Information indépendante sur les données, l'IA et la régulation numérique au Luxembourg

Gouvernance des données · Explication

Les dimensions de la qualité des données : complétude, exactitude, actualité et autres

Les dimensions de la qualité des données, comme la complétude, l'exactitude ou l'actualité, mesurent si des données sont adaptées à un usage précis.

L'essentiel

  • Le jeu de dimensions le plus utilisé vient de DAMA UK : complétude, unicité, cohérence, actualité, validité et exactitude.
  • Le Government Data Quality Framework britannique, publié le 3 décembre 2020, reprend ces six dimensions et précise que la liste n'est pas prescriptive.
  • La norme ISO/IEC 25012 définit un modèle plus large de 15 caractéristiques de qualité des données, réparties entre qualité inhérente et qualité dépendante du système.
  • Le guide de la BCE de mai 2024 sur l'agrégation des données sur les risques attend des banques qu'elles mesurent au minimum l'exactitude et l'intégrité, la complétude et l'actualité, avec des seuils de tolérance.
  • Le RGPD exige des données personnelles exactes et tenues à jour (article 5, paragraphe 1, point d)), et l'AI Act exige que les données d'entraînement des IA à haut risque soient, dans toute la mesure du possible, exemptes d'erreurs et complètes (article 10, paragraphe 3).

Les dimensions de la qualité des données sont des propriétés mesurables, comme la complétude, l’exactitude ou l’actualité, qui permettent de juger si des données sont adaptées à un usage précis. Le jeu le plus utilisé, défini par DAMA UK et repris le 3 décembre 2020 par le Government Data Quality Framework britannique, compte six dimensions. Pour les organisations luxembourgeoises, ce n’est pas de la théorie : le guide de la BCE de mai 2024 pour les banques, le RGPD et l’AI Act européen citent tous des dimensions précises.

Pourquoi « des données de bonne qualité » ne veut rien dire

Demandez à trois services si les données clients sont bonnes, vous obtiendrez trois réponses. La finance pense à des totaux qui se réconcilient. Le commercial pense à des numéros de téléphone qui fonctionnent. La conformité pense aux bénéficiaires effectifs documentés.

Les trois ont raison. C’est bien le problème.

Imaginez : votre organisation lance un programme de qualité des données, achète un outil de profilage et produit un tableau de bord de 400 règles. Six mois plus tard, personne ne le consulte, faute d’accord sur les règles qui comptent pour quelle décision. Les dimensions règlent ce problème en donnant à tous le même vocabulaire. « Les données sont mauvaises » devient alors « la date d’entrée en relation manque pour 12 % des clients acquis avant 2020 ».

Les six dimensions

Dimension Question posée Exemple de contrôle
Complétude Les enregistrements et valeurs requis sont-ils présents ? Part des fiches clients avec un pays de résidence fiscale
Unicité Chaque entité n’est-elle enregistrée qu’une fois ? Nombre de fournisseurs avec deux fiches actives ou plus
Cohérence Les valeurs concordent-elles entre enregistrements et systèmes ? Même identifiant d’entité juridique dans le CRM et la comptabilité
Actualité La donnée est-elle à jour et disponible au bon moment ? Délai entre un changement d’adresse et sa mise à jour
Validité La valeur respecte-t-elle le format et la plage attendus ? Structure de l’IBAN, formats de date, codes produits autorisés
Exactitude La donnée correspond-elle à la réalité ? Échantillon de fiches comparé aux pièces justificatives

Le cadre britannique définit l’exactitude comme le degré de correspondance entre les données et la réalité, et la validité comme le degré auquel les données respectent la plage et le format attendus. La nuance compte. Un code postal parfaitement valide peut appartenir au mauvais client. La validité s’automatise à peu de frais ; l’exactitude exige presque toujours une référence extérieure au système.

Le cadre rappelle aussi que les dimensions se font concurrence. Publier plus vite peut vouloir dire publier moins complet, et ces arbitrages doivent être expliqués aux utilisateurs plutôt que cachés.

ISO/IEC 25012 : la liste longue

Si vous avez besoin d’une référence formelle, la norme ISO/IEC 25012 décrit un modèle de qualité des données en 15 caractéristiques. Elle distingue la qualité inhérente, qui porte sur la donnée elle-même (exactitude, complétude, cohérence, crédibilité, actualité), de la qualité dépendante du système, liée aux systèmes qui hébergent la donnée, comme l’accessibilité.

Servez-vous-en comme d’une liste de contrôle, pas comme d’un dogme. Rares sont les organisations qui ont besoin des 15 pour mieux décider.

Là où les règles applicables au Luxembourg citent des dimensions

Texte Qui est concerné Dimensions citées
Guide de la BCE sur l’agrégation des données sur les risques (mai 2024) Banques importantes sous supervision directe de la BCE Au minimum exactitude et intégrité, complétude et actualité, avec seuils de tolérance
RGPD, article 5, paragraphe 1, point d) Tout responsable du traitement de données personnelles Exactitude, mise à jour si nécessaire
AI Act, article 10, paragraphe 3 Fournisseurs de systèmes d’IA à haut risque Pertinentes, suffisamment représentatives, autant que possible exemptes d’erreurs et complètes

Le guide de la BCE est le plus concret. Il attend des indicateurs de qualité couvrant au minimum l’exactitude et l’intégrité, la complétude et l’actualité, avec des seuils de tolérance et des processus de correction robustes, communiqués périodiquement à l’organe de direction. C’est le versant opérationnel de BCBS 239.

Le RGPD ajoute une nuance : l’exactitude s’apprécie au regard des finalités pour lesquelles les données sont traitées. Autrement dit, la qualité des données se juge toujours par rapport à un usage, jamais dans l’absolu.

Le facteur humain

Les dimensions se mesurent avec des outils, mais se choisissent par des personnes. La méthode qui fonctionne est simple.

Commencez par retenir les données qui pilotent une décision ou un reporting : la note de risque d’un client, la valeur nette d’inventaire d’un fonds, la fiche article de référence. Laissez ensuite le propriétaire métier de chaque donnée choisir les dimensions utiles et fixer le seuil. L’informatique construit les contrôles ; ce n’est pas à elle de décider que 95 % de complétude suffisent.

Un seuil sans propriétaire n’est qu’un chiffre sur un tableau de bord.

Enfin, reliez chaque contrôle en échec à sa cause. Le lignage des données montre d’où vient une valeur, et c’est généralement là que se trouve la correction. Pour approfondir le lien entre qualité et données de référence, voyez un ouvrage de praticien consacré aux données de référence et à leur qualité.

Bonne nouvelle : il n’est pas nécessaire de lancer un programme pour commencer. Trois dimensions sur dix données critiques, mesurées chaque mois, valent mieux que quatre cents règles que personne ne lit.

Que faire maintenant

  1. Listez les dix données qui alimentent votre reporting ou votre déclaration réglementaire la plus importante.
  2. Pour chacune, désignez un propriétaire métier et laissez-le choisir deux ou trois dimensions pertinentes.
  3. Fixez un seuil de tolérance par dimension et la marche à suivre en cas de dépassement.
  4. Automatisez d’abord les contrôles de validité, de complétude et d’unicité ; prévoyez des contrôles d’exactitude par échantillon sur pièces justificatives.
  5. Présentez les résultats à la direction chaque trimestre, avec les arbitrages acceptés.

Questions & réponses

Quelles sont les six dimensions de la qualité des données ?

Dans le jeu de DAMA UK repris par le Government Data Quality Framework britannique : complétude, unicité, cohérence, actualité, validité et exactitude.

Quelle différence entre validité et exactitude ?

La validité vérifie qu'une valeur a le format et la plage attendus, par exemple un IBAN correctement structuré. L'exactitude vérifie que la valeur correspond à la réalité, par exemple qu'il s'agit bien du compte du client.

La réglementation applicable au Luxembourg impose-t-elle des dimensions précises ?

En partie. Le guide de la BCE pour les banques importantes cite l'exactitude et l'intégrité, la complétude et l'actualité ; le RGPD cite l'exactitude des données personnelles ; l'AI Act vise des données d'entraînement exemptes d'erreurs et complètes pour les systèmes à haut risque.

Faut-il mesurer chaque jeu de données sur toutes les dimensions ?

Non. Le cadre britannique recommande de prioriser les dimensions qui correspondent aux besoins des utilisateurs et des métiers, et admet que certaines ne soient pas pertinentes.

Sources

  1. The Government Data Quality Framework (3 December 2020) · UK Government Data Quality Hub
  2. ISO/IEC 25012 data quality model · iso25000.com
  3. Guide on effective risk data aggregation and risk reporting (mai 2024) · BCE – Supervision bancaire
  4. Règlement (UE) 2016/679 (RGPD), article 5 · gdpr-info.eu
  5. Règlement (UE) 2024/1689 (AI Act), article 10 · artificialintelligenceact.eu

Rédigé et vérifié à partir de sources primaires.