Section 14.2.3 : Data quality et gouvernance
🎯 Objectif pédagogique
Implémenter un framework de data quality pour garantir que les données CRM sont propres, complètes et fiables — condition sine qua non pour que l'IA et le scoring fonctionnent.
Le problème : garbage in, garbage out
L'IA et le ML ne peuvent pas fonctionner avec des données sales. Si votre CRM contient des doublons, des champs vides, et des informations obsolètes, votre scoring prédictif sera inutile.
Les 5 dimensions de la data quality
## Framework ACCTF de Data Quality
### 1. Accuracy (Exactitude)
- Les données correspondent-elles à la réalité ?
- Vérification : enrichissement périodique (tous les 90 jours)
### 2. Completeness (Complétude)
- Les champs essentiels sont-ils remplis ?
- Taux cible : email (100%), titre (90%), taille (80%)
### 3. Consistency (Cohérence)
- Les mêmes données sont-elles identiques partout ?
- Action : normalisation automatique, picklists
### 4. Timeliness (Fraîcheur)
- 30% des données B2B deviennent obsolètes chaque année
- Action : enrichissement trimestriel
### 5. Format (Standardisation)
- Téléphone : +33 1 23 45 67 89 (pas 0123456789)
- Action : validation à la saisie
Dashboard de data quality
Règle d or de la data quality
La data quality n'est pas un projet ponctuel — c'est un processus continu. Planifiez un audit mensuel, des enrichissements trimestriels, et des règles de validation à la saisie. Un CRM avec 10 000 contacts propres vaut 10x plus qu'un CRM avec 100 000 contacts sales.
Quel pourcentage de données B2B devient obsolète chaque année ?
Apprendre l’IA, du premier prompt aux agents