Une base de 50 000 contacts avec 2 % d’adresses invalides, c’est 1 000 messages qui reviennent en hard bounce à chaque campagne. Le CRM, lui, affiche toujours 50 000 lignes. La qualité des données (data quality en anglais) se joue dans cet écart entre ce que la base contient et ce que l’on peut réellement en faire. Elle désigne le degré d’adéquation d’un jeu de données à l’usage prévu. Six critères la mesurent : exactitude, complétude, validité, cohérence, actualité, unicité, chacun avec un indicateur chiffrable détaillé plus bas.
Qu’est-ce que la qualité des données ?
La qualité des données est le degré auquel un jeu de données convient à l’usage qu’on veut en faire. Une donnée n’est pas bonne ou mauvaise en soi : un numéro de téléphone fixe est correct pour un service de facturation, inutilisable pour une campagne SMS. Cette logique d’adéquation à l’usage (fit for purpose chez les anglophones) explique pourquoi deux équipes d’une même entreprise jugent différemment la même table client.
Il faut aussi séparer deux notions que les glossaires mélangent. La gouvernance des données fixe qui possède quelle donnée et selon quelles règles ; la qualité mesure le résultat de ces règles sur le terrain. Une entreprise peut avoir une charte de gouvernance impeccable et 15 % de doublons dans son CRM.
Les six critères, de l’exactitude à l’unicité
Les référentiels varient d’un éditeur à l’autre, certains en listent moins, d’autres davantage (intégrité, conformité, vraisemblance). Six sont les plus courants ; la « disponibilité » souvent citée relève de l’accès et de l’architecture, sans toucher au contenu de la donnée.
| Critère | Question posée | Indicateur mesurable | Exemple sur un email |
|---|---|---|---|
| Exactitude | La valeur reflète-t-elle la réalité ? | Taux d’erreurs sur un échantillon contrôlé | L’adresse existe mais le nom associé est celui d’un autre contact |
| Complétude | Les champs requis sont-ils remplis ? | Taux de complétude par champ | Contact sans email ni téléphone |
| Validité | Le format respecte-t-il la règle ? | Part des valeurs hors format | jean.dupont@gmail,com |
| Cohérence | Deux systèmes disent-ils la même chose ? | Taux de divergence entre CRM et outil d’emailing | Contact désinscrit dans l’un, actif dans l’autre |
| Actualité | La donnée est-elle encore vraie ? | Ancienneté de la dernière mise à jour | Adresse professionnelle d’un salarié parti |
| Unicité | Une entité apparaît-elle une seule fois ? | Taux de doublons | Même personne saisie avec deux adresses |
La validité se vérifie par une règle, l’exactitude par une confrontation au réel ; c’est pourquoi une adresse peut être valide sans être exacte. marie@exemple.fr respecte la syntaxe et passe le contrôle du formulaire. Elle n’existe pas.
Comment mesurer la qualité des données ?
Mesurer commence par le profilage (data profiling) : un balayage de chaque table qui compte les valeurs vides et les doublons, puis relève la plage des dates de mise à jour. Sur un export CRM de 50 000 lignes, une dizaine de requêtes SQL ou un tableur avec tableau croisé dynamique suffisent pour un premier état des lieux.
Quatre métriques de qualité couvrent l’essentiel du besoin d’un service marketing :
- le taux de complétude : champs renseignés divisés par champs requis, calculé champ par champ et segment par segment plutôt qu’en moyenne ;
- le taux de doublons : fiches redondantes divisées par fiches totales ;
- le taux de hard bounce par envoi : adresses rejetées définitivement divisées par messages envoyés ;
- l’ancienneté médiane de la dernière mise à jour, qui repère les segments dormants.
Un seuil se fixe par usage et se consigne par écrit (99 % de complétude exigée sur l’email, 60 % tolérée sur la fonction, par exemple). Sans lui, un indicateur à 94 % ne dit rien : acceptable pour un champ facultatif, alarmant pour l’adresse email d’une base d’envoi.
Dans quel ordre traiter les critères ?
Commencer par l’unicité et la validité. Ce sont les deux critères que l’on corrige en masse et sans débat : un dédoublonnage et un contrôle de format se programment, leur résultat se vérifie le jour même.
La complétude vient ensuite, parce qu’un champ vide ne se comble qu’avec une source ou une relance. L’exactitude et l’actualité demandent un contrôle contre le réel ; elles coûtent plus cher par ligne, donc elles se concentrent sur les segments qui servent. La cohérence passe en dernier, car elle suppose que chaque système soit déjà propre avant d’être comparé aux autres.
Que coûte une mauvaise qualité de données ?
Plusieurs millions de dollars par an pour une grande organisation, selon les estimations les plus citées. Elles sont déclaratives et ne se transposent pas telles quelles à une PME.
Gartner a chiffré à 12,9 millions de dollars par an, dans son Magic Quadrant for Data Quality Solutions de juillet 2020, le coût moyen de la mauvaise qualité des données, un résultat tiré d’une enquête auprès de 154 clients de référence de 16 éditeurs de solutions de qualité des données. Une estimation autodéclarée, donc. Plus ancien et plus spectaculaire, le chiffre de 3 000 milliards de dollars par an pour l’économie américaine a été popularisé par Thomas Redman dans la Harvard Business Review en 2016. Aucune méthode publiée ne permet de le reproduire, le chiffre remontant à une extrapolation de 2011 reprise ensuite par IBM ; il donne un ordre de grandeur et rien de plus.
Pour une équipe marketing, le coût se lit plus bas, dans des lignes que l’on peut compter : envois perdus, relances commerciales sur des fiches obsolètes, remises envoyées deux fois au même client. Le calcul se fait sur ses propres données, avec ses propres coûts unitaires.
L’exemple des adresses email : bounce et délivrabilité
Une base d’adresses vieillit sans bruit. Personne ne prévient l’équipe marketing quand un contact change de poste. Un salarié quitte son entreprise, sa boîte est fermée, l’adresse passe de valide à rejetée du jour au lendemain sans qu’aucun champ du CRM ne l’indique. Le premier signal arrive au prochain envoi, sous forme d’un NDR (non-delivery report) renvoyé par le serveur destinataire avec un code 550 5.1.1 (RFC 5321 et RFC 3463), qui signale une boîte inexistante.
Google publie des seuils précis ; aucun ne porte sur le bounce. Ses règles pour les expéditeurs demandent de garder le taux de spam déclaré dans Postmaster Tools sous 0,10 % et de ne jamais atteindre 0,30 % ; elles recommandent aussi de réduire le volume quand les messages rebondissent. Aucun seuil de hard bounce n’y figure. Chaque équipe doit donc fixer le sien, en sachant qu’un taux qui grimpe dégrade la sender reputation et que le filtrage de Gmail touche alors toute la campagne, y compris les contacts actifs.
La vérification des adresses avant l’envoi coupe ce mécanisme à la source : syntaxe, existence du domaine, boîte joignable, détection des domaines catchall et des adresses jetables. Contrairement à l’objection courante (« on filtrera après »), le rebond a déjà eu lieu quand on le constate, ce qui pèse sur la réputation du domaine. Sur une base réelle, la vérification d’emails d’un échantillon de 1 000 à 2 000 adresses tirées de la prochaine campagne donne un taux d’invalides exploitable avant d’engager la liste entière. La délivrabilité dépend aussi de l’authentification : un SPF ou un DKIM mal posé produit les mêmes symptômes qu’une base périmée.
Ce que dit le RGPD sur l’exactitude
La qualité des données relève aussi du droit : le règlement (UE) 2016/679, applicable depuis le 25 mai 2018, en fait une obligation. L’article 5, paragraphe 1, point d, impose des données personnelles « exactes et, si nécessaire, tenues à jour », avec toutes les mesures raisonnables pour effacer ou rectifier sans tarder les données inexactes au regard de la finalité.
Une liste d’emails jamais nettoyée contient des fiches d’anciens salariés, d’entreprises fermées, de personnes qui ont changé d’adresse. Le principe s’applique à elles. La collecte elle-même compte aussi : un recueil en double opt-in écarte les fautes de frappe dès l’inscription, puisque l’adresse doit répondre pour être enregistrée.
Comment corriger une base de données dégradée ?
On corrige dans l’ordre du tableau précédent, sur une copie de la base, car une correction faite en place ne se rattrape pas. Quatre opérations couvrent l’essentiel :
- le dédoublonnage : on regroupe les fiches qui désignent la même personne (même email normalisé, même nom et même société) et l’on garde la plus complète ;
- la normalisation : une seule écriture pour les dates, les pays, les civilités et les adresses, en minuscules pour les emails ;
- l’enrichissement : on comble les champs vides avec une source fiable, sinon le champ reste marqué comme inconnu ;
- la suppression ou l’archivage des fiches qui n’ont plus d’usage prévu, ce qui rejoint le principe de minimisation du RGPD.
Chaque règle a un responsable, souvent appelé data steward : la personne qui décide quelle fiche l’emporte et valide les seuils. Sans ce nom écrit quelque part, le nettoyage dépend de la bonne volonté de chacun et recommence à zéro à la campagne suivante.
Les erreurs qui reviennent
Nettoyer sans corriger la source. Une base purgée en janvier se pollue de nouveau en mars si le formulaire d’inscription accepte encore gmail,com ou les adresses de test. Le contrôle à l’entrée coûte moins cher que 10 purges.
Fusionner deux CRM sans règle de survie. Quand deux fiches se contredisent, quelqu’un décide laquelle l’emporte : l’adresse la plus récente, la source la plus fiable ou la fiche la plus complète. Sans règle écrite, la fusion écrase des données justes avec des données périmées.
Mesurer en moyenne globale. Un taux de complétude de 92 % sur toute la base cache un champ « email » rempli à 99 % et un champ « fonction » à 40 %.
Confondre outil et méthode. Un logiciel de qualité des données applique des règles ; il ne les choisit pas. Le choix des outils et le suivi dans la durée sont traités dans notre page sur le Data Quality Management.
