Self-service BI et qualité des données : où placer le curseur ?

En self-service BI, le niveau de qualité des données exigé dépend de la portée du chiffre produit. Une analyse exploratoire qui reste dans l'équipe peut partir de données brutes. Un indicateur partagé entre équipes exige des jeux de données préparés et une règle de calcul commune. Un chiffre présenté en comité exige une donnée certifiée, contrôlée, avec un responsable nommé.

Le self-service BI pose la question de la qualité des données dans des termes nouveaux. Tant que les tableaux de bord étaient produits par une équipe centrale, la qualité se traitait en amont, une seule fois, par des spécialistes. Dès que les métiers construisent leurs propres analyses, chaque utilisateur devient producteur de chiffres. Chaque chiffre produit porte alors une exigence de qualité que personne n'a formulée.

Face à ce constat, deux réflexes dominent. Le premier consiste à tout verrouiller : aucun rapport n'est publié sans validation de l'équipe data, aucune source n'est accessible sans avoir été contrôlée. Le second consiste à tout ouvrir en comptant sur le discernement des utilisateurs. Le premier réflexe recrée la file d'attente que le self-service BI devait supprimer. Le second produit des chiffres contradictoires en quelques semaines.

Les deux réflexes reposent sur la même idée reçue : il existerait un niveau de qualité unique, valable pour toute la plateforme. Dans les faits, un croisement rapide pour tester une hypothèse et le chiffre d'affaires présenté au comité de direction n'ont pas les mêmes besoins. Leur appliquer la même exigence revient à surprotéger l'un ou à sous-protéger l'autre.

Le niveau de qualité ne se fixe donc pas pour l'ensemble de la plateforme. Il se fixe chiffre par chiffre, selon ce que le chiffre va devenir : rester dans une équipe, circuler entre plusieurs directions, ou fonder une décision qui engage l'organisation. Ce critère permet de déterminer où la qualité doit être garantie, par qui, et à quel moment un chiffre change de statut.

Pourquoi la qualité des données devient le premier problème du self-service BI ? 

La qualité des données ne se dégrade pas du seul fait du self-service BI. Ce qui change, c'est le nombre de personnes qui transforment les données et la vitesse à laquelle leurs résultats circulent dans l'organisation.

Le self-service BI multiplie les chiffres produits, pas les contrôles

Dans un modèle centralisé, un indicateur passait par plusieurs étapes avant d'être diffusé : une spécification, un développement, une recette. Chacune de ces étapes permettait de repérer un doublon, un filtre oublié ou une jointure mal construite. Le contrôle était lent, mais il existait.

Le self-service BI supprime ces étapes pour gagner en réactivité. L'utilisateur se connecte à une source, applique ses filtres, construit sa mesure et publie son rapport. Le gain de temps est réel, mais les contrôles qui accompagnaient chaque étape disparaissent avec elle. Rien ne les remplace automatiquement.

Les défauts qui en résultent sont rarement spectaculaires. Ils tiennent à des choix de construction que l'utilisateur fait seul, souvent sans savoir qu'il les fait :

• Un périmètre implicite : le chiffre d'affaires est calculé avec ou sans les avoirs, avec ou sans les filiales, selon la source choisie. Ce choix n'est précisé nulle part dans le rapport.
• Une jointure qui duplique des lignes : un client rattaché à deux commerciaux est compté deux fois. Le total paraît plausible, alors qu'il est faux.
• Une source figée : un extrait téléchargé il y a trois mois continue d'alimenter un rapport consulté chaque semaine.
• Un filtre oublié : les commandes annulées ou les comptes de test restent dans le calcul.
• Une règle de gestion réinventée : la définition d'un client actif varie d'une équipe à l'autre, parce que chacune l'a reconstruite à partir de sa propre compréhension du métier.

Aucun de ces défauts ne tient à un manque de compétence. Ils tiennent à l'absence d'une règle commune au moment où le chiffre est construit.

Un défaut de qualité en self-service BI se propage sans être détecté

Dans une chaîne centralisée, un défaut de qualité finit généralement par être repéré, parce qu'une équipe est chargée de répondre des chiffres. En self-service BI, le même défaut peut durer longtemps. Le rapport est d'abord consulté par ceux qui l'ont construit, puis partagé, puis copié par une autre équipe qui en reprend la logique de calcul.

Le problème apparaît souvent en comité, quand deux directions présentent deux valeurs différentes pour un même indicateur. La discussion porte alors sur l'origine des chiffres, et la décision est reportée. Le coût réel du défaut n'est pas l'erreur elle-même : c'est la perte de confiance dans l'ensemble des chiffres produits en libre-service.

Cette perte de confiance a un effet direct sur les usages. Les utilisateurs recommencent à demander des extractions à l'équipe data, ou reconstruisent leurs propres fichiers pour vérifier ce que la plateforme affiche. Le self-service BI continue d'exister dans les licences et les espaces de travail, mais les décisions se prennent à partir d'autres chiffres.

Exiger la même qualité des données partout bloque le self-service BI

La réponse intuitive aux défauts de qualité consiste à élever l'exigence sur toute la plateforme : n'ouvrir que des sources contrôlées, soumettre chaque publication à validation, documenter chaque mesure. Cette réponse protège les chiffres critiques, mais son coût est presque toujours sous-estimé.

Une exigence uniforme produit trois effets qui vont à l'encontre des objectifs du self-service BI :

• La file d'attente revient : chaque nouvelle analyse attend une validation, et l'équipe data redevient le passage obligé de toute demande.
• L'exploration disparaît : les questions ponctuelles, qui n'ont pas besoin d'un chiffre certifié, ne sont plus traitées, faute de source ouverte.
• Les fichiers parallèles se multiplient : les métiers contournent la plateforme avec des extractions locales, où aucun contrôle n'existe plus.

Une exigence de qualité trop haute ne supprime pas les chiffres non contrôlés, elle les fait sortir de la plateforme. L'enjeu porte donc sur la répartition de l'exigence entre les usages, plus que sur son niveau.

Le critère qui place le curseur de qualité : la portée du chiffre

La portée d'un chiffre désigne le nombre de personnes qui s'appuient sur lui et le poids des décisions qu'il déclenche. C'est le critère le plus fiable pour fixer le niveau de qualité des données exigé en self-service BI, parce qu'il mesure directement les conséquences d'une erreur.

Qui lit le chiffre, et quelle décision déclenche-t-il ?

Deux questions permettent d'évaluer la portée d'un chiffre. La première porte sur son audience : le chiffre reste-t-il dans l'équipe qui l'a produit, circule-t-il entre plusieurs équipes, ou remonte-t-il jusqu'à la direction ? La seconde porte sur son usage : sert-il à explorer une piste, à suivre une activité, ou à arbitrer un budget, une priorité, un engagement externe ?

Plus l'audience s'élargit et plus la décision engage l'organisation, plus l'exigence de qualité doit monter. Un chiffre lu par trois personnes pour tester une hypothèse peut tolérer une marge d'erreur qu'un chiffre présenté au comité exécutif ne tolère pas. Ce principe vaut pour un simple ratio comme pour un indicateur clé de performance suivi depuis des années.

Quatre situations courantes montrent l'écart de portée entre des chiffres construits avec le même outil :

• Une analyse de saisonnalité ponctuelle : un chef de produit croise ses ventes par semaine pour vérifier une intuition. Le résultat reste dans son équipe.
• Un suivi hebdomadaire d'équipe : un responsable commercial suit le taux de transformation de ses équipes. Le chiffre est lu chaque semaine par une dizaine de personnes.
• Un indicateur de direction : la marge par canal est présentée chaque mois en comité. Elle conditionne des arbitrages d'investissement.
• Un chiffre transmis à l'extérieur : un volume déclaré à un régulateur ou à un financeur engage la responsabilité de l'organisation.

Ces quatre chiffres peuvent être produits dans le même outil de BI, par des personnes de même niveau. Ils n'appellent pas la même qualité de données, et les traiter de la même façon conduit soit à ralentir les deux premiers, soit à fragiliser les deux derniers.

Pourquoi le profil de l'utilisateur est un mauvais critère

Beaucoup d'organisations règlent la question de la qualité par les droits d'accès : les analystes confirmés accèdent aux sources brutes, les autres utilisateurs n'accèdent qu'aux jeux de données préparés. Le raisonnement paraît logique, mais il confond la compétence de l'utilisateur et la portée du chiffre.

Un analyste expérimenté peut produire un chiffre faux s'il ignore une règle de gestion propre à un autre métier. À l'inverse, un utilisateur débutant qui explore des données brutes pour préparer une question ne fait courir aucun risque tant que son résultat reste dans son équipe. Le risque dépend moins de la personne qui construit le chiffre que du public auquel le chiffre est diffusé.

Les droits d'accès restent indispensables pour la sécurité et la confidentialité. Ils ne suffisent pas à garantir la qualité, parce qu'ils interviennent avant la construction du chiffre, alors que le risque apparaît au moment de sa diffusion. Les conditions de succès du self-service BI ne se limitent d'ailleurs jamais à une politique d'accès.

Trois zones de qualité des données pour organiser le self-service BI

Croiser l'audience et l'usage conduit à distinguer trois zones. Chacune correspond à un niveau de qualité des données, à un type de source et à une responsabilité différente.

Les trois zones se définissent ainsi :

• La zone libre : elle couvre l'exploration individuelle ou en petite équipe. Les chiffres ne sont pas diffusés au-delà de ceux qui les ont produits.
• La zone encadrée : elle couvre les indicateurs de suivi partagés au sein d'une direction. Ils reposent sur des jeux de données préparés et des règles de calcul communes.
• La zone certifiée : elle couvre les chiffres de référence, présentés en comité ou transmis à l'extérieur. Ils sont contrôlés, documentés et rattachés à un responsable.

La répartition ne se fait ni par outil ni par équipe. Un même utilisateur travaille dans les trois zones au cours d'une même semaine, et un même rapport peut contenir une mesure certifiée et une mesure exploratoire, à condition que la différence soit affichée au lecteur.

Les trois zones s'emboîtent : chacune reprend les exigences de la zone plus large et en ajoute de nouvelles, à mesure que le nombre de lecteurs et le poids des décisions augmentent.

Quel niveau de qualité des données exiger dans chaque zone du self-service BI ?

Chaque zone du self-service BI appelle des exigences précises sur la qualité des données : le type de source autorisé, les contrôles attendus, la documentation, et la personne qui répond du chiffre.

Zone libre : explorer sur des données brutes, sans diffuser

La zone libre sert à poser des questions, pas à y répondre de façon définitive. Un utilisateur y teste une intuition, repère une anomalie, prépare une demande plus structurée. La qualité des données exigée y est volontairement faible : des sources brutes, des extractions et des fichiers personnels peuvent y être croisés.

La contrepartie tient en une règle : un chiffre produit en zone libre ne quitte pas la zone libre. Il n'apparaît ni dans un support de comité, ni dans un rapport partagé, ni dans un courriel adressé à une autre direction.

Pour que cette règle soit respectée, la zone libre a besoin de quelques garde-fous légers :

• Un espace de travail identifié : les analyses exploratoires sont rangées dans un espace distinct, dont le nom indique clairement le statut.
• Une durée de vie limitée : les rapports non consultés depuis plusieurs mois sont archivés, pour éviter qu'une analyse ancienne soit reprise comme une référence.
• Aucune publication directe : le partage vers une audience large passe obligatoirement par la zone encadrée.
• Un accès maîtrisé aux données sensibles : la liberté d'exploration ne lève ni les règles de confidentialité ni les obligations du RGPD.

Ces garde-fous ne contrôlent pas la justesse des chiffres. Ils contrôlent leur circulation, ce qui suffit tant que les chiffres restent exploratoires.

Zone encadrée : des jeux de données préparés et des règles partagées

La zone encadrée couvre l'essentiel du self-service BI utile au quotidien : les indicateurs de suivi qu'une équipe ou une direction consulte régulièrement. Les utilisateurs y construisent librement leurs rapports, à partir de jeux de données préparés par l'équipe data ou par un référent métier.

La qualité des données y est garantie à la source plutôt qu'au niveau de chaque rapport. Les jointures, les filtres de périmètre et les règles de gestion sont appliqués une fois dans le jeu de données. L'utilisateur n'a plus à les reconstruire, et il garde la liberté de la mise en forme, du découpage et de l'analyse.

Les exigences de qualité propres à la zone encadrée portent sur la préparation des données plus que sur les rapports :

• Des jeux de données documentés : chaque jeu de données indique sa source, sa fréquence de mise à jour, son périmètre et les règles appliquées.
• Des mesures communes : les indicateurs les plus utilisés sont définis une fois dans le modèle, et non recalculés dans chaque rapport.
• Des contrôles automatiques de base : la complétude, les doublons et la date de dernière mise à jour sont vérifiés à chaque chargement. Un échec est signalé à l'équipe qui maintient le jeu de données.
• Un référent par jeu de données : un Data Steward ou un référent métier répond aux questions des utilisateurs et arbitre les demandes d'évolution.

Le choix des contrôles suit la même logique que pour toute démarche de qualité : il s'agit de mesurer la qualité des données sur ce qui compte pour les usages, pas sur tout ce qui est mesurable. La zone encadrée ne demande pas de valider chaque rapport. Elle demande de fiabiliser ce que les rapports consomment, ce qui coûte beaucoup moins cher et couvre beaucoup plus d'usages.

Zone certifiée : des chiffres contrôlés et un responsable nommé

La zone certifiée regroupe un nombre limité de chiffres : ceux qui fondent les arbitrages de direction et ceux qui sortent de l'organisation. Pour ces chiffres, le self-service BI ne change rien à l'exigence de départ : la qualité des données doit pouvoir être démontrée, pas seulement supposée.

Un chiffre certifié n'est pas un chiffre plus complexe. C'est un chiffre dont la définition est écrite et validée, dont le calcul est contrôlé à chaque mise à jour, et dont un Data Owner accepte de répondre. Sans responsable nommé, la certification se réduit à une étiquette.

Les exigences de la zone certifiée sont plus lourdes que celles des autres zones, et c'est pour cette raison qu'elles doivent rester réservées à peu de chiffres :

• Une définition validée par le métier : le périmètre, la formule et les exclusions sont écrits et approuvés par le responsable du domaine.
• Des seuils de contrôle explicites : un taux de complétude minimal, une tolérance d'écart avec la source comptable, un délai maximal de mise à jour. Au-delà de ces seuils, le chiffre est signalé comme non fiable.
• Une traçabilité de bout en bout : le lignage des données permet de remonter de l'indicateur affiché jusqu'aux systèmes sources.
• Une modification encadrée : toute évolution de la définition passe par le responsable et reçoit une date de prise d'effet, pour que les comparaisons dans le temps restent justes.
• Une restitution unique : le chiffre certifié est lu depuis une seule source dans tous les rapports qui l'utilisent.

Un indicateur certifié se reconnaît à cette dernière propriété : quel que soit le rapport où il est consulté, il affiche la même valeur.

Les exigences des trois zones se comparent critère par critère. Cette lecture croisée permet de vérifier, pour un chiffre donné, s'il est traité au niveau de qualité qui correspond à sa portée.

Comment faire passer un chiffre d'une zone de qualité à l'autre ?

Le self-service BI évolue en permanence : un chiffre exploratoire devient parfois un indicateur de suivi, et un indicateur de suivi devient parfois un chiffre de référence. Le passage d'une zone de qualité à l'autre doit être prévu, sinon il se produit sans que personne ne l'ait décidé.

Les signaux qui justifient une montée en qualité des données

La plupart des chiffres changent d'usage sans changer de statut. Une analyse exploratoire est copiée dans un support de réunion, puis reprise chaque mois, puis citée par la direction. À aucun moment quelqu'un n'a vérifié si la qualité des données qui l'alimentent correspondait à ce nouvel usage.

Certains signaux, faciles à observer, indiquent qu'un chiffre a dépassé sa zone et doit monter en exigence :

• Le chiffre est consulté par une autre équipe : son audience s'élargit au-delà de ceux qui en connaissent les limites.
• Le chiffre revient à intervalle régulier : une analyse ponctuelle reprise chaque semaine est, de fait, un indicateur de suivi.
• Le chiffre entre dans un support de décision : comité, revue budgétaire, présentation à un client ou à un partenaire.
• Le chiffre est contesté : deux équipes obtiennent des valeurs différentes pour ce qu'elles considèrent comme le même indicateur.
• Le chiffre est recopié ailleurs : d'autres rapports reprennent sa logique de calcul au lieu de se connecter à lui.

Un seul de ces signaux justifie d'examiner le chiffre. Plusieurs signaux réunis justifient de le faire passer dans la zone supérieure.

Le circuit de certification d'un indicateur en self-service BI

Faire monter un chiffre en zone certifiée ne demande pas un projet. Cela demande un circuit court, connu de tous les utilisateurs, avec des étapes fixes et un responsable à chaque étape.

Un circuit de certification efficace se déroule en cinq étapes :

• La demande : un utilisateur ou un responsable signale qu'un chiffre est utilisé au-delà de sa zone.
• La définition : le responsable du domaine écrit la définition du chiffre, avec son périmètre, sa formule et ses exclusions. S'il existe plusieurs versions concurrentes, il tranche entre elles.
• La reconstruction : l'équipe data intègre la définition dans le modèle partagé et met en place les contrôles de qualité adaptés.
• La validation : le responsable compare le résultat avec une valeur de référence connue, par exemple un montant comptable, avant d'accepter la certification.
• La bascule : les rapports existants sont reconnectés à la version certifiée, et les copies locales sont retirées ou signalées comme obsolètes.

‍La dernière étape est la plus souvent oubliée, alors que c'est elle qui supprime réellement les chiffres concurrents. Certifier une version sans retirer les autres ne fait qu'ajouter une version de plus.

Rendre le niveau de qualité visible dans chaque rapport

Un utilisateur qui lit un rapport ne sait pas, en général, de quelle zone proviennent les chiffres affichés. Il accorde la même confiance à une mesure certifiée et à un calcul exploratoire, parce que rien ne les distingue à l'écran.

Afficher le statut de la donnée règle une grande partie du problème. Un lecteur informé qu'un chiffre est exploratoire ne le présente pas en comité.

Plusieurs moyens simples permettent d'afficher ce statut :

• Un marquage des jeux de données : la plupart des outils de BI permettent de signaler un jeu de données comme promu ou certifié. Ce marquage n'a de valeur que s'il suit le circuit de certification.
• Une mention dans le rapport : un bandeau ou une note précise la zone, la source et la date de mise à jour.
• Un catalogue consultable : un catalogue de données recense les indicateurs certifiés, leur définition et leur responsable.
• Une convention constante : le même code est utilisé dans tous les rapports, pour que le lecteur n'ait pas à le réapprendre d'un rapport à l'autre.

Les erreurs qui placent le curseur de qualité au mauvais endroit

Les erreurs de placement du curseur ont un point commun : elles règlent la qualité des données du self-service BI pour l'ensemble de la plateforme, ou une fois pour toutes, au lieu de la régler chiffre par chiffre et dans la durée.

Certifier par défaut tout ce qui est publié

Certaines organisations décident que tout rapport publié sur la plateforme partagée doit être certifié. L'intention est compréhensible, et le résultat se répète d'une organisation à l'autre : l'équipe chargée de la certification est submergée, les délais s'allongent, et la certification finit par être accordée sans vérification réelle.

Une certification accordée à tout perd sa valeur pour les chiffres qui en ont vraiment besoin. Le nombre de chiffres certifiés doit rester limité, pour que chaque certification corresponde à un contrôle effectif et à un responsable disponible.

Laisser des chiffres exploratoires circuler en comité

L'erreur inverse est plus fréquente. Aucune règle n'interdit qu'une analyse de la zone libre soit copiée dans un support de décision, et c'est précisément ce qui se produit quand un chiffre est demandé en urgence.

Le chiffre exploratoire n'est pas forcément faux. Personne n'a pourtant vérifié son périmètre, ses filtres ni ses sources, et il arrive en comité avec la même apparence qu'un chiffre certifié. Quand une autre direction présente une valeur différente, la réunion se consacre à la réconciliation des chiffres au lieu de la décision.

La parade tient à une règle écrite et connue de tous : tout chiffre présenté en comité provient de la zone certifiée, ou est signalé comme provisoire.

Confier la qualité des données à l'outil de BI

Les outils de BI proposent des fonctions de certification, de traçabilité et d'alerte. Ces fonctions sont utiles, mais elles n'appliquent que les règles qu'on leur donne. Un jeu de données peut être marqué comme certifié dans l'outil sans qu'aucune définition n'ait été validée ni aucun responsable désigné.

La qualité des données en self-service BI se joue en grande partie en amont de l'outil de restitution : dans la préparation des données, dans les règles de gestion, dans la désignation des responsables. Les choix d'architecture data pour la BI, l'IA et le self-service conditionnent aussi la possibilité de préparer des jeux de données partagés. L'outil affiche le niveau de qualité, il ne le produit pas.

Fixer la position du curseur une fois pour toutes

Les usages du self-service BI évoluent. Une nouvelle direction adopte la plateforme, un indicateur de suivi devient une obligation réglementaire, un chiffre de référence cesse d'être présenté en comité. Une répartition des zones décidée au lancement ne correspond plus aux usages réels au bout de quelques trimestres.

Une revue périodique des chiffres de chaque zone évite ce décalage. Elle porte sur quelques points précis :

• Les chiffres certifiés encore utilisés : un indicateur que plus personne ne consulte peut redescendre en zone encadrée, ce qui libère du temps de contrôle.
• Les chiffres encadrés devenus critiques : ceux qui présentent plusieurs signaux de montée en qualité sont inscrits au circuit de certification.
• Les espaces exploratoires : les analyses anciennes sont archivées, et celles qui sont devenues des suivis réguliers sont transférées en zone encadrée.

Cette revue tient en une réunion par semestre avec les responsables de domaine. Elle garde le nombre de chiffres certifiés proportionné aux besoins de décision.

Self-service BI et qualité des données : trois décisions à prendre avant d'ouvrir un périmètre

Placer le curseur de qualité ne relève pas d'un réglage technique. Il s'agit de décisions d'organisation, à prendre avant qu'un nouveau domaine de données soit ouvert en self-service BI, et à revoir lorsque les usages évoluent.

Trois décisions structurent ce placement :

• Décider quels chiffres relèvent de la zone certifiée : établir la liste courte des indicateurs qui fondent les arbitrages de direction ou sortent de l'organisation, et désigner pour chacun un responsable métier.
• Décider ce que la zone encadrée met à disposition : choisir les jeux de données préparés qui couvrent la majorité des besoins de suivi, avec leurs mesures communes et leurs contrôles automatiques.
• Décider des règles de circulation : écrire ce qu'un chiffre exploratoire peut faire et ne pas faire, et fixer le circuit par lequel un chiffre change de zone.

Ces trois décisions ne demandent pas d'investissement technique majeur. Elles demandent qu'un responsable accepte de trancher, et que la règle soit connue de tous les utilisateurs de la plateforme.

Le self-service BI tient ses promesses lorsque chaque utilisateur sait, pour chaque chiffre qu'il lit ou qu'il produit, quel niveau de qualité il peut en attendre.