Dans de nombreuses organisations, la gestion de la qualité des données ressemble à une course interminable. Chaque semaine, des rapports incohérents, des indicateurs divergents ou des saisies erronées émergent et mobilisent les équipes dans une succession de corrections. On corrige, on ajuste, on recroise… sans jamais s’attaquer aux causes profondes.
Ce mode de fonctionnement « pompiers » donne l’impression de maîtriser la situation, mais il épuise les collaborateurs, consomme du temps et fragilise la confiance interne. Surtout, il bloque l’accès aux innovations stratégiques : aucun projet d’intelligence artificielle ne peut fonctionner avec des données instables ou incohérentes.
C’est précisément la situation dans laquelle se trouvait Vilogia, bailleur social de plus de 90 000 logements. Malgré un fort intérêt pour l’IA, les initiatives dépassaient rarement le stade de l’expérimentation, faute de données fiables. La transformation n’a réellement commencé que lorsque l’entreprise a décidé de sortir de la logique réactive pour adopter une démarche proactive, structurée et ancrée dans les processus métiers.
Comprendre le vrai visage de votre patrimoine de données
La qualité : bien plus que l’exactitude
Une donnée n’est de qualité que si elle est apte à l’usage : exacte, complète, cohérente, fraîche et fiable. C’est cette aptitude qui conditionne la performance opérationnelle… et la pertinence des modèles d’IA.
Chez Vilogia, le problème n’était pas « des données fausses » au sens strict. Le problème était l’absence d’un langage commun : ce qu’un service appelait “logement”, “demandeur de logement” ou même “facture” n’avait pas la même signification d’un autre. Résultat : des analyses impossibles à fiabiliser, car basées sur des données mal comprises, et aucune chance de construire des modèles d’IA dans ces conditions
Toutes les données ne se valent pas : focus sur les 14 % utiles
L’iceberg des données met en évidence une réalité centrale :
- 14 % seulement des données sont véritablement critiques,
Source : Databerg Report de Veritas - 32 % sont redondantes ou obsolètes,
- 54 % sont stockées mais jamais exploitées.
La clé n’est donc pas de nettoyer tout le patrimoine, mais de cibler les données qui soutiennent les processus essentiels. C’est ce que Vilogia a fait en se concentrant d’abord sur la chaine de ses commandes, la vacance de ses logements et les demandes d’attributions de logements.
La non-qualité vient des processus, pas des données
Dans l’immense majorité des entreprises — et Vilogia n’a pas fait exception — les anomalies visibles ne sont que le symptôme d’un désalignement plus profond :
- définitions différentes d’un même concept,
- processus hétérogènes selon les services,
- systèmes qui synchronisent ou tracent mal l’information,
- aucune responsabilité claire sur la donnée.
Ce n’est pas la donnée qui dysfonctionne : ce sont les activités qui la produisent.
Et tant que ces causes structurelles ne sont pas traitées, l’IA reste impossible à industrialiser.
Un frein direct à l’innovation
Chez Vilogia, ce cercle vicieux entraînait :
- une méfiance généralisée envers la donnée,
- une multiplication de fichiers Excel parallèles,
- des rapports BI incohérents,
- et une incapacité totale à entraîner des modèles IA fiables.
La non-qualité ne ralentissait pas seulement l’organisation : elle bloquait sa capacité à innover.
Passer à l’action : les trois piliers de l’Excellence des Données
Pilier 1 — S’ancrer dans les gestes métier
Plutôt que d’auditer des millions d’enregistrements, Vilogia a commencé par un geste métier simple mais stratégique :
« Réduire la vacance des logements ».
Ce point de départ concret a permis de :
- identifier les données réellement critiques (statut des logements, motifs de vacances …),
- comprendre les ruptures dans la chaîne,
- clarifier les responsabilités,
- objectiver les impacts financiers du moindre défaut.
Ce geste métier a servi de socle à toute la transformation, en reconnectant la gouvernance de la donnée à la réalité opérationnelle.
Pilier 2 — Monétiser la qualité des données
Une amélioration n’a de sens que si elle crée de la valeur.
Chez Vilogia, la quantification des impacts a été un véritable révélateur :
- surcharges en temps humain pour corriger les anomalies,
- tensions avec les parties prenantes
- erreurs dans les reportings,
- difficultés à produire des indicateurs fiables pour la direction générale
- pénalités financières ou amendes règlementaires dans certains cas
Ce travail a permis de démontrer que la non-qualité coûtait beaucoup plus cher que sa résolution.
Et surtout : sans une donnée stable, aucun modèle de prédiction sur la vacance des logements ne pouvait être performant.
Pilier 3 — Cibler uniquement la donnée utile
Vilogia a ensuite déployé une approche progressive, structurée et orientée résultats :
- 700 définitions métier co-construites,
- des exigences de qualité claires pour chaque donnée,
- des sondes automatisées pour détecter les anomalies à la source,
- des tableaux de bord qualité pour piloter l’amélioration en continu,
- des équipes enfin en capacité d’agir sur les causes plutôt que sur les symptômes.
Ce système a transformé la qualité des données en un véritable pilotage opérationnel, et non en un chantier abstrait.
L’effet Vilogia : quand la qualité devient un accélérateur d’innovation
Le changement de posture de Vilogia révèle un enseignement majeur :
La qualité des données n’est pas un sujet IT. C’est le prérequis indispensable pour industrialiser l’intelligence artificielle.
Tant que les données étaient incohérentes, les projets IA restaient bloqués.
Une fois les fondations reconstruites, les cas d’usage ont pu — enfin — être déployés :
- prédiction comme aide à la décision
- optimisation du traitement des anomalies,
- priorisation intelligente des interventions,
- amélioration des performances financières.
La qualité des données, autrefois frein, est devenue un accélérateur d’innovation.
Faites de la qualité un avantage stratégique
L’expérience de Vilogia montre qu’il est possible de transformer une situation de correction permanente en un système cohérent, maîtrisé et orienté valeur.
Et surtout : elle montre que la non-qualité n’est pas seulement une perte de temps.
C’est un verrou majeur pour l’innovation, notamment pour l’IA.
Passer à une démarche proactive permet :
- des décisions fiables,
- des processus fluides,
- une mobilisation collective autour de données maîtrisées,
- des projets IA enfin réalisables et industrialisables.
La question n’est donc pas :
« Mes données sont-elles de qualité ? »
mais :
« Suis-je prêt à mettre en place ce qu’il faut pour qu’elles le deviennent durablement — et débloquer l’innovation ? »
