Data Governance: Comment garantir des données fiables pour le controlling

Comment mettre en place une Data Governance efficace pour fiabiliser le controlling dans une PME ?

Data Governance: Pertinence du point de vue du controlling 

Dans le cadre de la data governance, des informations de controlling fiables supposent des données propres. Or, dans la pratique de nombreuses PME, les bases systématiques nécessaires font défaut. Le controlling dépend de la qualité de ses données. Quiconque commente chaque mois les écarts budgétaires, établit des forecasts ou veut présenter au conseil d’administration une image fiable de la situation de l’entreprise dépend de chiffres corrects, complets, actuels et cohérents. Dans la pratique de nombreuses petites et moyennes entreprises (PME), cette condition est toutefois bien moins souvent remplie que ne le laissent penser, à première vue, les tableaux de bord BI particulièrement soignés.

Dans le cadre de la data governance, les causes sont connues: les données sont gérées dans plusieurs systèmes – ERP, CRM, comptabilité des salaires, outil de gestion de projet, Excel – sans logique contraignante définissant quel système constitue le «System of Record» en cas de contradiction. Les interventions manuelles se multiplient. Les responsabilités en matière de maintenance des données ne sont pas clarifiées. Résultat: le controller consacre une part importante de son temps de travail non pas à l’analyse, mais au nettoyage des données – une activité censée créer de la valeur, mais qui traite surtout les symptômes plutôt que les causes.

Qu’est-ce que la gouvernance des données?

La data governance (gouvernance des données) désigne le cadre constitué de règles, de responsabilités et de processus garantissant que les données sont utilisées de manière fiable, sûre et appropriée. Pour le controlling, cela signifie concrètement qu’il faut réglementer clairement les aspects suivants: qui entretient quelles données, de quelle manière et à quel moment, et quelle règle s’applique en cas de contradiction.

Trois questions centrales caractérisent le besoin d’action:

1. Qui est responsable de l’exactitude d’un indicateur?
2. Quel système fournit la valeur de référence en cas de conflit entre les données?
3. Selon quel schéma les données sont-elles classifiées afin que les séries chronologiques restent cohérentes?

Rôles: Data Owner et Data Steward

Dans le cadre de la data governance, le concept le plus important de la gouvernance des données est la distinction entre Data Owner et Data Steward. Le Data Owner – dans une PME, typiquement le CFO ou un responsable de domaine – assume la responsabilité métier d’un domaine de données et décide de ce qui est considéré comme correct. Le Data Steward – souvent un controller ou un comptable – assure la maintenance opérationnelle et la surveillance.

Le Data Dictionary comme instrument central

Dans le cadre de la data governance, un Data Dictionary est une vue structurée de tous les indicateurs pertinents, avec leur définition, leur origine, leur responsabilité et leur logique de calcul. Il constitue donc l’instrument de gouvernance le plus proche de la pratique qu’une PME puisse mettre en place. Il ne doit toutefois pas nécessairement prendre la forme d’une solution logicielle spécifique; un tableau Excel bien tenu suffit pour commencer.

Exemple pratique: Data Dictionary pour un indicateur

System of Record: qui a raison?

Dans les PME, les données sont typiquement stockées en parallèle ou de manière redondante. Le chiffre d’affaires figure par exemple dans l’ERP, dans l’analyse CRM et dans le tableau Excel tenu manuellement par les ventes – et il n’est pas rare que les trois chiffres soient différents. Le System of Record (= source d’origine des données) définit de manière contraignante quelle source fait foi en cas de contradiction. Cette décision n’est pas technique, mais organisationnelle et managériale; elle doit être documentée dans le Data Dictionary.

Dans ce contexte, il est recommandé de définir exactement un System of Record pour chaque domaine de données (finances, clients, personnel, projets). Tous les autres systèmes peuvent certes lire les données, mais ne doivent pas servir de référence. De nombreux conflits de données sont ainsi évités de manière préventive.

Qualité des données: mesurer ce qui compte

La qualité des données n’est pas un état binaire: les données ne sont pas simplement «bonnes» ou «mauvaises», mais peuvent présenter des niveaux différents selon plusieurs dimensions de qualité. Le controlling doit veiller à mesurer et à piloter ces dimensions – comme il pilote par exemple les coûts ou les liquidités.

La qualité des données décrit dans quelle mesure les données sont adaptées à l’usage prévu au regard de leur exactitude, exhaustivité, actualité, cohérence, unicité et conformité. Elle détermine si les données sont suffisamment fiables pour soutenir les processus opérationnels, les analyses ou les décisions stratégiques.

Les six dimensions de la qualité

Rendre la qualité des données mesurable: KPI

Ce qui n’est pas mesuré ne s’améliore pas. Les KPI suivants se sont révélés, dans la pratique, des instruments de pilotage efficaces de la qualité des données dans le controlling:

1. Taux d’erreur des écritures manuelles (écritures de correction / total des écritures)
2. Taux d’exhaustivité: proportion de centres de coûts comportant une écriture au 3e jour ouvrable
3. Taux de doublons dans les données de base débiteurs (mensuellement à partir d’une requête ERP)
4. Taux de conformité: proportion de champs obligatoires correctement remplis lors de nouvelles saisies
5. Time-to-Close: nombre de jours jusqu’à la finalisation de la clôture mensuelle

Conseil pratique: scorecard de qualité des données

Une scorecard simple comportant 5 à 6 KPI de qualité, présentée chaque mois selon une logique de feux tricolores (vert/jaune/rouge), crée de la transparence et une pression à l’action. Le CFO positionne ainsi la qualité des données comme un thème de pilotage au même niveau que les liquidités ou l’évolution de l’EBIT.

Valeurs seuils pour commencer:

1. Taux d’erreur des écritures: > 2% = jaune, > 5% = rouge
2. Time-to-Close: > 5 jours ouvrables = jaune, > 8 jours ouvrables = rouge
3. Taux de doublons: > 1% = jaune, > 3% = rouge

Analyse des source sd’erreur: où apparaissent les problèmes de qualité des données?

Les problèmes de qualité des données sont rarement d’origine uniquement technique. Une analyse dans les PME suisses fait régulièrement apparaître trois causes principales:

1. Responsabilités peu claires: si personne n’est explicitement responsable de l’exactitude d’une catégorie de données, personne ne s’occupe des erreurs.
2. Absence de validation au point de saisie: les systèmes ERP autorisent des écritures sans centre de coûts; l’absence de champs obligatoires permet des données de base incohérentes.
3. Rupture de média due au transfert manuel: les données exportées d’un système et transférées manuellement dans un autre sont particulièrement sujettes aux erreurs. Chaque rupture de média constitue un risque pour la qualité.

Préparation des données avec Power Query

Power Query est considéré comme l’outil le plus puissant dont dispose un controller pour préparer les données sans connaissances en programmation. Depuis Excel 2016, il est intégré nativement; dans Power BI, il constitue également le composant central de transformation. Le principe de Power Query est convaincant: les étapes de préparation définies une fois sont enregistrées sous la forme d’un workflow reproductible et documenté – et peuvent être réexécutées en un clic.

Ce que Power Query permet – et ce qu’il ne permet pas

1. Power Query n’est ni une base de données ni un substitut à l’ERP. Il s’agit d’un outil ETL (Extract, Transform, Load) qui réunit des données provenant de différentes sources, les nettoie et les prépare pour l’analyse. Ses principales capacités sont les suivantes:
2. Importation de données depuis des exports ERP, CSV, Excel, API web, bases de données SQL et SharePoint
3. Nettoyage automatique: suppression des doublons, harmonisation des formats, remplacement des erreurs
4. Transformation des données: scinder, fusionner, pivoter et regrouper des colonnes
5. Jointures: fusionner des tableaux selon des champs clés (comme RECHERCHEV, mais de manière robuste)
6. Paramétrage: automatiser des workflows avec des entrées variables (p. ex. choix du mois)

Cas d’utilisation typique: reporting mensuel à partir d’un export ERP

Workflow de controlling typique avant Power Query: chaque mois, le controller exporte trois fichiers CSV depuis l’ERP (journal des écritures, plan des centres de coûts, valeurs budgétaires), ouvre les trois dans Excel, nettoie manuellement les formats, les relie avec RECHERCHEV et reconstruit le modèle de reporting. Temps nécessaire: 2 à 3 heures. Risque d’erreur: élevé.

Avec Power Query, le même processus se présente comme suit:

1. Connecter les sources: définir les exports CSV de l’ERP comme sources de données (une seule fois)
2. Définir le nettoyage: corriger les erreurs de format, espaces et incohérences de dates au moyen d’étapes de transformation
3. Relier les tableaux: fusionner les valeurs réelles, les valeurs budgétaires et le plan des centres de coûts au moyen de Merge
4. Agrégation: calculer les sommes par centre de coûts, période et groupe de comptes
5. Actualisation: le mois suivant, un clic sur «Actualiser tout» suffit – l’ensemble du workflow est répété automatiquement.

Langage M: lorsque l’interface graphique ne suffit plus

Power Query enregistre en arrière-plan chaque étape de transformation sous forme de code dans le langage M. Pour les cas standard, l’interface graphique suffit. Pour les scénarios plus complexes – limites de dates dynamiques, transformations conditionnelles, requêtes paramétrées –, il est utile de comprendre le langage M. Un assistant IA peut en outre apporter son aide en générant du code M à partir d’une description:

Exemple: générer du code M avec l’IA

Prompt à l’assistant IA: «Écris du code M Power Query qui, dans un tableau d’export d’écritures, filtre toutes les lignes dont la date de comptabilisation se situe dans le mois en cours, puis les regroupe par centre de coûts et additionne les montants.»

Résultat: un code M prêt à l’emploi et adaptable en quelques secondes – sans connaissances en programmation.

IA et automatisation comme étape suivante

Power Query réduit le travail manuel. L’automatisation assistée par l’IA va plus loin: elle prend en charge non seulement la transformation, mais aussi l’interprétation et la communication des données. Pour le CFO, de nouvelles possibilités s’ouvrent ainsi – mais également de nouvelles exigences en matière de gouvernance.

IA dans la gestion des données et champs d’application concrets

Finance Agents: lorsque l’IA pilote le processus

Un Finance Agent combine préparation des données, analyse et production du résultat dans un workflow automatisé. Exemple simple: un déclencheur mensuel exporte les données comptables de l’ERP, les transmet via Power Query ou Python à un modèle de langage qui génère un projet de commentaire, puis envoie celui-ci au controller pour contrôle. La décision humaine reste intégrée au processus («Human-in-the-Loop»).

Des outils Low-Code tels que n8n ou Make permettent de relier l’export ERP, la connexion API à un modèle de langage et l’envoi d’e-mails sans connaissances en programmation. L’investissement nécessaire à un premier prototype se chiffre en quelques jours.

Protection des données et gouvernance lors de l’utilisation de l’IA

L’utilisation de l’IA dans la gestion des données nécessite d’élargir le cadre de gouvernance. Pour les entreprises suisses, deux réglementations sont particulièrement pertinentes: la loi suisse révisée sur la protection des données (LPD, depuis septembre 2023) et – pour les données de clients de l’UE – le RGPD. Elles déterminent quelles données peuvent être transmises à des services d’IA externes. Les données personnelles (données salariales, données clients liées à des personnes) ne peuvent être transmises que via des services disposant d’un accord contractuel de traitement des données (DPA).

1. Anonymisation avant traitement par l’IA lorsque cela est possible
2. DPA avec le fournisseur d’IA (p. ex. Microsoft, Anthropic) pour l’utilisation productive
3. Politique IA interne: définir quelles classes de données peuvent être saisies dans des systèmes d’IA externes
4. Human-in-the-Loop obligatoire, et non facultatif – les résultats de l’IA sont des projets, pas des décisions

Conclusion: la gestion des données comme mission stratégique du CFO

La qualité du controlling n’est pas principalement une question d’outils d’analyse. Elle dépend de la base de données. Quiconque s’appuie sur des données de base mal gérées, des responsabilités non clarifiées et des ruptures de média manuelles n’obtiendra pas d’informations fiables, même avec le meilleur tableau de bord.

La gouvernance des données, la qualité des données et leur préparation structurée ne sont donc pas des projets préalables à la numérisation – elles constituent la numérisation du controlling. Bonne nouvelle: se lancer ne nécessite pas de gros investissements informatiques, mais avant tout de la clarté concernant les rôles, les règles et les responsabilités.

La séquence est claire:

1. La gouvernance d’abord: clarifier les responsabilités en matière de données, mettre en place un Data Dictionary, désigner le System of Record
2. Mesurer la qualité: introduire quelques KPI de qualité pertinents et les rendre visibles dans le reporting
3. Automatiser la préparation: rendre les processus ETL récurrents reproductibles et documentés avec Power Query
4. Utiliser l’IA avec discernement: employer les Finance Agents et les modèles de langage comme leviers de productivité – avec des garde-fous de gouvernance clairs et un Human-in-the-Loop

Le CFO qui suit cette voie de manière cohérente consacre moins de temps au nettoyage des données et davantage à ce qui constitue sa contribution au pilotage de l’entreprise: l’analyse, la mise en perspective et la décision.

Bibliographie

Bauer, A./Götze, U. (2023): Controlling und digitale Transformation. 2e éd., Springer Gabler, Wiesbaden.

Dama International (2017): DAMA-DMBOK: Data Management Body of Knowledge. 2nd ed., Technics Publications, New Jersey.

Eckerson, W. W. (2011): Performance Dashboards: Measuring, Monitoring, and Managing Your Business. 2nd ed., Wiley, Hoboken.

Gleich, R. (2023): Data Driven Controlling, Stuttgart: Schäffer-Poeschel.

International Controller Verein (ICV) (2023): Leitbild moderner Controller. München: ICV.

Microsoft (2024): Documentation Power Query. docs.microsoft.com/power-query (consulté: mars 2025).

Otto, B./Österle, H. (2016): Corporate Data Quality – Voraussetzung erfolgreicher Geschäftsmodelle. 2e éd., Springer Gabler, Wiesbaden.

Conseil fédéral suisse (2020): loi fédérale sur la protection des données (LPD), version révisée en vigueur depuis le 1er septembre 2023.

FAQ: Data Governance

Quelle est la différence principale entre un Data Owner et un Data Steward ?

Le Data Owner possède l'autorité métier et décide de ce qui est considéré comme correct (souvent le CFO), tandis que le Data Steward assure la maintenance technique et le contrôle de la qualité opérationnelle (souvent le controller).

Pourquoi le concept de System of Record est-il crucial pour le controlling ?

Il définit de manière contraignante quelle source de données fait foi en cas de divergence entre plusieurs systèmes (ERP, CRM, Excel), ce qui garantit la cohérence des analyses et évite les discussions stériles lors des revues budgétaires.

Power Query est-il suffisant pour gérer la qualité des données dans une petite entreprise ?

Oui, pour la préparation et la transformation. Power Query permet de documenter et de reproduire les étapes de nettoyage sans code complexe, réduisant ainsi les erreurs manuelles, mais il ne remplace pas la gouvernance organisationnelle ni la validation des sources.

Quels sont les premiers KPI à surveiller pour évaluer la qualité des données ?

Les indicateurs prioritaires incluent le taux d'erreur des écritures manuelles, le taux d'exhaustivité des centres de coûts et le Time-to-Close, qui mesurent directement l'impact de la qualité sur la performance du controlling.