Gestion de la qualité des données : les bonnes pratiques

Un cadre de gouvernance de la qualité des données doit être très opérationnel et disposer du sponsoring de la direction générale. Ce dispositif permet d’éviter à l’entreprise des écarts importants sur ses indicateurs clés. Une telle structure permet de mettre en place un socle de données de qualité commun sur lequel toute l’entreprise s’appuie. Éric Gacia, directeur conseil Banque Assurance chez Micropole, établit les bonnes pratiques à respecter pour mener à bien son projet de gestion de la qualité des données et de mise en place d’une structure de gouvernance.

Pragmatique avant tout, la démarche de Micropole se décompose en cinq grandes étapes :
· Diagnostic et état des lieux des zones à risque pour définir une trajectoire de mise en œuvre d’amélioration continue à court, moyen et long terme.

· Mise à jour du dictionnaire d’entreprise : rationalisation des dictionnaires des entités vers un dictionnaire groupe.

· Mise en place de règles de surveillance.

· Mise en place de règles de réconciliation fonctionnelles et techniques.

· Mise en place d’un dispositif de gouvernance et de pilotage de la qualité des données pour assurer une amélioration continue et anticiper les évolutions à venir.


La preuve par l’exemple : le cas de SMACL Assurances
Pour répondre à la nouvelle réglementation Solvabilité II et impulser une dynamique positive à l’entreprise, SMACL Assurances fonde une politique de qualité des données basée sur la solution iWay Data Quality Center de Information Builders.
SMACL Assurances (Société Mutuelle d’Assurance des Collectivités Locales) propose des garanties et des services d’assurance adaptés aux préoccupations et contraintes des collectivités territoriales, des associations et des particuliers.
Dans un contexte où règne une concurrence accrue, SMACL Assurances se doit de privilégier la qualité de services et de s’engager avec ses sociétaires, les collectivités, dans une démarche qualitative de manière plus importante.
À cela s’ajoute l’exigence réglementaire. À l’instar de Bâle II, la réglementation prudentielle pour les banques, Solvabilité II est un projet de réforme européenne s’appliquant aux organismes d’assurance, dont l’objectif est de veiller à la préservation de leur stabilité financière. Solvabilité II contrôle la qualité des données selon des critères d’exactitude, d’exhaustivité et de pertinence, mais s’intéresse également aux processus de l’entreprise.
Dans ce cadre, la direction de SMACL Assurances décide de lancer un projet de Politique de Qualité des Données, allant plus loin que la simple conformité à la réglementation, en impulsant une dynamique positive. Mieux gérer la qualité des données va en effet améliorer la qualité de service et le pilotage de l’entreprise.
· Contrôler et améliorer la qualité des données métier,

· Piloter cette amélioration de la qualité à travers des tableaux de bord,

· Impliquer tous les acteurs concernés depuis la direction jusqu’à l’informatique en passant par les référents métier,

… constituent les différentes étapes de ce projet.
Impliquant à la fois la direction, les fournisseurs de données, les responsables de la réglementation, les consommateurs de données et l’informatique, le projet est piloté par Philippe Guiraud, responsable du domaine fonctionnel Décisionnel chez SMACL Assurances.
Suite à un appel d’offres, Information Builders est retenu : « Leur solution s’est rapidement imposée pour de nombreuses raisons, déclare Philippe Guiraud. D’une part, par un tarif très attractif, d’autre part, la solution est très ouverte et complètement adaptable. Elle est très orientée correction des données et elle inclut un outil web de visualisation des anomalies. »

Des gains de productivité
Le projet gère en entrée les données issues des métiers. La solution génère une piste d’audit des exécutions des règles de qualité et des anomalies détectées qui sert au reporting interne et à la communication externe, entre autres à destination de l’ACPR, et une piste d’audit des anomalies traitées manuellement qui alimente le reporting opérationnel pour le suivi des corrections. 13 typologies de contrôles sont ainsi définies et, pour chacune d’elles, les référents métier fournissent un contrôle à réaliser, ce qui permet de couvrir l’ensemble des cas de figure.
« En termes de productivité, c’est le jour et la nuit ! Par exemple, pour le contrôle réglementaire de la lutte contre le blanchiment d’argent, il nous avait fallu 25 jours de développement. Aujourd’hui, la détection des doublons a été réécrite en 3 jours et elle tourne 4 fois plus vite ! », conclut Philippe Guiraud.