Une source unique de vérité est un endroit unique auquel vos équipes font confiance pour une donnée spécifique. Un poids produit unique. Une adresse fournisseur unique que tout le monde consulte. Quand cet endroit existe, les gens cessent de se disputer pour savoir quel tableur a raison.
La plupart des entreprises n'ont pas encore cela. Les données se trouvent dans un CRM, un ERP, quelques tableurs et la boîte mail de quelqu'un. Chaque copie s'éloigne des autres au fil du temps. Cet article explique ce qu'est une source unique de vérité, pourquoi les données fragmentées coûtent de l'argent réel, et comment en construire une sans se tromper de logiciel.
Ce qu'est réellement une source unique de vérité
Une source unique de vérité (SUVÉ) est un système défini qui contient la version faisant autorité d'un ensemble de données donné. Les autres systèmes la consultent ou se synchronisent avec elle. Ils n'entrent pas en concurrence avec elle.
Pour chaque champ, il existe un endroit qui fait autorité quand les copies divergent.
Un exemple simple. Votre boutique en ligne montre un produit comme en stock. Votre système d'entrepôt le montre comme épuisé. Sans SUVÉ, un client commande quelque chose que vous ne pouvez pas expédier. Avec une, les deux systèmes lisent les niveaux de stock à partir de la même source, donc ils sont d'accord.
Source unique de vérité, gestion des données maîtresses et data mesh
Trois termes se confondent ici, et la différence compte quand vous choisissez une approche.
Une source unique de vérité est le résultat que vous recherchez. Une version unique et fiable d'un ensemble de données donné.
La gestion des données maîtresses (MDM) est la discipline et l'outillage qui produit ce résultat pour vos données partagées centrales : les clients, produits et fournisseurs sur lesquels de nombreux systèmes dépendent. Une SUVÉ pour les données maîtresses est généralement le résultat d'un effort MDM. MDM est la méthode. SUVÉ est l'objectif.
Le data mesh pointe dans l'autre direction. C'est une approche décentralisée où chaque équipe métier possède et fournit ses propres données comme un produit, sans magasin central au milieu. Elle existe parce que dans les grandes organisations, tout acheminer vers un seul référentiel physique ne passe pas à l'échelle. Les équipes qui l'essaient se retrouvent avec un goulot d'étranglement et une file d'attente.
C'est là que le vrai débat se situe. Un store littéralement unique fonctionne bien pour une petite ou moyenne entreprise avec quelques domaines métier. À l'échelle de l'entreprise, lisez « unique » comme un point unique d'autorité par domaine. Un propriétaire, une version acceptée, même quand les données vivent en plusieurs endroits, reliés par intégration et définitions partagées.
Pour la plupart des entreprises qui lisent ceci, un store consolidé par domaine est le bon point de départ. Les approches distribuées comptent une fois que vous les avez dépassées.
Pourquoi les données métier finissent fragmentées
Les données se propagent parce que les outils se multiplient. Les ventes choisissent un CRM. La finance choisit un ERP. Le marketing construit sa propre pile. Chaque outil stocke sa propre copie des clients, produits ou commandes. Aucun n'a été construit pour se soumettre aux autres.
La saisie manuelle empire les choses. Le même fournisseur est tapé dans trois systèmes avec trois orthographes différentes. Un prix est mis à jour à un endroit et oublié dans les autres. Gartner identifie l'incohérence entre sources, causée par les données stockées en silos, comme le problème de qualité de données le plus difficile à résoudre.
Ensuite, les gens construisent des contournements. Quelqu'un exporte un rapport, l'édite dans un tableur et l'envoie par email. Ce tableur devient une quatrième version de la vérité. Personne ne sait qu'il existe jusqu'à ce qu'il pose un problème.
Chaque copie de vos données s'éloigne un peu plus des autres chaque semaine. Personne ne décide cela. Cela se produit simplement.
Ce que coûtent les données fragmentées
Le coût n'est pas abstrait, bien que les chiffres en gros titre méritent d'être lus avec attention. La recherche 2020 de Gartner évalue le coût moyen d'une mauvaise qualité de données à 12,9 millions de dollars par an. Ce chiffre est auto-déclaré par de grandes entreprises et vieillit, donc traitez-le comme un repère directionnel plutôt qu'une mesure précise. Il pointe toujours dans la bonne direction. Les petites erreurs s'accumulent comme des adresses incorrectes, des enregistrements en double et des décisions basées sur des chiffres périmés de plusieurs semaines.
Une analyse 2017 de MIT Sloan par Thomas Redman a encadré la perte différemment, entre 15% et 25% des revenus pour la plupart des entreprises. Méthode différente, même direction.
Il y a aussi un coût temporel. Une étude 2012 de McKinsey a constaté que les travailleurs consacrent près de 20% de la semaine de travail à chercher des informations internes. L'étude est ancienne, mais quiconque a cherché un numéro dans quatre systèmes ne la trouvera pas invraisemblable.
Et vous ne pouvez pas corriger ce que vous ne mesurez pas. Gartner a aussi constaté que 59% des organisations ne mesurent pas du tout leur qualité de données. Donc les pertes restent invisibles jusqu'à ce que quelque chose se casse en public.
Comment construire une source unique de vérité
Construire une SUVÉ est principalement du travail organisationnel avec une couche logicielle dessus. Les étapes ci-dessous tiennent pour un petit catalogue ou une grande entreprise.
Commencez par choisir les données qui font le plus de mal. Vous n'avez pas besoin d'une vérité unique pour tout le premier jour. Trouvez les données qui causent le plus de rework ou le plus de plaintes clients. Les données produit et les enregistrements clients sont des points de départ courants.
Ensuite, assignez un propriétaire pour chaque domaine de données. Un propriétaire est une personne ou une équipe responsable de l'exactitude de ces données. Sans propriété claire, la qualité dérive vers où elle a commencé. Gartner pointe le manque de propriété comme une raison centrale pour laquelle les programmes de qualité de données stagnent.
Ensuite, définissez les champs et les règles. Décidez à quoi ressemble « correct » avant de construire quoi que ce soit :
- Le format que prend chaque champ, comme les numéros de téléphone, les devises et les unités
- Quels champs sont obligatoires avant qu'un enregistrement puisse être lancé
- Comment les doublons sont identifiés et fusionnés
- Quel système est autorisé à changer quel champ
Écrivez ces règles. Elles deviennent les contrôles que votre système exécute plus tard.
Maintenant, choisissez le système maître pour chaque domaine. C'est le système qui fait autorité quand les copies divergent. Les autres systèmes se synchronisent avec lui. Pour les données produit, c'est souvent un système PIM ou une plateforme de gestion de données. Pour les données clients, souvent le CRM ou un outil MDM dédié.
Connectez les autres systèmes par intégrations. Le système maître détient la vérité. Les autres lisent depuis celui-ci ou reçoivent des mises à jour depuis celui-ci. La synchronisation en temps réel est idéale. La synchronisation programmée fonctionne quand le temps réel n'est pas pratique.
Gardez les données propres après le lancement. Une SUVÉ se dégrade sans maintenance. Mettez en place la validation au point d'entrée afin que les mauvaises données ne puissent pas entrer. Exécutez des vérifications régulières pour les doublons et les lacunes. Assignez le nettoyage au propriétaire des données, pas à quiconque remarque le problème.
Ce qu'il faut rechercher dans un logiciel de source unique de vérité
Le logiciel ne créera pas une source unique de vérité de lui-même. Mais le bon outil rend beaucoup plus facile d'en maintenir une. Voici ce qui compte quand vous comparez les options :
- Modèle de données flexible.
Vous pouvez façonner les entités et les champs selon votre métier, pas l'inverse. - Options d'intégration.
APIs et connecteurs pour se synchroniser avec votre CRM, ERP et systèmes web existants. - Fonctionnalités de validation et de qualité de données.
Règles, déduplication et contrôles intégrés à l'outil. - Accès basé sur les rôles.
Contrôle sur qui peut voir et modifier chaque champ. - Import et export.
Traitement en masse de données désordonnées provenant de tableurs et systèmes hérités. - Coût total.
Licences plus implémentation, pas seulement le prix affiché.
Les plateformes open-source méritent un coup d'œil ici, surtout quand votre modèle de données est inusuel. AtroCore, une plateforme open-source de gestion de données, est une option que les équipes utilisent pour consolider les données produit, fournisseur et actif dans un modèle configurable unique. Parce que le modèle est configurable, vous le façonnez selon vos données au lieu de forcer vos données dans une structure fixe.
Quel que soit ce que vous choisissez, testez-le avec vos vraies données avant de vous engager. Une démo avec des données d'exemple propres cache les problèmes. Chargez une export désordonnée de vos propres systèmes et regardez comment l'outil gère les doublons, les formats bizarres et les champs manquants.
Un modèle que nous voyons dans la fabrication
Dans les projets auxquels nous avons participé, la même situation se répète. Un fabricant garde les spécifications produit dans des tableurs d'ingénierie, les prix dans l'ERP et la copie marketing dans un système de contenu séparé. Le catalogue complet n'est jamais correct dans un seul d'entre eux, donc le site web et l'équipe de vente travaillent avec des chiffres différents.
Les clients viennent généralement nous voir après qu'une première tentative a déjà échoué, et cette tentative a presque toujours essayé de fusionner chaque système à la fois. Réduire la portée à un domaine, les données produit, est ce qui fait enfin avancer le projet. Les champs sont consolidés dans un modèle unique, nettoyés, puis synchronisés vers la boutique et l'ERP. Les arguments sur quel prix est correct cessent peu après.
Erreurs courantes à éviter
La plus grande erreur est de traiter cela comme un pur projet IT. Une SUVÉ change la manière de travailler. Si les ventes gardent son tableur privé, vous avez à nouveau deux sources de vérité. L'adhésion des équipes qui saisissent et utilisent les données compte plus que le logiciel.
Une autre erreur courante est de vouloir tout corriger à la fois. Les équipes essaient d'unifier chaque système en une fois, le projet stagne et rien n'est livré. Commencez étroit. Prouvez la valeur sur un domaine. Expandez à partir de là.
Les gens sous-estiment aussi la maintenance.
Une SUVÉ n'est pas un projet que vous terminez. C'est un système que vous exploitez.
Budgétez la propriété continue dès le départ, ou les données dériveront directement vers des silos.
Réflexion finale
Une source unique de vérité concerne moins la technologie que l'accord. Choisissez les données qui font mal, donnez-leur un propriétaire, définissez les règles et choisissez un outil qui s'adapte à votre modèle. Décidez si vous avez besoin d'un store unique ou d'une autorité unique par domaine, puis commencez étroit, gardez-le propre et expandez une fois que cela fonctionne. Le gain est clair. Les gens cessent de demander quel chiffre est correct et commencent à faire confiance à celui devant eux.