Études & Réflexions › Gouvernance des données en entreprise : responsabilités, règles et contrôles

La gouvernance des données organise les responsabilités et les règles qui permettent de savoir d'où vient une donnée, ce qu'elle signifie et qui peut la modifier.

Commencer par les données qui comptent

Gouverner toutes les données en même temps n'est pas réaliste. Les indicateurs de direction, référentiels clients, fournisseurs, produits, effectifs ou structures constituent souvent de meilleurs points de départ, parce qu'une erreur y a des conséquences visibles. Les données qui traversent plusieurs fonctions, client, fournisseur, salarié, produit, centre de coût, activité ou projet, sont aussi celles dont les incohérences se propagent le plus largement dans les reportings et les décisions qui s'appuient dessus.

La gouvernance devient concrète lorsqu'une donnée a plusieurs définitions, plusieurs propriétaires ou plusieurs usages incompatibles : ces points de friction sont un meilleur point de départ qu'un catalogue exhaustif. Le périmètre initial doit rester assez réduit pour que les responsabilités puissent être réellement exercées. Elle évite aussi de confondre gouvernance et documentation.

Nommer les responsabilités

Pour chaque donnée importante, il faut distinguer la responsabilité métier de la responsabilité technique. Le métier définit le sens, les règles et le niveau de qualité attendu. La fonction technique organise le stockage, les accès, les flux et les contrôles.

Nommer un propriétaire de donnée n'a d'intérêt que si son rôle est concret : qui définit la donnée, qui peut modifier la règle, qui corrige une anomalie, qui valide une évolution et qui arbitre lorsqu'un même indicateur possède deux définitions. Selon la taille de l'organisation, ces rôles peuvent être portés par les mêmes personnes ; ce qui compte est de savoir qui arbitre lorsqu'une définition ou une valeur est contestée.

Documenter les définitions

Deux services peuvent employer le même mot avec des périmètres différents : client actif, ETP, marge, commande ou absence. Un dictionnaire de données doit donc préciser la définition, la source, la règle de calcul et la fréquence de mise à jour des éléments importants.

Cette documentation est aussi utile aux projets de BI et d'IA, qui reproduisent rapidement les ambiguïtés existantes, notamment lorsqu'un modèle passe de la description à la prédiction, ce que détaille de l'analyse descriptive à la prédiction. Les données personnelles ajoutent des exigences spécifiques : l'article 5 du RGPD prévoit notamment l'exactitude, la minimisation (limiter les données à ce qui est nécessaire) et la limitation des finalités (ne pas traiter une donnée au-delà de l'usage prévu). Ces principes doivent être intégrés aux règles de gestion lorsque les données concernées sont personnelles.

Organiser la qualité

Les contrôles doivent être placés au plus près de l'endroit où une anomalie peut être corrigée, pas seulement là où elle est constatée. La méthode complète pour évaluer et corriger la qualité d'une donnée est développée dans qualité des données : comment savoir si vos chiffres sont fiables.

Gérer les changements

Une modification de référentiel ou de formule peut casser une série historique ou rendre deux rapports incompatibles, tout comme un changement d'organisation, de système ou de règle de gestion. Rendre ce changement visible suppose un mécanisme simple pour les données critiques : proposition, responsable de la décision, date d'effet, impacts identifiés et information des utilisateurs. Lorsqu'une série historique est touchée, il faut décider si elle peut être recalculée ou si une rupture doit être signalée.

Cette discipline réduit les débats récurrents sur des chiffres qui portent le même nom mais pas le même périmètre, en particulier lorsque plusieurs applications consomment la même donnée. Elle facilite aussi le travail des équipes qui produisent les tableaux de bord, car la règle de gestion n'est plus enfouie dans une formule ou dans la mémoire d'une seule personne.

Suivre quelques indicateurs de gouvernance

Le nombre de données documentées n'est pas suffisant. Les indicateurs de gouvernance peuvent rester simples : anomalies ouvertes ou récurrentes, délai de correction, écarts entre sources, part des indicateurs critiques dont la définition et le responsable sont connus, définitions sans responsable, changements non documentés. Ils servent à voir si le dispositif fonctionne réellement, pas à produire un tableau de bord supplémentaire.

Ces mesures renseignent sur le fonctionnement réel de la gouvernance, plutôt que sur l'existence de comités ou de documents. Lorsque le doute porte sur l'ensemble du dispositif, un diagnostic du pilotage peut servir de point de départ.

Questions fréquentes

Qui doit porter la gouvernance des données : la DSI ou le métier ?

Les deux, mais pas le même rôle : le métier définit le sens et les règles, la fonction technique organise le stockage, les accès et les contrôles. Les confondre revient souvent à ne nommer personne.

Faut-il gouverner toutes les données de l'entreprise ?

Non. Commencer par les données qui traversent plusieurs fonctions et dont une erreur a des conséquences visibles donne un périmètre gérable.

Comment savoir si la gouvernance des données fonctionne ?

Par les anomalies récurrentes, le délai de correction et la part des indicateurs critiques dont la définition et le responsable sont connus, pas par l'existence d'un comité ou d'un document.

Que faire quand une définition change ?

Documenter le changement (responsable, date d'effet, impacts) et décider si la série historique doit être recalculée ou si une rupture doit être signalée.

Un dictionnaire de données suffit-il pour la gouvernance ?

Non : il documente les définitions, mais la gouvernance suppose aussi de savoir qui tranche quand une définition change ou qu'une anomalie apparaît.

Brice Béchet

Consultant en pilotage des organisations

Contrôleur de gestion sénior, data scientist et créateur d'effectivo.fr, application de prévision stratégique des effectifs (Anticipez. Simulez. Décidez), j'accompagne les organisations à structurer leurs données et optimiser leur pilotage.

En savoir plus LinkedIn