La donnée devient dangereuse quand elle cesse d’avoir un propriétaire

Une donnée n’est pas fiable parce qu’elle est stockée dans un outil moderne, visible dans un tableau de bord ou intégrée à une plateforme présentée comme « intelligente ». Elle devient fiable lorsqu’une responsabilité claire existe sur sa définition, sa production, sa qualité, son usage et sa correction.

C’est là que beaucoup d’organisations se trompent.

Elles investissent dans des data lakes, des catalogues, des plateformes analytiques, des outils de visualisation et, désormais, dans l’intelligence artificielle. Elles modernisent les infrastructures, recrutent des data analysts, créent parfois des fonctions de Chief Data Officer. Pourtant, au moment de prendre une décision, les mêmes questions reviennent :

Quel chiffre est le bon ?
Pourquoi le commerce et la finance ne trouvent-ils pas le même résultat ?
Pourquoi cet indicateur a-t-il changé depuis le mois dernier ?
Qui peut expliquer sa définition ?
Qui est responsable de sa correction ?

Lorsque personne ne peut répondre clairement, le problème n’est pas d’abord technique. Il est managérial.

Une donnée sans propriétaire devient une zone grise

Prenons un indicateur apparemment simple : le nombre de clients actifs.

Pour la direction commerciale, il peut s’agir de tout client ayant passé une commande au cours des douze derniers mois. Pour la finance, seuls les clients ayant généré un chiffre d’affaires encaissé peuvent être retenus. Pour le marketing, un client actif est parfois un contact ayant interagi récemment avec la marque. Pour le service client, il peut s’agir d’un compte disposant d’un contrat en cours.

Le mot est identique. Le chiffre ne l’est pas.

Si aucune autorité métier n’a défini ce que signifie précisément « client actif », chacun produit une version cohérente avec son propre besoin. Les équipes ne mentent pas. Les outils ne dysfonctionnent pas nécessairement. Mais l’organisation ne parle plus le même langage.

Le tableau de bord devient alors une négociation permanente.

La réunion ne porte plus sur la décision à prendre, mais sur la légitimité des chiffres présentés. Les participants débattent des périmètres, des exclusions, des dates de référence et des retraitements manuels. La donnée, censée éclairer l’action, ralentit la décision.

Dans certains cas, elle finit même par servir d’arme politique. Chacun choisit la version qui soutient le mieux sa position.

Stocker une donnée ne signifie pas la gouverner

La gouvernance des données est souvent abordée par l’outil.

On commence par acheter un catalogue, définir une architecture, documenter des flux ou déployer une plateforme de qualité des données. Ces éléments peuvent être utiles. Ils deviennent même indispensables à grande échelle.

Mais ils ne règlent rien si les responsabilités restent floues.

Un catalogue peut indiquer où se trouve une donnée. Il ne décide pas qui a autorité pour la définir.

Une plateforme peut détecter une anomalie. Elle ne tranche pas entre deux règles métier contradictoires.

Un tableau de bord peut afficher un indicateur en temps réel. Il ne garantit pas que cet indicateur mesure réellement ce que l’entreprise croit mesurer.

La gouvernance commence donc par des questions simples, parfois inconfortables :

Qui définit cette donnée ?
Qui en est responsable côté métier ?
Qui contrôle sa qualité ?
Qui peut la modifier ?
Quelle source fait foi ?
Quelle fréquence de mise à jour est acceptable ?
Quels usages sont autorisés ?
Qui doit agir lorsqu’une anomalie est détectée ?
Dans quel délai la correction doit-elle intervenir ?
Quelles conséquences une erreur peut-elle provoquer ?

Ces questions semblent élémentaires. Pourtant, elles sont rarement traitées jusqu’au bout.

Le propriétaire de la donnée n’est pas nécessairement l’informatique

L’une des erreurs les plus fréquentes consiste à attribuer implicitement la responsabilité de la donnée à la DSI, simplement parce que celle-ci administre les systèmes qui la transportent ou la stockent.

La DSI peut garantir la disponibilité d’une base, la sécurité des accès, la traçabilité d’un flux ou la robustesse d’une infrastructure. Elle peut mettre en place des contrôles, automatiser des rapprochements et détecter des incohérences.

Mais elle ne peut pas décider seule de ce qu’est un client actif, une marge consolidée, un délai de traitement acceptable, un dossier complet ou un fournisseur stratégique.

Ces définitions appartiennent aux métiers.

Le propriétaire d’une donnée doit donc être légitime pour arbitrer son sens, son périmètre et son usage. Il doit également être en mesure d’assumer les conséquences de ces choix.

La gouvernance efficace repose généralement sur une répartition claire :

Le métier définit la donnée et en assume la pertinence.
La DSI garantit les mécanismes de collecte, de circulation, de stockage et de protection.
Les équipes data assurent la cohérence, la documentation, la mesure de qualité et la mise à disposition.
Les fonctions de conformité, de sécurité ou juridiques encadrent les usages sensibles.
Le management arbitre lorsque les responsabilités se chevauchent ou que les intérêts divergent.

Sans cette répartition, chacun pense que le sujet appartient à un autre.

Une donnée incorrecte ne reste jamais abstraite

Les erreurs de données sont souvent présentées comme des incidents techniques. En réalité, elles produisent des conséquences très concrètes.

Une mauvaise donnée peut conduire à commander trop de stock ou pas assez. Elle peut fausser une prévision de trésorerie, dégrader un calcul de marge, masquer un risque fournisseur, retarder une prise en charge client ou orienter un investissement vers le mauvais projet.

Dans un environnement réglementé, elle peut également entraîner une déclaration incorrecte, une rupture de conformité ou l’impossibilité de démontrer comment une décision a été prise.

Le danger augmente encore lorsque la donnée circule entre plusieurs systèmes. Une erreur saisie à l’origine peut être copiée, enrichie, agrégée puis diffusée dans des dizaines de rapports. Plus elle se propage, plus elle devient difficile à identifier.

Elle acquiert progressivement une apparence de vérité.

Parce qu’elle figure dans plusieurs tableaux, elle semble confirmée. Pourtant, toutes ces représentations peuvent provenir de la même source erronée.

La multiplication des usages ne valide pas une donnée. Elle amplifie simplement ses effets.

L’intelligence artificielle accélère aussi les erreurs

L’intelligence artificielle rend cette question encore plus critique.

Une IA ne transforme pas spontanément une donnée confuse en vérité exploitable. Elle apprend, calcule ou répond à partir des éléments qu’on lui fournit. Si ces éléments sont incomplets, contradictoires, biaisés ou obsolètes, elle accélère l’erreur au lieu de créer de la valeur.

Une organisation peut ainsi automatiser à grande échelle une règle qui n’a jamais été correctement définie.

Elle peut construire un modèle prédictif sur des historiques incohérents. Elle peut alimenter un assistant génératif avec des documents non validés. Elle peut produire des recommandations convaincantes à partir de référentiels divergents.

Le résultat peut sembler sophistiqué, fluide et crédible. C’est précisément ce qui le rend dangereux.

L’IA augmente la vitesse, la portée et parfois l’opacité de la décision. Elle oblige donc les organisations à renforcer la gouvernance en amont.

Avant de demander ce qu’un modèle peut faire, il faut savoir :

Quelles données l’alimentent ?
Qui les a validées ?
À quelle date ont-elles été mises à jour ?
Quels biais contiennent-elles ?
Quels usages étaient prévus à l’origine ?
Qui peut contester ou corriger une réponse ?
Qui assume la décision lorsque l’IA se trompe ?

Sans propriétaire, une donnée devient une matière première sans contrôle. L’IA ne supprime pas cette faiblesse. Elle la rend plus rapide et plus difficile à détecter.

La qualité des données est un processus, pas un nettoyage ponctuel

Beaucoup d’entreprises lancent des projets de « nettoyage » lorsqu’une crise éclate : migration d’ERP, fusion, audit, contrôle réglementaire ou lancement d’une plateforme data.

Pendant quelques mois, des équipes corrigent les doublons, harmonisent les formats et réconcilient les référentiels. Le résultat s’améliore. Puis les anciennes pratiques reprennent.

Pourquoi ?

Parce que la qualité n’a pas été intégrée au fonctionnement quotidien.

Une donnée fiable nécessite des règles de création, des contrôles, des alertes, des seuils acceptables et un processus de correction. Elle suppose également que les responsables disposent du temps, des outils et de l’autorité nécessaires pour agir.

Il ne suffit pas de nommer un propriétaire dans un document. Il faut lui donner un rôle réel.

Il doit pouvoir refuser une définition ambiguë, imposer une règle commune, demander une correction à la source et arbitrer les usages contradictoires. Il doit aussi rendre compte de la qualité du périmètre dont il a la charge.

Autrement dit, la gouvernance ne doit pas être décorative.

Commencer par les données qui influencent réellement les décisions

Toutes les données ne méritent pas le même niveau de contrôle.

Vouloir tout documenter immédiatement conduit souvent à des programmes interminables, coûteux et rapidement contestés. Une approche plus efficace consiste à commencer par les données critiques.

Quelles données influencent les décisions du COMEX ?
Quelles données alimentent les obligations réglementaires ?
Quelles données déterminent le chiffre d’affaires, la marge, la trésorerie ou les engagements clients ?
Quelles données sont utilisées par les modèles d’intelligence artificielle ?
Quelles erreurs peuvent produire un risque humain, financier, juridique ou réputationnel ?

À partir de là, l’organisation peut établir un périmètre prioritaire, désigner les responsables, définir les règles et mesurer la qualité.

Elle transforme alors un sujet abstrait en dispositif opérationnel.

La donnée est une responsabilité organisée

Dans les organisations que j’ai accompagnées, la différence ne venait presque jamais d’un outil miraculeux.

Elle venait de la capacité à poser les faits, clarifier les définitions, rendre les arbitrages explicites et vérifier que les décisions produisaient réellement l’effet attendu.

Les entreprises les plus solides ne sont pas celles qui possèdent le plus de données. Ce sont celles qui savent lesquelles elles peuvent utiliser avec confiance.

Elles savent qui en répond.

Elles savent comment une erreur est détectée.

Elles savent quelle source fait foi.

Elles savent qui peut arbitrer.

Elles savent enfin quelles conséquences concrètes une donnée incorrecte peut produire.

La donnée n’est donc pas seulement un actif. Elle est une responsabilité organisée.

Lorsqu’elle cesse d’avoir un propriétaire, elle devient progressivement une zone de risque : risque de mauvaise décision, risque financier, risque réglementaire, risque opérationnel et, désormais, risque lié à l’intelligence artificielle.

Ce sujet doit être traité comme une décision de management, et non comme une simple question technique.

La première étape n’est pas d’acheter une plateforme supplémentaire.

La première étape consiste à poser une question très simple :

Qui est responsable de cette donnée ?

Et à refuser de poursuivre tant que la réponse reste floue.

Dans ton organisation, les données les plus importantes ont-elles réellement un propriétaire identifié, légitime et responsable de leur qualité ?

Je serais intéressé de lire ton expérience en commentaire.

Mon livre Révolution Numérique ! approfondit ces questions de gouvernance, de management, d’intelligence artificielle et de transformation des organisations.

Le lien Amazon sur le livre : https://amzn.eu/d/0bRpYfuI

#TransformationNumérique, #Management, #Gouvernance, #Data, #DSI, #IntelligenceArtificielle, #Cybersécurité, #Leadership, #Organisation