cover article data 2.0 fashion data

La Data Quality, le chaînon manquant du retail 2.0

La gestion de qualité des données est primordiale réussir la transformation Data-driven des enseignes du retail.

L’afflux de vos données rend votre stratégie Data ingérable ? La Data quality est là pour tout remettre en ordre. Depuis l’avènement du Big Data, les leaders du Retail sont en quête de leviers pour optimiser leurs performances mais ont du mal à récupérer les fruits de leur investissement notamment en ce qui concerne les projets Data & IA.

Les données ne proviennent pas toutes de la même manière : certaines sont correctes, d’autres sont inutilisables. On pense souvent que cela est dû à l’inexactitude de la donnée collectée, alors que ces disparités sont liées à une mauvaise gestion des données.

Aujourd’hui, toute entreprise en a conscience, la donnée est une denrée essentielle à leur développement mais sans stratégie Data-centric, elles ne peuvent mettre en place une activité viable pour leur Business Model. Pourtant, peu d’entre elles ont aussi conscience qu’il ne suffit pas d’extraire de la donnée pour y arriver, il faut avant tout de la donnée de qualité.

D’après le cabinet de recherche Gartner, une entreprise possédant des données de mauvaise qualité peut engranger jusqu’à 12 millions d’euros (15 M$) de pertes. À cette perte s’ajoutent d’autres challenges difficiles à relever : activer des leviers supplémentaires pour pallier le manque de qualité, complexifier le processus de traitement de données en ajoutant des étapes de correction… amenant à de nouvelles dépenses et mettant un frein à la stratégie.

Collecter des données de mauvaise qualité a un impact négatif. Beaucoup d’entreprises l’ont déjà constaté, et cela a d’ailleurs donné le terme “Garbage In, Garbage Out” : si l’on recueille des données sans opérer de gestion de qualité de la donnée efficace, les décisions prises à partir de ces données seront faussées voire erronées. Et à l’ère du Big Data, où des milliards de données sont extraites chaque seconde, il est nécessaire d’appliquer une stratégie de gestion des données axée sur la qualité.

LES CRITÈRES PERMETTANT DE DÉFINIR LA QUALITÉ DES DONNÉES

La Data Quality, ou qualité des données en français, permet de mesurer l’état de la donnée collectée et de l’améliorer avant qu’elle soit analysée. Elle a pour objectif de garantir la fiabilité et la véracité des données, deux dimensions indispensables pour l’acuité des reportings business.

Plusieurs critères permettent de définir la qualité des données: ces indicateurs sont communs à tous les domaines mais leur champ d’application est particulièrement en phase avec le nouveau monde du Retail.

La complétude concerne non seulement la donnée en elle-même, mais aussi toutes les informations relatives à l’activité dont elle dépend. Par exemple, dans le cas de ventes en magasin, recevoir des données uniquement sur les transactions ne suffira pas à dresser une analyse complète sur l’activité commerciale. Une solution serait d’envoyer par exemple des informations sur le planning de livraison ou l’emplacement des produits vendus en magasin, voire un référentiel de l’agencement du magasin ou du chiffre d’affaires potentiel par zone.

Un autre indicateur important dans la gestion de la qualité est la fraîcheur des données. Il s’agit de savoir si elles sont récentes et bien mises à jour. Le niveau de fraîcheur varie selon la temporalité des statistiques mais aussi selon les cas d’usage. C’est un critère à ne pas négliger, compte tenu de la situation actuelle du confinement, les tendances d’expérience client et les habitudes de consommation ont drastiquement été bouleversées, ce qui nécessite d’avoir la primeur sur les données afin d’en tirer des analyses fondées.

Le degré de précision est un élément central pour attester si l’information reçue est qualitative ou non. Comme pour la complétude, la précision ne se situe pas exclusivement à la valeur mais aussi à son contexte. Ainsi, les caractéristiques d’un produit requièrent d’être détaillées, avec une granularité fine, et incluant des renseignements complémentaires sur sa composition. Il serait judicieux de joindre ces produits à d’autres produits complémentaires. Une stratégie Data sous-développée peut altérer la précision des données qui seront perçues comme étant erronées.

Dans l’optique de mettre en place une stratégie omnicanale, les retailers doivent rendre disponible les données d’achat et de stocks à tous les acteurs de l’expérience client.
Le temps est venu de privilégier le commerce phygital (fusion du physique et du digital) et de prendre en considération le fait que le processus d’achat se fait sur différents canaux de vente. Aussi, il ne faut pas négliger la gestion de la disponibilité de la donnée: toute information sensible, notamment des données clients, ne peuvent pas être accessibles à tous par souci de compliance.

LES SOURCES D’ERREUR

L’un des avantages les plus connus de l’exploitation des données est que les valeurs sont nécessairement exactes. Bien que ce soit une idée répandue, c’est souvent très loin de la réalité! L’exactitude des informations glanées dépend de nombreux facteurs, une simple erreur humaine comme une faute de frappe ou un incident technique tel qu’une panne de caisse peuvent mettre en péril l’authenticité des données. Ces valeurs erronées ne se détectent pas automatiquement, d’où le besoin de se reposer sur un système de veille permettant de détecter les données inexactes et de les résoudre à temps.

La cohérence des données et sa consistance sont intrinsèques au management des databases, une information agrégée peut se retrouver avec une valeur alternative à celle d’origine. Par exemple, le SKU d’un produit (Stock Keeping Unit) affiché dans un ticket de vente peut avoir une valeur d’une longueur différente que le SKU affilié au même produit dans son référentiel. Dans ce cas de figure, la standardisation des valeurs aide à anticiper ce type de problème qui empêche de tracker le cycle de vie du produit.

Ces notions viennent compléter les dimensions de la gestion de la qualité des données. Mais avant de se lancer dans un processus de Data Quality Management, il faut s’assurer que toutes les équipes, métiers comme techniques, soient sensibilisées à la gestion de la qualité de la donnée.

On pense souvent que les données manquent de qualité pour des raisons techniques. Parfois nous mettons même en faute l’erreur humaine, ce qui paradoxalement fait que les décisionnaires ont du mal à avoir confiance en l’analyse faite de leurs données et préfèrent s’appuyer sur leur expérience voire leur instinct commercial, plutôt que sur des reportings factuels. Utiliser la data pour prendre des décisions commerciales n’est pas suffisant. Les données sont complémentaires aux décisions humaines, mais les posséder donne l’assurance de suivre la bonne trajectoire et d’aller vers la croissance.

Les données collectées perdent en qualité pour des raisons techniques et humaines, mais un autre facteur sous-estimé par les divers métiers est que la qualité de la donnée découle de son organisation. Pour une organisation optimale, il faut communiquer à tous les niveaux: de manière transparente, avec une standardisation et un vocabulaire spécifique, définis par toutes les personnes en charge de l’exploitation de la donnée. À l’apogée de la gouvernance de la donnée, la Data Quality est l’effort de tous.
La gouvernance des données donne de nouvelles règles pour certifier la fiabilité des données, indispensable pour la gestion de la qualité des données. En définissant une stratégie de Data Quality avec une gestion de la gouvernance des données, vous garantissez deux aspects fondamentaux: la sécurité et la conformité des données au Règlement Général sur la Protection des données.


Instaurer une stratégie de Data Quality est primordiale pour répondre aux enjeux Retail actuels. Les données extraites concernent l’ensemble de la chaîne de valeur et même au-delà, car toute activité génère de la donnée prête à être exploitée. Sans cela, les analyses et insights tirés de ces données ne seront pas pertinents. La Data Quality est la clé pour exploiter la donnée avec efficacité et en conformité. Elle garantit une stratégie CRM adaptée aux attentes des consommateurs et en conformité avec la législation liée au RGPD.

Logo Tailer

une Data Platform, adaptée aux besoins des retailers, qui les accompagne dans leur transformation Data-Driven

Vous avez aimé cet article ?

N’hésitez pas à le partager

À lire aussi

Nous sommes sur Twitter

You currently have access to a subset of Twitter API v2 endpoints and limited v1.1 endpoints (e.g. media post, oauth) only. If you need access to this endpoint, you may need a different access level. You can learn more here: https://developer.twitter.com/en/portal/product

Tailer La plateforme data conçue pour le retail

Nous vous accompagnons vers un nouveau Fashion Business Zero Waste