FAQ : les 15 questions autour de la Data, ERP & IA

Pilier 1 : Fiabilité & qualité de la donnée

·       Comment savoir si une donnée est réellement fiable

Assurer la qualité de la donnée, ce n'est pas une action ponctuelle, c'est un processus continu.

Il faut d'abord définir des règles claires : qui saisit la donnée, selon quel format, avec quels contrôles à l'entrée.

Il faut ensuite mettre en place des vérifications régulières, par exemple des rapprochements automatiques entre systèmes ou des alertes sur les valeurs incohérentes.

La pertinence, elle, dépend de l'usage : une donnée est pertinente si elle sert réellement une décision, sinon elle devient du bruit inutile à maintenir.

Pour la mise à jour permanente, il faut désigner des responsables qui actualisent la donnée au fil de l'eau, et non une fois par an lors d'un grand nettoyage.

Des indicateurs simples comme le taux de complétude, le taux d'erreur ou la fraîcheur des données permettent de suivre cette qualité dans le temps.

En résumé : des règles claires, des contrôles réguliers, des responsables identifiés et des indicateurs de suivi.

Pilier 1 : Fiabilité & qualité de la donnée

·       Faut-il vraiment attendre d'avoir une data "propre" pour commencer avec un ERP boosté à l'IA, ou peut-on avancer avec l'imparfait ?

Non, il ne faut pas attendre que toute la donnée soit parfaite pour commencer.

Dans la réalité, aucune entreprise n’a une donnée propre à 100 pourcent.

Attendre la perfection revient souvent à repousser indéfiniment le projet.

La bonne approche est plutôt de commencer avec un périmètre maîtrisé.

On identifie les données les plus critiques : clients, fournisseurs, produits, contrats, factures.

Puis on corrige progressivement ce qui bloque vraiment les décisions.

C’est une logique pragmatique : avancer, tester, contrôler, améliorer.

En revanche, l’IA ne doit pas être utilisée sans garde-fou.

Si les données d’entrée sont mauvaises, l’IA peut produire des réponses fausses, mais très convaincantes. Elle peut accélérer l’analyse, mais elle peut aussi accélérer les erreurs.

Il faut donc documenter les règles, contrôler les résultats et garder une validation humaine.

L’objectif n’est pas d’avoir une donnée parfaite dès le départ, mais une donnée suffisamment fiable pour démarrer proprement

Pilier 1 : Fiabilité & qualité de la donnée

·       Comment s'assurer de la qualité, de la pertinence et de la mise à jour permanente de la data ?

Assurer la qualité de la donnée, ce n'est pas une action ponctuelle, c'est un processus continu.

Il faut d'abord définir des règles claires : qui saisit la donnée, selon quel format, avec quels contrôles à l'entrée.

Il faut ensuite mettre en place des vérifications régulières, par exemple des rapprochements automatiques entre systèmes ou des alertes sur les valeurs incohérentes.

La pertinence, elle, dépend de l'usage : une donnée est pertinente si elle sert réellement une décision, sinon elle devient du bruit inutile à maintenir.

Pour la mise à jour permanente, il faut désigner des responsables qui actualisent la donnée au fil de l'eau, et non une fois par an lors d'un grand nettoyage.

Des indicateurs simples comme le taux de complétude, le taux d'erreur ou la fraîcheur des données permettent de suivre cette qualité dans le temps.

En résumé : des règles claires, des contrôles réguliers, des responsables identifiés et des indicateurs de suivi.

Pilier 1 : Fiabilité & qualité de la donnée

·       Comment éviter que chaque direction ait sa propre version des chiffres ?

-  Une source unique de vérité : définir un référentiel officiel (un entrepôt de données, ou à défaut un fichier/tableau maître) d'où toutes les directions tirent leurs chiffres.

-     Des définitions partagées : il faut formaliser un dictionnaire d'indicateurs : définition, règle de calcul, périmètre, propriétaire.

-     Un propriétaire par indicateur : chaque chiffre a un responsable identifié (data owner) qui valide sa définition et arbitre les litiges. Sans ça, personne ne tranche.

-     Le calcul en amont, pas dans les rapports : les indicateurs doivent être calculés une fois, au niveau du référentiel, pas réagrégés dans dix tableurs différents.

-     Un cycle de réconciliation : un rituel régulier (mensuel) où l'on confronte les chiffres, on identifie les écarts et on corrige la source, pas la copie.

-     Limiter les tableurs isolés : ce sont eux qui font diverger les versions. Cela passe par centraliser sur le reporting sur un outil commun (BI), moins il y a de « ma version » possible.

🏛️ Pilier 2 : Gouvernance & ownership Qui fait quoi avec la data ?

• Qui doit être propriétaire des données dans une entreprise ?

La propriété des données ne doit pas être centralisée dans un seul service informatique, mais partagée de façon transverse à travers des rôles métiers bien définis. On distingue généralement les Data Owners (responsables de données), qui sont des experts métiers situés au plus près du terrain (finance, logistique, marketing). Chaque Data Owner pilote son domaine : il valide les cas d'usage, accorde les droits d'accès selon les besoins et s'assure de la maturité des informations. Ils travaillent main dans la main avec le Chief Data Officer (CDO), qui anime la stratégie globale et diffuse la culture de la donnée , et le Data Steward, qui documente techniquement le catalogue de données. Confier la responsabilité aux équipes métiers garantit que la donnée serve réellement la performance de l'entreprise.

• À quoi sert un Data Owner ?

Le Data Owner est la personne responsable d'une donnée ou d'un domaine de données, comme les clients, les produits ou les contrats. Son rôle n'est pas de gérer la technique, mais de garantir la fiabilité et la bonne utilisation métier de cette donnée. Concrètement, il valide les définitions, tranche en cas de désaccord sur une règle de gestion, et s'assure que la donnée reste cohérente dans le temps. Il est aussi le point de contact quand une équipe a un doute sur une donnée ou détecte une anomalie. Sans Data Owner, une donnée finit souvent par appartenir à tout le monde et à personne à la fois, ce qui entraîne des versions divergentes et des incohérences entre services. Le Data Owner évite cette dilution des responsabilités. Il crée aussi un langage commun entre la finance, les métiers et la DSI, en s'appuyant souvent sur un dictionnaire de données partagé. C'est donc un rôle de garant, pas un rôle technique.

• Quelle est la première étape d'une vraie gouvernance de la donnée ?

La première étape n’est pas de choisir un outil.

La première étape est de comprendre ce que l’on veut piloter.

Avant de parler ERP, BI ou IA, il faut identifier les décisions à améliorer.

Par exemple : mieux suivre la rentabilité, anticiper la trésorerie, fiabiliser le chiffre d’affaires ou réduire les erreurs de reporting.

Ensuite, il faut lister les données nécessaires à ces décisions.

C’est là que commence la gouvernance de la donnée.

Il faut savoir d’où vient la donnée, qui la crée, qui la modifie, qui la contrôle et qui l’utilise.

Une donnée ne doit pas être “à tout le monde et à personne”.

Elle doit avoir un responsable métier, des règles de gestion et une définition commune.

Le cahier technique DFCG insiste notamment sur l’importance du dictionnaire de données et de la cartographie des données utiles.

Ce travail permet de parler le même langage entre la finance, les métiers, la direction et la DSI.

Sans ce socle, les outils produisent souvent plusieurs versions de la vérité.

Une vraie gouvernance commence donc par une question simple : quelles données sont critiques pour décider correctement ?

• Comment construire un dictionnaire de données ?

  La construction d'un dictionnaire de données (ou référentiel) commence par une analyse des besoins métiers afin de cibler uniquement les données utiles à la stratégie, sous peine de se “noyer” dans la masse. Ensuite, la démarche se déroule en plusieurs étapes clés: 

• Recenser les sources : identifier où se trouvent les informations (ERP, CRM, fichiers Excel). 

• Définir les champs : nommer chaque donnée et spécifier son format précis (type de texte, nombre entier, format de date obligatoire pour éviter que le modèle ne plante). 

• Créer les relations (Tables et Liens) : structurer les données sous forme de tables et établir des clés primaires (comme un code client) pour lier les tables entre elles. 

• Matérialiser les règles de gestion : Inscrire les règles métiers indispensables à l'harmonisation et à la réconciliation future des données. 

• Quelles données faut-il contrôler tous les mois ?  F

Il ne faut pas chercher à tout contrôler chaque mois, seulement les données qui ont un impact direct sur les décisions.

En priorité, on retrouve les données financières critiques : chiffre d'affaires, marge, trésorerie, encours clients et fournisseurs.

Viennent ensuite les données qui alimentent le reporting de gestion, comme les référentiels produits, les centres de coûts ou les axes analytiques utilisés pour la rentabilité. Il est aussi important de vérifier les données à fort risque d'erreur humaine, comme les saisies manuelles ou les fichiers Excel de retraitement.

L'objectif n'est pas la perfection, mais d'éviter que des erreurs s'accumulent silencieusement mois après mois. Ce contrôle régulier renforce la confiance dans les chiffres présentés à la direction. 

🛠️ Pilier 3 : Outils, stack & IA Excel, ERP, EPM, BI, IA… j'utilise quoi et jusqu'où ?

• À partir de quand faut-il quitter Excel ? 

Excel reste un très bon outil pour analyser, retraiter, simuler ou contrôler rapidement.

Le problème commence quand Excel devient le référentiel officiel de l’entreprise.

C’est le cas lorsqu’un fichier Excel sert à corriger l’ERP, réconcilier plusieurs systèmes ou produire un reporting critique.

Le signal d’alerte sur Excel est quand plusieurs versions du même fichier circulent.

À ce moment-là, chacun peut reconstruire sa propre vérité.

Le risque n’est pas seulement technique : erreur de formule, mauvais copier-coller, fichier non mis à jour.

Le risque devient aussi organisationnel, car la confiance dans les chiffres diminue.

Il faut donc sortir d’Excel les données qui doivent être partagées, historisées, sécurisées et contrôlées.

Excel peut rester un outil d’analyse, mais il ne doit pas remplacer durablement un ERP, une BI ou une base de données structurée. 

Le vrai sujet n’est donc pas “faut-il supprimer Excel ?”, mais “quel usage d’Excel est encore acceptable ?” 

• Comment savoir qu'un ERP n'est plus adapté ?

Un ERP (système de gestion quotidien de l'entreprise) n'est plus adapté lorsqu'il devient un frein à l'agilité et à l'innovation.

Plusieurs signaux d'alerte ne trompent pas :

1) D'abord, lorsque les collaborateurs multiplient les outils "maison", les fichiers Excel et les requêtes isolées pour pallier les manques du système, créant de véritables boîtes noires informatiques.

2) Ensuite, si l'ERP est techniquement obsolète ou totalement hermétique aux interfaces automatiques, empêchant toute extraction fluide ou interopérabilité avec de nouveaux outils (comme la Business Intelligence ou l'IA).

3) Enfin, un ERP obsolète se repère lorsque le traitement en profondeur et le nettoyage des données deviennent indispensables mais impossibles à réaliser en interne , ou lorsque le système est incapable d'absorber la croissance de l'entreprise (par exemple lors de l'intégration d'une nouvelle entité).

• ERP ou EPM : qui fait quoi ?

L'ERP et l'EPM ne jouent pas le même rôle, et c'est une confusion fréquente en entreprise. L'ERP, comme SAP ou Oracle, gère les opérations du quotidien : facturation, achats, stocks, comptabilité. C'est la source de la donnée brute, celle qui reflète ce qui s'est réellement passé dans l'entreprise.

L'EPM, lui, sert au pilotage : budget, prévisions, consolidation, reporting de gestion. Il reprend les données de l'ERP pour les analyser, les projeter et aider à la décision.

En résumé, l'ERP répond à la question "que s'est-il passé", tandis que l'EPM répond à "que va-t-il se passer et comment piloter".

Le problème apparaît souvent quand une entreprise essaie de faire du pilotage directement dans l'ERP, ou au contraire de faire de la saisie comptable dans l'EPM.

Ce sont deux outils complémentaires, pas concurrents, et bien les articuler évite de dupliquer les données ou de créer des écarts entre versions. 

• BI ou IA : lequel apporte le plus de valeur aujourd'hui ? 

Aujourd’hui, la BI apporte souvent la valeur la plus immédiate.

Elle permet de consolider les données, d’automatiser les indicateurs et de visualiser l’activité.

Elle répond à une question simple : que se passe-t-il dans l’entreprise ?

Pour une entreprise encore peu mature sur la data, c’est souvent la première marche utile.

La BI aide à fiabiliser le pilotage et à éviter les reportings manuels contradictoires.

Mais la BI ne suffit pas si la donnée est mal définie ou mal comprise.

Un beau tableau de bord ne sert à rien si l’indicateur n’est pas fiable ou s’il ne répond à aucune décision.

L’IA, elle, peut aller plus loin : expliquer des écarts, détecter des anomalies, générer des commentaires ou aider à prévoir.

Mais elle dépend fortement de la qualité des données et des règles de gestion.

Sans données fiables, l’IA risque d’amplifier les erreurs.

La bonne logique n’est donc pas BI contre IA.

La bonne logique est plutôt : d’abord structurer les données, puis les piloter avec la BI, puis utiliser l’IA là où elle apporte un vrai gain. 

• Doit-on privilégier un développement interne (à l'heure de l'IA ?) ou aller sur une solution éditeur ?

À l'ère de l'IA et de la transformation digitale, le choix dépend de la complexité de votre métier et de vos ressources. 

Les solutions éditeurs (souvent en mode SaaS/Cloud) sont fortement à privilégier pour les infrastructures lourdes comme le stockage (Data Warehouse) ou les outils de sécurité. Elles offrent des avantages rapides et sans investissements techniques initiaux disproportionnés, et la maintenance est externalisée. 

En revanche, l'IA et le traitement de données exigent de conserver une forte maîtrise interne sur les algorithmes et la connaissance métier. Développer vos propres modèles permet de coller parfaitement à vos facteurs clés de succès et d'éviter les "boîtes noires" logicielles dont vous ne maîtriseriez pas les règles de calcul.

L'idéal est donc un modèle hybride : une infrastructure standardisée chez un éditeur, combinée à une intelligence algorithmique interne.

• L'IA va-t-elle remplacer le contrôle de gestion ?

Non, l’IA ne va pas remplacer le contrôle de gestion. Elle va surtout transformer une partie de son travail.

Aujourd’hui, l’IA peut d'abord aider à produire des graphiques, analyser des écarts, générer des commentaires ou détecter des anomalies plus rapidement.

Elle peut donc faire gagner du temps sur certaines tâches répétitives ou très consommatrices de données.

Mais le contrôle de gestion ne consiste pas seulement à produire des tableaux de bord. Son rôle est aussi de comprendre les chiffres, de les relier à la réalité opérationnelle et d’aider les dirigeants à prendre les bonnes décisions.

La fonction finance devient de plus en plus un animateur de la donnée et un “certificateur” des outils de gestion. Le contrôleur de gestion évolue vers un rôle de co-pilotage avec les métiers.

L’IA ne sait pas, à elle seule, si une donnée est fiable, si un indicateur est pertinent ou si une évolution est normale dans le contexte de l’entreprise.

Elle peut aussi produire de mauvaises analyses si les données de départ sont fausses ou mal structurées.

Merci encore pour ce super épisode et voici mes réponses à vos questions :

🔍 Pilier 1 : Fiabilité & qualité de la donnée Est-ce que je peux vraiment faire confiance à mes chiffres ?

• Comment savoir si une donnée est réellement fiable ?

  • C'est le moment où on sait qu'on peut décider en ayant réduit le risque

• Comment s'assurer de la qualité, de la pertinence et de la mise à jour permanente de la data ?

  • Pour ça il faut des procédures et surtout une gouvernance on ne peut assurer que si on a des règles de gestion

• Faut-il vraiment attendre d'avoir une data "propre" pour commencer avec un ERP boosté à l'IA, ou peut-on avancer avec l'imparfait ?

  • C'est quasi mission impossible. Il faut faire des arbitrages et le 80/20 sera largement suffisant pour prendre des décisions et piloter et aussi se lancer dans des projets.

• Comment éviter que chaque direction ait sa propre version des chiffres ?

  • Le master data management et la gouvernance sont la clé pour éviter les écarts de langage

🏛️ Pilier 2 : Gouvernance & ownership Qui fait quoi avec la data ?

• Qui doit être propriétaire des données dans une entreprise ?

  • Pour moi c'est le métier qui est responsable de sa donnée

• À quoi sert un Data Owner ?

  • Il permet de faire avancer les sujets et les projets. Sans data owner on risque surtout de passer par un volet où plus personne n'est responsable

• Quelle est la première étape d'une vraie gouvernance des données ?

  • La première étape c'est de mettre en place son master data cible et avoir des définitions

• Comment construire un dictionnaire de données ?

  • Sur ça il n'y a pas de secret il faut le faire avec les responsables de chaque KPI

• Quelles données faut-il contrôler tous les mois ?

  • Les KPI clé qui vous permettent de piloter. Le piège, c'est de tout contrôler et au final de s'épuiser à courir après la data...

🛠️ Pilier 3 : Outils, stack & IA Excel, ERP, EPM, BI, IA… j'utilise quoi et jusqu'où ?

• À partir de quand faut-il quitter Excel ?

  • Jamais car c'est notre outil qui nous permet d'avancer de manière flexible et on l'aura toujours

• Comment savoir qu'un ERP n'est plus adapté ?

  • Il n'est plus maintenu et va vous faire courir un risque en prod

• ERP ou EPM : qui fait quoi ?

  • ERP c'est la base transactionnelle et l'EPM c'est l'outil de pilotage avec une source de vérité.

• BI ou IA : lequel apporte le plus de valeur aujourd'hui ?

  • IA clairement si on a une base de données solide et maîtrisée mais ne jamais oublier qu'il y a aussi des sujets de sécurité de la donnée et à date les outils self made IA ne sont pas terribles sur ce point.

• Doit-on privilégier un développement interne (à l'heure de l'IA ?) ou aller sur une solution éditeur ?

  • Moi je pense que c'est une erreur qu'on avait déjà produit il y a des années. Si vous montez un outil vous avez la main mais le sujet reviendra la DSI n'aura plus le temps pour vous et vous allez encore perdre du temps à l'avenir. C'est ok pour un petit outil ad hoc mais pas pour un outil global

• L'IA va-t-elle remplacer le contrôle de gestion ?

  • Non mais elle va en réduire le nombre car il y a aura des taches qui vont disparaitres