Auditer la qualité des données commerciales d’une entreprise BTP

Définir ce que recouvre la qualité des données commerciales

La qualité des données désigne d’abord leur aptitude à répondre à un besoin précis. Pour une entreprise BTP, il peut s’agir de savoir quels marchés sont réellement actifs, qui porte la relation avec un donneur d’ordre, à quelle échéance une consultation doit être suivie ou quelle agence est responsable d’une affaire. Une donnée peut être exacte mais inutile si elle n’est pas actualisée, ou complète mais ambiguë si les équipes n’emploient pas les mêmes définitions.

L’audit doit examiner plusieurs dimensions : exactitude, complétude, actualité, cohérence, unicité, traçabilité et pertinence. Ces critères ne doivent pas être appliqués de manière abstraite. La date prévisionnelle de remise d’une offre, par exemple, n’a pas la même criticité qu’un champ secondaire de qualification. Cette hiérarchie relève d’un choix de gouvernance à documenter, et non d’un fait universel.

• Exactitude : la donnée correspond-elle à la réalité connue ?
• Complétude : les champs nécessaires sont-ils renseignés ?
• Actualité : l’information a-t-elle été revue dans un délai adapté au cycle commercial ?
• Cohérence : les valeurs et statuts sont-ils interprétés de la même façon ?
• Unicité : une même affaire ou organisation apparaît-elle plusieurs fois ?

Cartographier les sources et les usages avant de contrôler

Un contrôle pertinent commence par une cartographie. Il faut recenser le CRM, les fichiers partagés, les outils de réponse aux appels d’offres, les annuaires internes, les comptes rendus de rendez-vous et les échanges qui servent encore de référence. Cette étape relève de l’observation : elle vise à identifier où une donnée naît, qui la modifie, où elle est copiée et quels tableaux de bord l’utilisent.

Dans le BTP, les circuits peuvent varier selon les agences, les métiers et les types de marchés. Une affaire de travaux publics ne suit pas nécessairement le même chemin qu’une consultation privée en bâtiment. L’hypothèse à tester est alors celle d’une définition commune des objets commerciaux : prospect, consultation, opportunité, affaire, marché gagné ou marché perdu. Si plusieurs équipes utilisent ces termes différemment, les agrégats produits par le reporting peuvent devenir difficiles à interpréter.

L’analyse doit également distinguer les données saisies directement par les commerciaux, celles importées automatiquement et celles enrichies par l’administration des ventes ou la direction. Cette distinction permet d’attribuer les écarts à un problème de processus, d’outil, de formation ou de responsabilité, plutôt qu’à une cause unique supposée.

Construire un audit mesurable sans fabriquer de benchmark

L’audit peut s’appuyer sur un échantillon de fiches et sur des règles de contrôle explicites. Il est possible de mesurer, par exemple, la présence d’un responsable, d’une prochaine action, d’une échéance, d’un montant ou d’un statut, à condition de préciser le périmètre et la période observés. Les résultats décrivent alors l’état du système audité ; ils ne constituent pas un benchmark du secteur si aucune base comparable n’est disponible.

Un contrôle de cohérence peut rapprocher plusieurs champs : une affaire déclarée gagnée devrait disposer d’une date de décision et d’un client identifié ; une consultation clôturée devrait avoir un motif de sortie ; une opportunité sans activité récente devrait être repérée comme donnée à revoir. Ces règles sont des conventions de gestion. Elles doivent être validées par les métiers, car une exception peut être légitime selon le type de contrat ou le stade de la relation.

Il est préférable de publier les résultats avec leur méthode : périmètre, définition des champs, date d’extraction, traitement des valeurs manquantes et limites d’interprétation. Sans cette transparence, un indicateur de qualité peut donner une impression de précision supérieure à ce que les données permettent réellement.

• Définir la population auditée et la période d’observation.
• Séparer les champs obligatoires des champs simplement recommandés.
• Documenter les règles de détection des doublons et des incohérences.
• Conserver les cas exclus et les exceptions métier.
• Présenter les résultats avec leurs limites.

Interpréter les écarts avec prudence

Un taux élevé de champs non renseignés signale un écart observable, mais il ne permet pas à lui seul de conclure à un défaut d’implication des équipes. Le champ peut être mal conçu, redondant, difficile à renseigner au moment opportun ou absent du processus réel. De même, des doublons peuvent provenir d’une importation historique, de règles différentes entre agences ou de variations dans le nom d’un groupe de construction.

L’interprétation doit donc croiser les données avec des entretiens et l’observation des pratiques. Il faut demander quand l’information est disponible, qui en est responsable et quelle décision elle permet de prendre. Cette approche permet de distinguer un problème de discipline de saisie d’un problème de conception du référentiel.

Les tendances observées dans le temps sont généralement plus utiles qu’une photographie isolée. Une amélioration apparente peut toutefois résulter d’un changement de périmètre, d’une modification des statuts ou d’une campagne de nettoyage ponctuelle. Toute comparaison doit donc vérifier la stabilité des définitions et des règles de calcul.

Passer de l’audit à une gouvernance durable

La correction des données doit être priorisée selon le risque opérationnel. Les informations qui influencent la prévision, la relance d’une consultation, l’affectation d’un compte ou la transmission entre équipes peuvent être traitées avant les champs moins critiques. La priorité dépend du modèle de l’entreprise et doit être arbitrée avec les utilisateurs, la direction commerciale et les fonctions concernées.

Une gouvernance minimale comprend un dictionnaire des données, un responsable par objet ou domaine, des règles de création et de modification, ainsi qu’un calendrier de revue. Elle doit aussi prévoir le traitement des doublons, l’archivage des affaires inactives et la gestion des changements de nomenclature. Un tableau de bord de qualité peut suivre quelques indicateurs stables, accompagnés d’alertes et d’actions correctives.

Enfin, la qualité ne doit pas être traitée comme une opération exceptionnelle de nettoyage. Elle dépend du parcours de saisie, des intégrations, des droits d’accès, des contrôles et de la capacité des équipes à comprendre l’usage attendu de chaque champ. L’audit sert à établir un diagnostic ; la gouvernance sert à maintenir la fiabilité dans le temps.

• Nommer les propriétaires des données et des règles.
• Réduire les champs ambigus ou sans usage identifié.
• Intégrer des contrôles au moment de la création et de la clôture.
• Revoir périodiquement les données sensibles pour le pilotage.
• Tracer les changements de définition et de périmètre.