Une scène qu’on voit souvent. Une entreprise constate que ses données ne sont pas fiables (des campagnes avec des doublons, des contacts injoignables) et lance un grand chantier de nettoyage. Quelques mois plus tard, les mêmes anomalies réapparaissent. Ailleurs, une autre organisation prend le problème par le haut : elle rédige des règles, nomme des responsables, met en place un programme de gouvernance. Un an après, les documents existent, mais la qualité sur le terrain n’a pas bougé. Dans les deux cas, l’échec vient de la même erreur : avoir attendu de l’un ce que seul l’autre peut apporter.
Data quality et data governance ne sont pas deux mots à la mode pour désigner la même chose. Ce sont deux notions distinctes, qui répondent à des questions différentes et opèrent à des niveaux différents. Les confondre coûte cher ; les opposer aussi. La vraie compétence consiste à comprendre ce que chacune fait, et surtout comment les faire fonctionner ensemble. C’est le but de cet article, avec un parti pris : sortir des définitions abstraites pour montrer ce que cela signifie concrètement quand votre matière première est la donnée de prospection.
La data quality : l’état de la donnée
La qualité des données décrit une propriété : l’aptitude d’une donnée à servir l’usage qu’on en attend. C’est une notion concrète, observable et surtout mesurable. Elle répond à une question simple : « cette donnée est-elle fiable pour ce que je veux en faire ? »
On l’évalue à travers plusieurs dimensions. L’exactitude : la donnée est-elle correcte ? Un hard bounce lors d’une campagne email, un numéro de SIRET erroné sont des défauts d’exactitude. La complétude : les champs nécessaires sont-ils tous présents ? Une adresse sans code postal est incomplète. La cohérence : la donnée est-elle identique d’un système à l’autre ? Un contact dont l’entreprise diffère entre le CRM et l’outil d’e-mailing pose un problème de cohérence. La fraîcheur : la donnée est-elle à jour ? Un intitulé de poste vieux de trois ans a de fortes chances d’être faux. L’unicité : le même contact apparaît-il plusieurs fois ? C’est le domaine des doublons. La conformité, enfin : la donnée respecte-t-elle les formats et les règles attendus, du gabarit d’une adresse postale à la présence d’un consentement opt-in valide ?
Ce qui caractérise la data quality, c’est qu’elle se chiffre. On peut dire qu’un fichier présente 8 % de doublons, un taux de rebond de 4 %, 15 % d’adresses non normalisées. La qualité est une note attribuée à un instant donné, sur un périmètre donné. Et c’est précisément cette nature (un état mesuré à un moment T) qui explique sa principale limite : sans mécanisme pour l’entretenir, cette note se dégrade toute seule. Une donnée se périme, une base vieillit, les erreurs de saisie s’accumulent. Mesurer la qualité ne suffit jamais à la maintenir.
La data governance : le système qui décide et qui maintient
La gouvernance des données ne décrit pas un état, mais un système. C’est l’ensemble des règles, des rôles, des responsabilités et des processus qui déterminent comment la donnée est produite, gérée, contrôlée et utilisée dans l’organisation. Elle ne répond pas à la question « cette donnée est-elle bonne ? », mais à des questions d’un autre ordre : qui décide de ce qu’est une donnée « bonne » ? Selon quelles règles ? Qui en est responsable ? Que fait-on quand la qualité décroche ? Qui a le droit d’accéder à quoi, et pour quel usage ?
Là où la qualité est technique et mesurable, la gouvernance est organisationnelle et structurante. Elle attribue la responsabilité de chaque donnée — dans le vocabulaire du métier, on parle de data owner, celui qui répond d’un domaine de données, et de data steward, celui qui veille au quotidien à son bon état. Elle fixe les règles de gestion : quelles sources sont autorisées, quels formats s’imposent, combien de temps on conserve une donnée, à quelle fréquence on la met à jour. Elle définit les priorités : toutes les données ne se valent pas, et la gouvernance tranche lesquelles sont critiques et méritent le plus d’attention.
Autrement dit, la gouvernance est le cadre qui rend la qualité possible et durable. Elle ne nettoie pas la donnée elle-même, elle organise les conditions pour qu’elle reste propre. C’est une discipline permanente, pas un projet ponctuel.
La différence, en une image
Pour voir la distinction, imaginez la qualité de l’eau au robinet. La data quality, c’est la pureté de l’eau à l’instant où vous remplissez le verre : on peut la tester, la mesurer, constater qu’elle est bonne ou mauvaise. La data governance, c’est la tuyauterie, les normes de potabilité et le calendrier d’entretien qui font que l’eau reste pure jour après jour. Analyser un verre d’eau ne garantit rien pour le verre suivant. C’est le système en amont qui garantit la constance.
On peut résumer le contraste ainsi. La qualité décrit un état ; la gouvernance, un système. La qualité se mesure sur un fichier ; la gouvernance s’installe dans une organisation. La qualité répond à « la donnée est-elle fiable ? » ; la gouvernance, à « qui garantit qu’elle le reste, et selon quelles règles ? ». La qualité a un horizon immédiat ; la gouvernance, un horizon durable. La première est le résultat ; la seconde, la machine qui produit ce résultat de façon répétable.
Comment articuler data quality et data governance
La bonne nouvelle, c’est que ces deux notions sont faites pour fonctionner en boucle.
Tout part de la gouvernance, qui fixe le cadre. Elle décide, par exemple, que l’adresse e-mail et le consentement opt-in sont des données importantes ; que le taux de validité attendu sur les e-mails ne doit pas descendre sous un certain seuil ; que le responsable marketing en répond ; que les sources de fichiers autorisées sont limitées à quelques fournisseurs qualifiés ; et qu’un contrôle a lieu chaque mois. Rien de tout cela ne nettoie une seule adresse mais tout cela définit la cible.
La qualité entre alors en jeu pour exécuter et mesurer. On valide les e-mails, on normalise les adresses postales, on dédoublonne, on suit le taux de rebond réel. On obtient des indicateurs chiffrés qui disent où en est la base par rapport à la cible fixée.
Ces indicateurs remontent enfin vers la gouvernance, qui arbitre. Si le taux de rebond dépasse le seuil, ce n’est plus une simple correction technique : c’est un signal qui déclenche une décision. Faut-il changer de source de fichiers ? Renforcer la vérification à la saisie ? Revoir la fréquence de mise à jour ? La gouvernance tranche, puis ajuste les règles — et la boucle recommence. La qualité fournit la mesure ; la gouvernance en tire les décisions ; les décisions améliorent la qualité future. C’est ce cycle, et non l’un ou l’autre pris isolément, qui rend une base durablement fiable.
À quoi ressemble une gouvernance « légère »
Un malentendu décourage beaucoup d’entreprises : l’idée que la gouvernance des données supposerait un responsable data, des comités et une usine à gaz réservée aux grands groupes. C’est faux, et cette croyance prive les structures moyennes d’un levier décisif. Une gouvernance peut être légère et rester efficace.
Pour une PME ou une équipe marketing, une gouvernance minimale tient en quelques éléments. Un responsable unique par base, clairement identifié, qui répond de son état ; c’est le point le plus important, car une donnée dont personne n’est responsable est une donnée qui se dégrade. Quelques règles critiques écrites noir sur blanc : quelles sources de fichiers on s’autorise, quel format s’impose pour les champs clés, combien de temps on conserve un contact, à quelle fréquence on rafraîchit la base. Deux ou trois indicateurs suivis dans le temps, pas davantage : un taux de rebond, un taux de doublons, un taux de complétude suffisent à piloter. Enfin, une revue périodique, même trimestrielle, même courte où l’on regarde ces indicateurs et où l’on décide des actions. Ce dispositif tient en une page. Il ne mobilise pas d’outil coûteux. Et il transforme un nettoyage ponctuel en démarche qui tient dans la durée. La gouvernance n’est pas une question de taille d’entreprise ; c’est une question de responsabilité assumée.
La conformité
Il existe un domaine où qualité et gouvernance se rejoignent de façon particulièrement nette : la conformité réglementaire. Le RGPD impose que les données personnelles soient exactes et tenues à jour, c’est un enjeu direct de data quality. Mais il impose aussi de disposer d’une base légale, de recueillir et tracer le consentement, de définir une durée de conservation, de documenter ses traitements.
Cette convergence est devenue stratégique pour toute activité de prospection. Le durcissement du cadre français, avec le passage progressif à une logique d’opt-in pour le démarchage, fait de la traçabilité du consentement une exigence non négociable. Or cette traçabilité n’est ni un simple problème de qualité ni une simple affaire de règles sur le papier. Elle exige les deux : une donnée exacte et à jour (qualité), encadrée par des règles claires sur ce qu’on a le droit de collecter, d’utiliser et de conserver (gouvernance). Sur le terrain de la conformité, l’entreprise qui a séparé les deux se retrouve exposée. Celle qui les a articulées dispose à la fois d’une base fiable et d’un cadre défendable.
Pour conclure
Conclusion
Data quality et data governance ne sont pas concurrentes, et il n’y a pas à choisir entre elles. La qualité sans gouvernance est une fuite que l’on éponge sans fin : l’effort est constant, le résultat ne tient pas. La gouvernance sans qualité est un règlement que personne ne ressent : les intentions sont là, l’effet ne vient pas. L’une mesure et corrige ; l’autre décide et maintient. Séparées, elles déçoivent ; articulées, elles se renforcent.
FAQ : Data gouvernance VS Data quality
Ni l’un ni l’autre en priorité absolue : les deux doivent démarrer ensemble, même à petite échelle. Attendre d’avoir une gouvernance parfaite avant de corriger la qualité, c’est laisser la base se dégrader pendant la phase de conception. Commencer par un grand nettoyage sans poser le moindre cadre, c’est s’assurer que les mêmes problèmes reviendront dans six mois. Le point de départ le plus efficace est d’identifier simultanément deux ou trois indicateurs de qualité à suivre — et de désigner un responsable pour chacun. Ce minimum suffit à créer la boucle vertueuse : la mesure alimente la décision, la décision améliore la mesure.
Ces deux rôles viennent du vocabulaire de la gouvernance formelle. Le data owner est le responsable métier d’un domaine de données : il en répond stratégiquement, décide des règles qui s’y appliquent et arbitre les conflits d’usage. Le data steward est l’opérationnel qui veille au quotidien à la bonne application de ces règles et à la qualité de la donnée dans ce périmètre. Dans une grande organisation, ce sont deux personnes distinctes. Dans une PME ou une équipe marketing, une seule personne peut assumer les deux rôles sur un périmètre restreint. L’essentiel n’est pas le titre, mais que la responsabilité soit attribuée explicitement. Une donnée dont personne n’est désigné responsable est une donnée condamnée à se dégrader.
Elle s’applique aux deux, et c’est précisément là que beaucoup d’équipes marketing ont un angle mort. Dès qu’un fichier externe entre dans vos systèmes, vos règles de gouvernance s’y appliquent : sources autorisées, format attendu, vérification de conformité avant intégration, traçabilité de l’origine et du consentement. Un fichier acheté sans vérification préalable peut introduire des données non conformes au RGPD, des doublons avec votre base existante ou des contacts hors de votre cible — et contaminer une base par ailleurs bien tenue. La gouvernance n’est donc pas seulement une affaire de production interne : elle définit aussi les conditions d’entrée des données externes, et les critères que doit respecter tout fournisseur de fichiers.
La gouvernance ne se mesure pas directement — on mesure ses effets à travers les indicateurs de qualité qu’elle est censée faire progresser. Un programme de gouvernance efficace se traduit par une stabilisation ou une amélioration dans le temps des métriques clés : taux de rebond en baisse, taux de doublons maîtrisé, complétude des champs critiques en hausse, incidents de conformité moins fréquents. Si ces indicateurs stagnent ou se dégradent malgré des règles en place, c’est que la gouvernance est nominale — elle existe sur le papier mais n’est pas appliquée ou pas outillée. Le meilleur test d’une gouvernance réelle est simple : les mêmes anomalies reviennent-elles d’une campagne à l’autre ? Si oui, le cadre ne produit pas encore d’effet.
Oui, et c’est l’une des applications les plus concrètes pour une équipe en charge de la prospection ou de la relation client. Le référentiel client unique est une vue consolidée et dédupliquée de chaque contact, réconciliée à travers tous les systèmes — CRM, outil d’e-mailing, fichiers de prospection, ERP. Construire et maintenir un RCU est précisément un objectif de gouvernance : il faut décider quelles sources font foi, comment on réconcilie les identités, qui valide les fusions et qui en est responsable. Sans gouvernance, un RCU devient rapidement un référentiel de façade, re-contaminé par des doublons dès que les sources continuent à produire de la donnée sans règle commune.
