Qualité des données vs. analyse des données - Les deux sont possibles

Les données parfaites

Les professionnels de la finance de toutes les organisations axées sur la croissance me disent à quel point il est important pour eux de disposer de données "parfaites". La lutte permanente pour atteindre et maintenir le niveau nécessaire de qualité des données les empêche vraiment de dormir. En fait, cela pousse même les organisations les plus tournées vers l'avenir à mettre de côté l'investissement dans l'analyse des données. L'argument est le suivant : "J'ai besoin de données parfaites avant de chercher des moyens d'optimiser notre analyse des données".

Cependant, cette approche enferme les organisations dans un cycle où les données parfaites sont inaccessibles. Voici pourquoi : la vérité est que les critères qui sous-tendent la recherche de données "parfaites" varient considérablement d'une organisation à l'autre. Par exemple, lorsqu'une organisation procède au lancement d'un produit très médiatisé, il est essentiel qu'elle soit en mesure de rendre compte du nombre initial d'unités vendues. Par conséquent, les données parfaites sont définies en grande partie comme étant "rapidement accessibles". En revanche, si une organisation se prépare à une fusion, la collecte d'informations dans l'ensemble de ses départements et de ses sites prendra de l'importance. Dans ce cas, l'"exhaustivité" joue un rôle important dans la définition de la qualité des données.

En fin de compte, bien que chaque organisation mette l'accent sur des éléments différents, les organisations accordent une plus grande confiance aux données lorsqu'elles réunissent plusieurs critères, notamment : 1) la pertinence compte tenu du contexte ; 2) la possibilité d'y accéder en cas de besoin ; 3) la facilité avec laquelle elles peuvent être comprises ; et 4) la mesure dans laquelle elles peuvent être utilisées pour mener des actions significatives.

Reconnaître la nature variable des données "parfaites" permet en fait aux organisations d'adopter l'analyse des données sans avoir l'impression qu'elles doivent résoudre tous leurs problèmes de qualité des données. En effet, l'un des résultats positifs de la réalisation d'analyses rigoureuses est l'obtention de données qui se rapprochent davantage de la définition des données "parfaites" de l'organisation. En d'autres termes, l'obtention de la qualité de données dont vous avez besoin est une conséquence de l'analyse des données plutôt qu'une condition préalable. Par conséquent, tout outil qui vous aide à mieux comprendre vos données améliore en fin de compte leur qualité.