Partir des décisions
Une stratégie data commence par les questions auxquelles la direction et les équipes doivent pouvoir répondre.
- Demander un diagnostic
- France et Afrique francophone
Faire de la donnée un actif utile : types de données, qualité, gouvernance, tableaux de bord orientés décision et préparation de la donnée pour l'IA.
Une stratégie data commence par les questions auxquelles la direction et les équipes doivent pouvoir répondre.
Exactitude, complétude, unicité, cohérence, validité, fraîcheur et intégrité référentielle, la complétude seule trompe.
Data Owner, Data Steward, équipe data, sécurité et DPO : un comité n'a de valeur que s'il arbitre réellement.
Chaque partie traite un point de la démarche ; les liens ci-dessous mènent directement à la section correspondante.
Une stratégie data commence par les décisions, pas par les outils : quelles questions la direction, les équipes ou les systèmes doivent-ils pouvoir résoudre ? Quels clients risquent de partir ? Quel canal produit les clients à meilleure marge ? Quel stock doit être réapprovisionné ? À chaque décision correspondent des données, un niveau de qualité, une fréquence et une responsabilité.
Types de données à distinguer : structurées, semi-structurées, non structurées, de référence, transactionnelles, événementielles et dérivées, avec une classification de sensibilité (publique, interne, confidentielle, données personnelles, secrets, données réglementées).
Dimensions de qualité utiles : exactitude, complétude, unicité, cohérence, validité, fraîcheur et intégrité référentielle. Exemple du cours : un CRM contient 98 % d'emails renseignés mais 20 % sont invalides, la complétude paraît bonne, la validité ne l'est pas. Le cas de l'ANIP au Bénin montre ce que coûte l'inverse : des erreurs d'enrôlement biométrique non corrigées en amont continuent de bloquer des usagers des années après la numérisation du service.
La gouvernance précise qui décide : Data Owner côté métier, Data Steward chargé de la qualité et des définitions, équipe data pour les plateformes/pipelines, sécurité/DPO pour les risques et la conformité. Un comité de gouvernance n'a de valeur que s'il tranche réellement des priorités de qualité, d'accès et de définitions conflictuelles.
Un tableau de bord doit répondre à des décisions, pas simplement afficher des chiffres. Pour chaque KPI : définition, formule, source, fréquence, owner, cible, seuil d'alerte et action associée. Se méfier des moyennes seules : pour les délais, médiane et percentiles montrent mieux la distribution qu'une moyenne unique.
Un système RAG (retrieval-augmented generation) ou un agent ne résout pas une documentation incohérente. Avant toute indexation : supprimer les versions obsolètes, définir droits et métadonnées, préciser propriété et dates de validité, procédure de mise à jour, et évaluer la recherche sur des questions réelles avant de connecter des actions automatisées.
Ces écueils reviennent régulièrement en mission. Les identifier tôt évite de reconstruire un chantier déjà livré.
Mesurer la complétude sans la validité : 98 % d'emails renseignés dont 20 % invalides restent inexploitables.
Construire un dashboard qui affiche des chiffres sans qu'aucune décision n'y soit rattachée.
Indexer une base documentaire contenant encore des versions obsolètes.
Connecter des actions automatisées avant d'avoir évalué la recherche sur des questions réelles.
Avant tout projet IA chez un client, nous auditons la base documentaire et les référentiels : droits, métadonnées, dates de validité, procédure de mise à jour. C'est la condition d'un RAG qui répond juste.
Exactitude, complétude, unicité, cohérence, validité, fraîcheur et intégrité référentielle. Elles doivent être mesurées séparément : un taux de remplissage élevé ne garantit pas la validité des valeurs.
Le Data Owner côté métier décide des définitions et des priorités, le Data Steward assure la qualité au quotidien, l'équipe data gère plateformes et pipelines, la sécurité et le DPO couvrent les risques et la conformité.
Supprimer les versions obsolètes, définir droits et métadonnées, préciser propriété et dates de validité, écrire une procédure de mise à jour, puis évaluer la recherche sur des questions réelles avant de connecter la moindre action automatisée.
Ce chapitre appartient au pilier « Construire un système fiable ». Architecture, données, infrastructure, automatisation, IA et cybersécurité : les capacités sur lesquelles reposent tous les usages métier.
Représenter le système d'information en six couches, définir la source de vérité de chaque donnée, et choisir entre acheter, configurer, intégrer ou développer.
Lire le chapitre →Chapitre 6Socle techniqueChoisir une infrastructure proportionnée (IaaS/PaaS/SaaS), séparer les environnements, industrialiser avec CI/CD et l'observabilité, sans créer de dette d'exploitation.
Lire le chapitre →Chapitre 7Socle techniqueIdentifier les bons candidats à l'automatisation, choisir entre API, workflow, RPA ou agent IA, concevoir un workflow robuste et calculer son ROI réel.
Lire le chapitre →