.  

Les données de référence font parties du patrimoine de l’entreprise. Nous avons pu voir que le master data management est le processus de gestion le plus efficace. En tirer bénéfice comporte de nombreux avantages organisationnels, financiers et concurrentiels. 

Avec un référentiel unique, les informations sont plus accessibles pour les différents services. Cette accessibilité des données améliore l'organisation et la productivité des équipes. Les collaborateurs disposent de valeurs fiables et peuvent se concentrer sur leurs tâches. Les actions déployées sont plus efficaces.  

Parmi les aspects avantageux on retrouve l’aspect financier. Le master data management propose une vision globale des informations. Cela constitue une aide à la prise de décision pour les collaborateurs. Les décisions sont plus rapides, ce qui accélère le temps de livraison des produits. Le délai de mise sur le marché est également réduit. 

Un data management efficace représente un avantage concurrentiel de taille. La fiabilité des données permet d’adopter des stratégies clients plus ciblées. Un meilleur ciblage permet de fidéliser le client. Cela permet également d’augmenter le taux de conversion client en gagnant de nouvelles parts de marché.  

La mise en place d’un référentiel unique est un projet de grande ampleur. Le choix d’une solution MDM performante est indispensable. Talend MDM est une plateforme de gestion de données référence. Cet outil permet de créer un entrepôt référentiel. Talend MDM intègre aussi des outils de qualification, préparation et gouvernance.  

Source n°1 : ” Only 3% of Companies’ Data Meets Basic Quality Standards”,  Harvard Business Review , 11 septembre 2017.