Perdez-vous de l’argent à cause de la mauvaise qualité des données?

Afin d’éviter de contribuer aux milliers de milliards de dollars perdus en raison de la mauvaise qualité des données, les dirigeants doivent devenir des moteurs de changement et savoir parler de la formulation d’une stratégie de données, en gardant à l’esprit quatre éléments clés.

En tant que cadre dans l’immobilier mondial, vos journées sont remplies à essayer de comprendre comment les changements dans la performance des actifs, l’accès au capital et les conditions du marché auront un impact sur vos rendements. Pour obtenir ces informations, vous comptez souvent sur des dizaines, voire des centaines de personnes au sein de votre organisation pour consolider des ensembles de données volumineux et complexes dans tous les départements et régions de votre entreprise.

Ainsi, alors que de nombreux dirigeants se concentrent simplement sur la compréhension des données qu’ils reçoivent, rares sont ceux qui remettent en question l’efficacité des systèmes et des processus qui ont permis d’obtenir ces données et encore moins explorent ce qu’ils peuvent faire pour les améliorer. C'est une opportunité manquée.

Ce décalage entre la haute direction et le personnel de première ligne entraîne un gaspillage de capacités parmi le personnel qui pourrait passer la majeure partie de son temps à répondre à des questions qui sont actuellement laissées à une poignée de cadres. Pour bénéficier de ces avantages, les dirigeants doivent se concentrer davantage des propriétés que des processus et avoir les connaissances nécessaires pour exprimer leurs préoccupations auprès du service approprié qui peut améliorer les performances de l'équipe en cas de besoin.

Pour certaines personnes, la création d’un plan visant à améliorer la gestion des données et la collecte de renseignements sera plus facile car les étapes de définition d’un plan semblent logiques ; il suffit de revenir en arrière dans la chaîne de collecte et de voir ce qui peut être automatisé. Cela semble simple, n'est-ce pas ?

Le problème est qu’avec la grande quantité de données que vous pouvez désormais collecter à partir de nombreuses sources internes et externes dans plusieurs régions et secteurs, l’agrégation et la normalisation peuvent devenir difficiles et c’est souvent la raison pour laquelle elles sont souvent ignorées. Rien qu'aux États-Unis, cette mauvaise qualité des données a généré plus de 3 100 milliards de dollars perdu pour leur économie. À cette échelle, peu d’entreprises seront exemptées, ce qui donne de bonnes raisons d’aborder ce problème dans votre entreprise. Voici quatre étapes pour commencer.

Étape 1 : Établir un objectif

Avant de commencer à réfléchir aux systèmes eux-mêmes, il est important d’établir d’abord les objectifs du projet qui seront un moteur de changement significatif dans votre entreprise. De nombreux dirigeants trouveront des raisons de soutenir ou d’éviter ces changements. Il est donc essentiel de s’assurer que vous avez identifié une raison impérieuse. Les raisons peuvent inclure :

• Minimiser les risques

• Conformité aux réglementations (c'est-à-dire rapports financiers)

• Intégrité des données

• Augmentation du chiffre d'affaires et de la rentabilité

• Intégration des données sur les actifs et le marché

Une fois que vous avez trouvé quelque chose qui conviendra à votre équipe, il est important de définir l’architecture de vos données qui créera une base solide sur laquelle aligner toutes vos informations.

Étape 2 : Définir un modèle de données

La première étape du processus consiste à reconnaître qu’un ensemble de définitions standard sur la manière dont les données sont collectées est une condition préalable nécessaire à la fiabilité des données. Ces définitions fournissent le contexte dans lequel les données peuvent être comprises et font une réelle différence dans les informations qui peuvent en être tirées.

Un exemple très clair de la manière dont des définitions différentes peuvent conduire à des résultats très différents peut être observé dans la mesure des surfaces au sol. À première vue, cela semble être une tâche simple où il y aurait une approche et des résultats standards. Pourtant, les recherches de Jones Lang LaSalle ont montré que les différences dans les méthodologies utilisées pour mesurer la superficie peuvent entraîner des variations dans les résultats allant jusqu'à 24 %. Le modèle de données sous-jacent est la clé de la capacité de tout entrepôt de données à résoudre ce problème en agrégeant les données via une méthode spécifique et définie. Pour qu’un modèle de données réussisse, il doit accomplir diverses choses.

Il doit représenter avec précision les véritables relations entre les entités (par exemple, actifs, locataires, prêts, etc.) dans le modèle, mais également être suffisamment flexible pour s'adapter à différents niveaux d'agrégation lorsqu'il n'est pas possible de collecter des informations au même niveau de détail à partir de toutes sources.

Plus important encore, le modèle de données doit être précis, chaque champ étant clairement défini, ainsi que les règles relatives aux relations entre les champs et les entités. Sans cette standardisation, les définitions des données deviennent ambiguës au point où la consolidation des informations peut devenir un gâchis d'informations.

Étape 3 : Validation et exactitude des données

L’échec de toute initiative de collecte de données est le problème bien connu du « déchets entrants et sortants ». Pour que la solution soit utile, vous devez être certain que les données que vous avez collectées sont complètes et exactes.

Même si une méthode de saisie a été normalisée, des erreurs humaines restent possibles lors de la saisie de ces données. Par conséquent, la capacité de valider sans effort et automatiquement les données entrantes sur la base de règles qui peuvent être facilement créées et modifiées sans développement ni tests onéreux est cruciale.

Les normes et règles fournissent des données cohérentes et comparables dans toutes les régions et classes d’actifs. Pour qu'un système réussisse à valider les données, des règles et une logique doivent être développées pour permettre au système de détecter les problèmes de qualité des données avant qu'ils ne parviennent entre vos mains en tant que cadre. En général, deux types de règles doivent être établies :

• Validation technique – Garantir que les données entrantes satisfont aux formats souhaités et aux autres critères d’entrée. Par exemple, s'assurer qu'un champ qui nécessite un nombre n'a pas de caractère à la place ou est au format spécifié 1,00 contre 1.

• Validation commerciale – Garantit que les normes spécifiées spécifiquement par votre organisation sont respectées afin qu'il n'y ait aucune divergence dans les données. Par exemple, la superficie louable ne doit pas dépasser la superficie totale de la propriété.

Si les règles ne sont pas claires pour un système quant à la manière dont il doit interpréter et consommer l’information, une source unique de vérité peut rapidement devenir une source unique.

Étape 4 : exploiter des données exploitables

Enfin, l’entrepôt de données ne sera utile que s’il est facile à la fois d’importer de nouvelles données et d’accéder à des données à jour lorsque cela est nécessaire. Les données devront être importées de sources disparates, telles que des systèmes logiciels et des feuilles de calcul. Sans mécanismes permettant de mettre ces résultats à la disposition des équipes appropriées dans l'ensemble de l'entreprise, le travail risque d'être dupliqué et le potentiel peut être négligé. Jusqu'à récemment, les limites des solutions technologiques rendaient extrêmement difficile pour les organisations l'établissement de l'architecture de données nécessaire à la mise en œuvre d'une stratégie de données globale. Cependant, des progrès récents ont permis aux organisations de simplifier la mise en œuvre du déploiement d’une solution.

En plus de cela, des sujets d’actualité tels que l’apprentissage automatique et les solutions technologiques distribuées (c’est-à-dire la blockchain) suggèrent qu’il y a encore d’autres progrès à venir dans le futur. Afin d’éviter de prendre davantage de retard, les entreprises doivent commencer dès aujourd’hui à planifier leur stratégie en matière de données. Avec quelques étapes simples comme celles-ci, les dirigeants peuvent être bien préparés pour devenir des moteurs de changement dans leur organisation et bénéficieront de plus grands avantages en se concentrant sur la productivité de leur personnel plutôt que sur le rendement de leurs actifs.