Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Data

Mettre la maturité data à l'épreuve de quatre demandes réelles

L'essentiel

La maturité data désigne ici la capacité d'une organisation à fournir, pour une décision ou un service, une donnée dont quelqu'un répond, dont la qualité est connue et qui s'obtient dans un délai prévisible. Management Square propose de la situer par quatre épreuves (responsabilités, qualité, plateforme, usages), sans reprendre de modèle publié, et indique la suite que chaque écart appelle.

Sommaire de la page

Par maturité data, nous entendons ici la capacité d’une organisation à fournir, pour une décision ou un service, une donnée dont quelqu’un répond, dont la qualité est connue et qui s’obtient dans un délai prévisible. Nous proposons de la situer par des épreuves : quatre demandes réelles adressées à l’organisation, une par dimension, dont on observe la réponse, le délai et l’auteur. Les dimensions retenues (responsabilités, qualité, plateforme, usages) sont celles de l’état des lieux que décrit notre page conseil data. Chaque écart constaté désigne un chantier. La grille est une méthode que nous proposons ; elle ne s’appuie sur aucun modèle de maturité publié.

Imaginons, pour suivre ces épreuves, un loueur de véhicules utilitaires dont la direction générale hésite à financer une nouvelle plateforme de données, et veut d’abord savoir où en est sa maturité data.

Éprouver la maturité data par des demandes réelles

La grille de cet article repose sur un procédé, l’épreuve. Une épreuve est une demande qu’un dirigeant ou un chef de projet pourrait réellement formuler, adressée sans préparation, à propos d’un usage précis. On en retient qui répond, en combien de temps, et sur quoi la réponse s’appuie.

Ce dernier point donne l’état de la dimension. La réponse peut reposer sur la mémoire d’une personne : elle varie selon l’interlocuteur et s’en va avec lui. Elle peut être écrite : un document la porte, sans que rien n’en vérifie l’application. Elle peut être vérifiée : un mécanisme l’applique ou la mesure, qu’il s’agisse d’un droit configuré, d’un contrôle exécuté ou d’un relevé de décisions.

Les épreuves portent sur deux ou trois usages choisis, car l’état peut différer de l’un à l’autre. Pour le loueur de l’hypothèse, ce seraient le taux d’utilisation du parc présenté chaque mois à la direction, la facturation des locations et la maintenance des véhicules. Le résultat se consigne usage par usage, avec l’état constaté dans chaque dimension et le fait qui le justifie.

Une définition contestée met les responsabilités à l’épreuve

L’épreuve consiste à demander qui fixe la définition d’un indicateur, et qui trancherait si deux directions le calculaient différemment. Le taux d’utilisation du parc s’y prête. Les agences peuvent compter les jours où un véhicule est sorti, la finance les jours facturés.

Lorsque la réponse repose sur la mémoire, plusieurs noms sont cités, ou celui de l’auteur du rapport. Lorsqu’elle est écrite, un propriétaire figure dans un document et la définition dans un glossaire. Elle est vérifiée lorsqu’un relevé montre une décision datée de ce propriétaire sur cette définition, et que le catalogue de données y renvoie. Les rôles que cette épreuve recherche sont comparés dans notre article data owner et data steward.

Le chiffre à justifier, épreuve de la qualité

La demande part d’un chiffre du dernier rapport de direction. D’où vient-il, quels contrôles a-t-il traversés, et qui a été prévenu la dernière fois qu’il était faux ?

De mémoire, la qualité est une réputation : tel fichier passe pour douteux, et les erreurs sont signalées par ceux qui s’en servent. À l’état écrit, des règles existent avec leur seuil, et une mesure a été faite une fois, à une date connue. À l’état vérifié, des contrôles s’exécutent dans les chaînes de traitement et alertent une personne nommée, qui peut montrer la dernière anomalie et sa clôture.

Remonter du chiffre à sa source s’appuie sur le data lineage, lorsqu’il est tenu. Si l’épreuve révèle des défauts qui reviennent sans cause connue, elle cède la place à un examen plus long, l’audit qualité des données.

Demander une donnée nouvelle pour juger la plateforme

La demande : disposer, pour une analyse, d’une source qui n’est pas encore exposée. Le loueur voudrait par exemple rapprocher les kilométrages transmis par les véhicules des contrats de location. On observe à qui la demande s’adresse, par où elle passe et quand la donnée arrive.

Dans le premier état, une personne qui connaît la base produit une extraction, à refaire le mois suivant. Dans le deuxième, un circuit de demande existe et les jeux de données sont décrits, mais les chargements restent manuels ou échouent sans alerte. L’état vérifié se reconnaît à une chaîne automatisée et surveillée, à un délai de mise à disposition mesuré et à une dépense qui se rattache à un usage. Ces repères recoupent les indicateurs de notre page plateforme data.

Les usages se constatent en séance

La dernière demande est d’assister à une réunion où des chiffres sont présentés, ou d’en lire le compte rendu. Le temps y va-t-il à rapprocher des chiffres ou à décider ? Les participants viennent-ils chacun avec son tableur ?

Si chaque direction apporte ses extractions et que la séance les confronte, l’usage repose sur la mémoire de chacun. Il est écrit lorsque des tableaux de bord officiels existent, avec des indicateurs définis, tandis que des extractions parallèles continuent de circuler. Il est vérifié lorsque les statistiques de consultation montrent quels rapports servent, que les contenus qui font foi sont signalés comme tels et que les décisions consignées citent les indicateurs sur lesquels elles reposent. La définition unique des indicateurs et la certification des contenus sont traitées dans notre page business intelligence et analytique.

Choisir le chantier d’après l’écart le plus en amont

Les quatre dimensions dépendent l’une de l’autre, dans un sens. Une règle de qualité attend un propriétaire pour en fixer le seuil. Une chaîne automatisée transporte fidèlement une donnée dont personne n’a arrêté le sens. Un tableau de bord hérite de tout ce qui le précède. Nous proposons donc de traiter d’abord l’écart situé le plus en amont, même s’il n’est pas le plus visible.

Si les responsabilités reposent sur la mémoire, le premier chantier est la gouvernance des données, bornée aux usages éprouvés, quel que soit l’état de la plateforme. Si elles sont écrites et que la qualité reste une réputation, le travail porte sur les règles et les contrôles, objet de notre page qualité des données. Lorsque ces deux dimensions tiennent et que chaque donnée nouvelle demande une extraction manuelle, l’investissement dans la plateforme se justifie. Si tout cela est en place et que les séances restent consacrées à rapprocher des chiffres, l’écart se trouve dans les usages.

L’état vérifié ne se vise pas pour toutes les données : il se justifie là où un usage le demande. Le relevé ne décrit que les usages éprouvés, au moment où ils l’ont été. Lorsqu’il prépare des projets d’intelligence artificielle, il se complète par celui que décrit notre article sur la maturité IA de l’entreprise.

Pour le loueur de l’hypothèse, la première épreuve précède donc la décision sur la plateforme : tant que la définition du taux d’utilisation n’a pas de propriétaire, une chaîne plus rapide livrera plus vite un chiffre contesté.

Insights

À lire sur le sujet

Tous les insights
Une politique de gouvernance des données se juge aux arbitrages qu'elle écrit

Une politique de gouvernance des données est le texte qui fixe les règles durables sur les données : périmètre, rôles, classification, accès, arbitrage des définitions, traitement des écarts. Management Square propose de laisser le mode opératoire à des procédures et de la faire approuver par la direction générale ou le comité de direction ; même approuvée, elle n'établit pas seule la conformité à un texte.

Lire l'analyse
Quels indicateurs qualité des données suivre, et comment les calculer

Les indicateurs qualité des données sont des mesures calculées, à définition constante, sur les enregistrements ou sur le traitement de leurs anomalies : taux de conformité à une règle, taux de remplissage, taux de doublons, délai de mise à disposition, âge des anomalies ouvertes. Management Square précise ici, pour chacun, ce qu'il mesure, sa formule en mots, son lecteur et ce qu'il ne dit pas.

Lire l'analyse
À quelles conditions une architecture data temps réel mérite-t-elle son coût ?

Une architecture data temps réel traite les données au fil de leur arrivée afin de tenir un délai, celui qui sépare un événement de la décision qu'il éclaire, lorsque le traitement par lots ne le tient plus. Management Square passe en revue les questions d'un comité d'investissement : quelle décision, quel délai, quel palier entre lot et flux, quelle charge d'exploitation, quelle place pour le lot.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Faut-il noter la maturité data sur une échelle de 1 à 5 ?

Une échelle chiffrée est possible, à condition que chaque niveau corresponde à un fait constaté. La grille de cet article retient trois états, selon que la réponse à une demande repose sur la mémoire d'une personne, sur un document ou sur un mécanisme qui l'applique. Elle ne calcule aucune moyenne : une note unique masquerait la dimension dont les autres dépendent.

Sur quel périmètre conduire un diagnostic de maturité data ?

Nous proposons de le conduire sur deux ou trois usages réels : un indicateur présenté à la direction, un processus opérationnel, un chiffre à justifier devant un tiers. L'état des responsabilités, de la qualité, de la plateforme et des usages peut différer d'un usage à l'autre, et un résultat global effacerait ces écarts. Un groupe gagne à relever chacune de ses entités à part.

Existe-t-il un modèle de maturité data de référence ?

L'expression maturité data relève de l'usage, et cet article n'attribue de modèle à aucun organisme. La grille qu'il propose, quatre dimensions et trois états constatés par des épreuves, est notre proposition : elle n'est tirée d'aucun modèle de maturité publié. La page de présentation du DAMA-DMBOK, cadre de référence publié par DAMA International (dama.org, lue le 12 novembre 2026), indique que chaque organisation applique ses recommandations selon son contexte, dont son niveau de maturité ; l'ouvrage lui-même n'a pas été consulté pour cet article.

La maturité data et la maturité IA se mesurent-elles ensemble ?

Ce sont deux relevés distincts, qui se recoupent sur les données. La maturité data porte sur la capacité à fournir une donnée dont quelqu'un répond, de qualité connue et obtenue dans un délai prévisible. La maturité IA y ajoute le choix des cas d'usage, la mise en service des modèles, leur encadrement et les compétences. Un projet d'IA qui bute sur ses données renvoie au premier relevé.

Que conclure lorsqu'une épreuve reste sans réponse ?

L'absence de réponse est un résultat. Si personne ne sait dire qui fixe une définition, d'où vient un chiffre ou à qui demander une donnée, la dimension concernée n'est tenue par aucune personne identifiable. Le relevé consigne alors la demande posée, les interlocuteurs sollicités et le délai écoulé, ce qui suffit à désigner le chantier à ouvrir.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.