Qu'est-ce que la gestion des données de référence ?
La gestion des données de référence (MDM) est une méthodologie globale qui vise à identifier, régir et maintenir les actifs de données les plus stratégiques d’une organisation. Il ne s’agit pas simplement d’une solution technologique, mais d’un ensemble d’outils, de processus et de cadres de gouvernance conçus pour offrir une vue unique et fiable des informations essentielles à l’activité. Cet article aborde en détail la gestion des données de référence et son importance.
Analyse des données de référence
Les données de référence désignent les entités de données fondamentales et non transactionnelles qui sont indispensables au fonctionnement d'une organisation. Elles comprennent généralement :
Données sur les matériaux – Matières premières, composants, spécifications, règles de substitution, informations relatives à la conformité, etc.
Données clients – Noms, coordonnées, préférences, historique des achats et données démographiques
Données sur le produit – Références, descriptions, caractéristiques techniques, prix et classifications
Données relatives aux salariés – Informations sur le personnel, les fonctions, les liens hiérarchiques et les qualifications
Données relatives aux fournisseurs – Informations sur l'entreprise, contrats et historique des relations
Données financières – Plan comptable, centres de coûts, centres de profit, entités juridiques, hiérarchies financières, etc.
L'objectif même de la mise en place d'un système de données de référence, qui s'appuie sur un « enregistrement de référence » comme source unique de vérité, est d'améliorer l'efficacité, de fluidifier et de simplifier les processus internes à mesure que l'entreprise se développe.
D'une manière générale, les défis à relever peuvent être classés en plusieurs catégories non exhaustives, comme détaillé ci-dessous.
1. Difficultés rencontrées lors de la mise en place d'un système ERP ou de la migration vers une nouvelle version d'un système source existant
2. Difficultés spécifiques liées au maintien de la cohérence des données pendant les phases opérationnelles
3. Défis techniques et liés aux processus
4. Les défis stratégiques et de gestion propres aux grandes entreprises
Cet article a pour objectif de répertorier certaines de ces contraintes propres à la mise en œuvre ou au déploiement à grande échelle d'une solution MDM, et de proposer les meilleures solutions et mesures possibles que les entreprises peuvent envisager pour y remédier.
Voici les principaux défis techniques auxquels les entreprises pourraient être confrontées concernant leurs données de référence existantes :
Défis techniques
En raison du volume considérable de données générées quotidiennement par les grandes entreprises, les ensembles de données du fichier de référence ERP peuvent atteindre des tailles colossales, ce qui entraîne plusieurs défis, pour la plupart d'ordre technique.
1. Normalisation des données nécessitant d'importantes ressources
Les entreprises qui cherchent à remédier à la mauvaise qualité de leurs données constatent souvent qu'il n'existe pas de logique unique permettant de normaliser des données de référence complexes, en particulier pour les matériaux et les pièces MRO dont les fiches techniques sont spécifiques et comportent de nombreuses propriétés.
En l'absence d'une gouvernance claire, les problèmes liés aux données varient considérablement et ne peuvent être résolus à grande échelle par le seul recours aux règles traditionnelles. De ce fait, les entreprises s'appuient fortement sur une normalisation manuelle, réalisée par des intervenants humains. Les nuances propres à chaque secteur compliquent encore davantage la situation, ce qui nécessite des approches de traitement sur mesure.
C'est pourquoi les entreprises traditionnelles spécialisées dans la gestion des données de marché (MDM) s'appuient souvent sur de grandes équipes d'analystes effectuant des tâches manuelles, généralement basées dans des régions à faibles coûts, pour gérer et normaliser efficacement les données.
Dans le span de cinq ans, le utilisation L'utilisation de l'intelligence artificielle dans les processus métier a fondamentalement modifié Gestion des données de référence. Oui, il y a plusieurs problèmes comme des hallucinations et les difficultés inhérentes à l'entraînement d'un modèle d'IA à partir de données relatives à plusieurs fournisseurs, pièces et produits dans divers secteurs d'activité, mais la situation évolue rapidement.
Ces changements s'opèrent à un rythme si rapide qu'en l'espace d'une seule année, chez Verdantis, nous sommes passés d'un processus de nettoyage des données de référence entièrement manuel à un processus piloté par l'IA et validé par des humains.
Cela signifie que non seulement ce modèle garantit une normalisation des données bien plus efficace, mais qu’il apprend également en continu à gérer correctement chaque enregistrement de données de référence.
Quoi qu'il en soit, voici quelques défis liés à la normalisation des données, particulièrement gourmands en ressources, qui sont inhérents à la plupart des progiciels de gestion intégrés (ERP)
1. Identification des doublons – Identification des doublons de niveau 1 dans les fichiers de référence « Fournisseurs », « Clients » et « MRO » à l'aide de propriétés telles que la référence fabricant, le numéro d'identification fiscale (TIN) du fournisseur et les adresses e-mail des clients. Identification des doublons de niveau 2 à l'aide d'un score de confiance généré par l'IA.
2. Normalisation des données – Structurer du texte non formaté en champs clairs et prédéfinis afin d'obtenir des données normalisées, propres et prêtes à être automatisées. Par exemple : normaliser les noms d'entreprises ou les adresses de sites web selon un format standard unique, ou encore normaliser les unités de mesure des pièces détachées en une seule unité de mesure globale.
3. Extraction des attributs – Extraire les informations clés d’une fiche de référence donnée. Par exemple : extraire la ville du fournisseur à partir de l'adresse, extraire les caractéristiques des pièces à partir de la description du produit, etc.
Exemple : normalisation des données relatives aux pièces de rechange MRO au sein d'une entreprise industrielle internationale
Une entreprise industrielle internationale présente en Amérique du Nord, en Europe et en Asie compte plus de 300 000 fiches article, y compris les pièces de rechange MRO, provenant de milliers de fournisseurs. Au fil des ans, ces données ont été saisies par différentes équipes à travers les régions, chacune utilisant ses propres conventions de nommage, unités de mesure (par exemple, « mm » ou « pouces ») et langues. Une seule pièce, telle qu’une valve hydraulique pourrait être répertorié comme suit :
Vanne hydraulique 2 pouces en acier
Vanne hydraulique, 2 pouces
Vanne hydraulique de 2 pouces, en acier inoxydable
En l'absence de format ou de taxonomie standard, l'entreprise avait du mal à identifier les doublons, ce qui entraînait surpeuplement, dépenses non conformes, et retards dans la maintenance.
2. Systèmes disparates
Beaucoup pensent souvent que les entreprises utilisent généralement un seul système ERP et qu'une intégration avec ce système garantira donc une harmonie totale des opérations.
Ce n'est pourtant pas vraiment le cas : plusieurs entreprises utilisent en effet plusieurs systèmes ERP sources, notamment dans différentes zones géographiques, car chacun d'entre eux offre des avantages différents en fonction de la localisation, de la langue et des exigences systémiques.
De plus, il n'est pas rare que les entreprises prennent en charge à la fois les anciennes et les nouvelles versions d'un même système ERP ou EAM, ce qui aggrave encore le problème.
Étant donné que les données de référence de chacun de ces systèmes sources peuvent avoir été configurées différemment, la seule solution logique dans de tels cas consiste à intégrer toutes les bases de données dans un logiciel central de gestion des données de référence.
Exemple : Une entreprise internationale peut utiliser SAP en Europe, Oracle aux États-Unis et un outil développé en interne en Asie. En l'absence d'une gouvernance unifiée des données de référence, un même article pourrait être répertorié trois fois avec de légères variations, ce qui entraînerait des niveaux de stock inexacts, des retards dans les commandes et des erreurs dans les rapports financiers.
3. Gestion des données et caractère sensible des données
1. Conforme au RGPD – La gestion des données de référence, notamment celles relatives aux clients et aux prospects, peut s'avérer délicate compte tenu des législations régionales et nationales telles que la loi CAN-SPAM et le RGPD
2. Législation relative aux données – Les données clés, en particulier dans certains secteurs à forte intensité d'actifs, sont régies par des politiques spécifiques à chaque entreprise visant à prévenir le vol de données confidentielles
3. Données sensibles – Les fiches de données de référence de certains secteurs et de certaines entreprises sont particulièrement sensibles, comme dans le domaine de la défense, des organismes publics, etc., ce qui rend la gestion des données
La situation se complique encore davantage lorsqu'il faut regrouper des informations de première main provenant de plusieurs systèmes non-ERP, tels qu'un logiciel CRM, un logiciel tiers de gestion des actifs, des plateformes de données, etc.
Exemple : Mauvaise gestion des données sensibles des clients au sein d'une entreprise internationale de distribution
Une entreprise mondiale de distribution au détail roulé dehors les données clients dans l'ensemble de le régions où ils exploité mais a fait pas mettre le approprié contrôles d'accès dans lieu à le données. Pour exemple, sensible des champs tels que les préférences de désabonnement et l'historique des achats étaient tout accessible à plusieurs équipes. Par conséquent, un client européen ayant exercé son droit de retrait en vertu du RGPD terminé haut réception a marketing e-mail de leur Système américain, qui puis lancé une enquête de conformité. Le paiement fournisseur»s les coordonnées bancaires étaient les suivantes : actif dans services sans lien entre eux. Dans autre mots, là-bas était a absence de contrôle d'accès basé sur les rôles et de propriété des données, qui révélé réglementaires et principal risque interne.
4. Informations manquantes
En raison d'erreurs humaines ou d'un manque d'informations, certaines fiches de données de référence peuvent tout simplement ne pas contenir des informations ou des données qui auraient dû être obligatoires.
De nombreux autres enregistrements peuvent ne pas contenir d'informations sur des champs qui auraient pu être utiles, mais qui n'étaient pas obligatoires.
Cela signifie que, pour que ces données aient une utilité concrète, les enregistrements devraient être enrichis d'informations et de données pertinentes.
Tout comme la normalisation des données, ce processus exigeait également d'énormes ressources, entraînait des dépassements de coûts et était difficile à mettre en œuvre dans des délais serrés avant l'avènement de l'intelligence artificielle.
Nous vous invitons à visionner cette courte vidéo pour en savoir plus sur notre solution basée sur l'IA Enrichissement automatique par IA
Aujourd'hui, des modèles d'IA tels qu'Auto Enrich AI sont capables d'explorer et d'analyser de manière autonome le Web ouvert, de nombreuses bases de données de catalogues de fournisseurs ainsi que les données internes d'une entreprise, afin d'enrichir les enregistrements individuels à grande échelle.
5. Silos de données et problèmes d'intégration des systèmes
La plupart des entreprises se développent de manière organique, en se dotant progressivement de différents systèmes destinés à diverses fonctions : un CRM pour les ventes, un ERP pour les opérations, des outils spécialisés pour le marketing, etc. Chaque système devient alors un « silo » potentiel, contenant sa propre version des informations relatives aux clients, aux produits ou aux fournisseurs.
Le défi consiste à intégrer ces systèmes disparates afin de créer une vue unifiée des données sans perturber les processus métier existants. Dans un cas concret, une entreprise de télécommunications avec laquelle nous avons collaboré a découvert que ses clients figuraient dans sept systèmes différents, chacun contenant des coordonnées et des informations sur les services contradictoires. Cela a entraîné des efforts marketing redondants et une certaine confusion au sein du service client.
Exemple : les silos de données fournisseurs dans le secteur de l'industrie manufacturière
Une entreprise industrielle internationale utilisant différents systèmes ERP selon les régions disposait d'enregistrements fournisseurs fragmentés : les mêmes fournisseurs figuraient sous des noms, des coordonnées et des conditions différentes. Ce manque d'intégration entraînait des paiements en double, des retards d'approvisionnement et une mauvaise visibilité sur les performances des fournisseurs. L'absence d'une vue unifiée des données de référence a conduit à des inefficacités opérationnelles et à une augmentation des coûts.
Défis managériaux et stratégiques
On peut sans doute considérer qu'il s'agit là de certains des problèmes les plus difficiles à résoudre dans le domaine de la gestion des données mobiles (MDM). Ces problèmes découlent principalement de protocoles de gouvernance inadéquats, d'erreurs humaines inévitables et de l'absence de processus de validation clairement définis.
1. Gestion des données
Les entreprises en phase de croissance sont confrontées à des normes et protocoles de gestion des données insuffisants. L'idée même de mettre en place une procédure opérationnelle standard pour un sujet aussi élémentaire que les données relatives aux fournisseurs peut sembler étrange et rudimentaire.
Il s'agit toutefois d'une décision judicieuse, susceptible d'éviter des corrections de données répétitives et coûteuses.
Le processus commence toutefois par le haut : une organisation qui s'attache à prendre des décisions fondées sur les données mettra naturellement en œuvre la « gestion des données » de manière descendante et à tous les niveaux ; une organisation qui ne la considère que comme un simple élément d'une liste de contrôle risque bien davantage de se retrouver confrontée à un désastre lié à un progiciel de gestion intégré (ERP) dû à des problèmes de gestion des données.
Une fois définies, les solutions technologiques permettent d'assurer la gestion responsable des données en rendant obligatoire la saisie des données dans les champs obligatoires, en validant ces données et en convertissant les formats. et les unités de mesure en ensembles de données normalisés.
1. Taxonomies incohérentes
2. Fiches techniques contradictoires
3. Unités de mesure imprécises
2. Problèmes liés à la gouvernance et à la propriété
À qui « appartiennent » les données clients : au service marketing, au service commercial ou au service client ? Qui décide de la manière dont les informations sur les produits doivent être structurées : l'équipe de merchandising ou celle de la chaîne d'approvisionnement ?
Le défi consiste à mettre en place des cadres clairs de gouvernance des données qui définissent les responsabilités et instaurent une obligation de rendre compte en matière de qualité des données. Sans cette clarté, les initiatives de gestion des données échouent souvent, car aucune équipe ne se sent responsable de garantir l'exactitude et l'exhaustivité des données.
3. Adhésion de l'équipe opérationnelle
Il est facile pour les journalistes, les fournisseurs et les éditeurs de logiciels d'affirmer que « les données sont le nouveau pétrole ». Cependant, la réalité sur le terrain est que la plupart des équipes opérationnelles ont du mal à percevoir concrètement la valeur de données abondantes, pertinentes et complètes.
Bien que les avantages de données claires, fiables et cohérentes soient bien connus, les équipes opérationnelles ne sont généralement pas en mesure d'en appréhender la valeur dans son ensemble.
Les données de référence, en particulier dans les secteurs à forte intensité d'actifs, ont tendance à être omniprésentes dans toutes les fonctions de l'organisation et ont une incidence sur les équipes chargées de la maintenance, des achats, de la production, de la chaîne d'approvisionnement, des produits, des ventes et de la gestion de la demande.
Demander à chacun d'entre eux de saisir, de mettre à jour et d'assumer la responsabilité de ce qui semble être une tâche redondante et répétitive relève de la gageure. Recruter du personnel dédié à cette fin représente un investissement supplémentaire qui suscite la colère des équipes financières et des ressources humaines.
Cependant, la technologie étant aujourd’hui plus accessible à tous, les équipes opérationnelles prennent de plus en plus conscience de l’intérêt de constituer des ensembles de données fiables, pouvant être utilisés pour l’apprentissage automatique afin d’améliorer les résultats concrets. Les entreprises peuvent organiser de manière proactive des démonstrations, des discussions, des ateliers et présenter des exemples de réussite qui valident clairement l’intérêt d’investir dans une culture axée sur les données.
Malheureusement, il s'agit là d'un défi qui nécessite l'adhésion des dirigeants et des responsables, et aucune solution technologique ou logicielle ne peut l'accélérer ni le résoudre.
1. Alignement entre les équipes métier et informatiques
2. Calendrier de déploiement
3. Réticence au changement
4. Autorisations et examens
Les processus de validation et de révision sont essentiels pour garantir la qualité des données de référence, mais ils sont souvent à l'origine de goulots d'étranglement opérationnels et stratégiques. Les retards sont dus à un manque de clarté dans la répartition des rôles, à un manque de sens de l'urgence et à une responsabilité mal définie, en particulier lorsque des mises à jour critiques, telles que l'ajout de nouveaux fournisseurs ou la création d'articles, s'imposent.
En l'absence d'un cadre cohérent, les différentes unités opérationnelles gèrent les autorisations et les validations de manière hétérogène, ce qui entraîne une qualité des données inégale et affaiblit la gouvernance d'entreprise. De plus, l'absence de pistes d'audit, de documentation et de clarté quant aux rôles accroît les risques liés à la conformité et réduit la visibilité sur l'identité des personnes ayant approuvé les modifications et les raisons de ces approbations.
Pour surmonter ces difficultés, les organisations doivent adopter des flux de travail standardisés et automatisés qui garantissent le respect des règles métier et assurent la traçabilité. Lorsque la gouvernance des données de référence est intégrée à un système centralisé, elle permet de mettre en place des processus traçables, avec des révisions et des validations cohérentes et rapides dans tous les services.
Ces solutions permettent non seulement de rationaliser la prise de décision, mais aussi d'améliorer la précision des données et la conformité réglementaire. Les outils logiciels spécialement conçus pour la gouvernance des données de référence y contribuent en favorisant une gestion structurée, la traçabilité et la transparence, éléments essentiels pour obtenir des données fiables et de haute qualité à grande échelle.
5. Efficacité des données de référence multi-domaines
Comme nous l'avons vu précédemment, la gestion centralisée des données de référence contribue à l'optimisation des processus et à l'efficacité au sein des différentes équipes, et la valeur qu'elle apporte, même dans un contexte de silos, est incontestable.
Toutefois, pour générer une valeur réelle et concrète grâce à des données de référence propres, son efficacité réside dans la fusion des informations disponibles dans plusieurs domaines liés aux données de référence.
Malheureusement, très peu d'entreprises disposent des moyens nécessaires pour exploiter pleinement les données de référence dans l'ensemble de leurs fonctions métier, tandis que la plupart d'entre elles n'appliquent ces pratiques que dans quelques domaines spécifiques, tels que les achats, la chaîne d'approvisionnement ou la gestion des fournisseurs.
Voici quelques-unes des principales difficultés rencontrées dans le domaine de la gestion des données de référence. Nous avons répertorié ci-dessous d'autres éléments afin de dresser une liste plus exhaustive des défis auxquels les entreprises sont généralement confrontées.
Comment surmonter ces difficultés
Commencez modestement et développez-vous de manière stratégique
Plutôt que de tenter de mettre en œuvre le MDM à l'échelle de l'entreprise d'un seul coup, envisagez plutôt :
- En commençant par un domaine de données essentiel (comme les données clients ou les données produits)
- Se concentrer sur les processus métier à fort impact
- Démontrer la valeur ajoutée avant de se développer
Investir dans des outils et des processus liés à la qualité des données
Les plateformes modernes de gestion des données offrent des fonctionnalités puissantes pour :
Déduplication automatisée
Normalisation des formats et des valeurs
Enrichissement des données à partir de sources fiables
Suivi continu de la qualité des données
Mettre en place des structures de gouvernance claires
Pour être efficace, la gestion des appareils mobiles (MDM) nécessite :
- Rôles et responsabilités clairement définis en matière de propriété des données
- Des procédures claires concernant les modifications et les mises à jour des données
- Contrôles réguliers de la qualité des données
- Comités interfonctionnels de gouvernance des données
Trouver le juste équilibre entre les avancées technologiques et l'amélioration des processus
N'oubliez pas que la gestion des appareils mobiles (MDM) ne se résume pas à un simple défi technologique :
- La technologie permet une meilleure gestion des données
- Mais ce sont les processus et les personnes qui déterminent la réussite
- La formation et la gestion du changement sont des éléments essentiels
Lier la gestion des appareils mobiles (MDM) aux résultats de l'entreprise
Les initiatives MDM les plus fructueuses sont directement liées aux objectifs de l'entreprise :
- Amélioration de l'expérience client
- Un marketing plus efficace
- Amélioration de l'efficacité opérationnelle
- Meilleure conformité réglementaire
- Des rapports et des analyses plus précis
Conclusion : la voie à suivre
Les défis liés à la gestion des données de référence peut être complexe. Cela a déclaré, ils sont pas impossible à surmonter. Si votre organisation prend a stratégique approche à MDM (gouvernance, technologie et orientation vers les résultats commerciaux), puis toi peut convertir données provenant d'un fardeau pour en faire un avantage concurrentiel.
La gestion des données de référence (MDM) est indispensable pour toute entreprise qui traite des données. Et ce, malgré les défis courants liés à la gestion des données de référence. Cependant, si vous savait quoi défis vous pourriez être confronté à dans le processus de mise en œuvre, toi serait capable à identifier et empêcher ceux-là problèmes avant qu'ils tour des problèmes.
Dans un environnement que entend données renvoyé à comme ‘le nouveau pétrole‘, MDM va être la raffinerie rotation le brut données en une activité lucrative informations. Par apprentissage À propos de, et s'attaquer à le ci-dessous défis, organisations va sculpter dehors a effacer chemin donc ils peut optimiser le valeur de leurs données à faire mieux, des décisions prises avec davantage d'assurance.
Le souvent–difficile voyage vers une gestion efficace des données de référence est a intéressant s'efforcer pour les organisations qui surmonter leur défis et se rendre compte plus clair données, plus allégé opérations, et plus grand observance à initiatives de transformation numérique.
Les défis liés à la gestion des données de référence peut être complexe. Cela a déclaré, ils sont pas impossible à surmonter. Si votre organisation prend a stratégique approche à MDM (gouvernance, technologie et orientation vers les résultats commerciaux), puis toi peut convertir données provenant d'un fardeau pour en faire un avantage concurrentiel.
La gestion des données de référence (MDM) est indispensable pour toute entreprise qui traite des données. Et ce, malgré les défis courants liés à la gestion des données de référence. Cependant, si vous savait quoi défis vous pourriez être confronté à dans le processus de mise en œuvre, toi serait capable à identifier et empêcher ceux-là problèmes avant qu'ils tour des problèmes.
Dans un environnement que entend données renvoyé à comme ‘le nouveau pétrole‘, MDM va être la raffinerie rotation le brut données en une activité lucrative informations. Par apprentissage À propos de, et s'attaquer à le ci-dessous défis, organisations va sculpter dehors a effacer chemin donc ils peut optimiser le valeur de leurs données à faire mieux, des décisions prises avec davantage d'assurance.
Le souvent–difficile voyage vers une gestion efficace des données de référence est a intéressant s'efforcer pour les organisations qui surmonter leur défis et se rendre compte plus clair données, plus allégé opérations, et plus grand observance à initiatives de transformation numérique.
