Cadre de qualité des données produit : responsables, règles et indicateurs

Un cadre de qualité des données est l'ensemble des accords qui gardent les données exploitables : quelles données comptent, qui en est responsable, quelles règles elles doivent passer, où ces règles s'exécutent, ce qui se passe quand un enregistrement échoue, et comment tu rends compte du résultat et l'améliores. Pour un catalogue produit, cela veut dire des responsables par groupe de champs, des règles par canal de vente, des points de contrôle à l'import et avant l'export, et une courte liste d'indicateurs que quelqu'un examine chaque mois.

Les indicateurs de qualité des données sont les chiffres qui te disent si le cadre fonctionne. Les bons ont une formule, un seuil, un responsable et une décision associée. Cet article te donne les sept briques d'un cadre de qualité des données produit, 12 indicateurs avec leurs formules, un exemple chiffré et un modèle d'une page. Les dimensions de qualité elles-mêmes (complétude, validité, exactitude et les autres) sont traitées dans notre article sur les dimensions de la qualité des données, nous y faisons donc référence ici sans les réexpliquer.

Quatre termes que les équipes confondent, et à quoi sert chacun

Ces quatre termes sont souvent confondus, et cette confusion explique pourquoi beaucoup de projets qualité ne produisent qu'un dashboard et rien d'autre.

• Dimension : une propriété des bonnes données, comme la complétude ou la cohérence. Elle décrit ce qu'il faut regarder.
• Indicateur : un calcul sur une dimension ou un processus, comme « part des produits dont tous les attributs exigés par Kaufland sont renseignés ». Il décrit comment mesurer.
• KPI : un indicateur avec un objectif suivi par la direction, comme « préparation du canal Kaufland à 95 % ou plus d'ici la fin du trimestre ».
• Cadre : les personnes, règles, points de contrôle et routines qui font bouger les KPI. Sans lui, les indicateurs ne font que décrire le problème.

Les modèles d'entreprise comme DAMA-DMBOK sont écrits pour des équipes de data management. Les cadres du secteur public sont une référence plus pratique pour une équipe catalogue, car ils sont écrits pour des personnes qui ne sont pas spécialistes des données. Le Government Data Quality Framework britannique, publié en décembre 2020, repose sur cinq principes : s'engager pour la qualité des données, connaître ses utilisateurs et leurs besoins, évaluer la qualité tout au long du cycle de vie des données, communiquer la qualité des données de façon claire et efficace, et anticiper les changements qui l'affectent. Il rattache le travail qualité à un cycle de vie qui va de la planification et de la collecte jusqu'à l'utilisation, au partage et à l'archivage. Cette vision du cycle de vie est ce qui manque à la plupart des équipes e-commerce : elles contrôlent les données une seule fois, à la fin, quand elles sont déjà en ligne.

Une deuxième idée à reprendre vient de Thoughtworks : séparer les exigences en règles de base, qui s'appliquent à toutes les données (types, formats), et en règles adaptées à l'usage, liées à un cas d'usage précis. Dans un catalogue, le cas d'usage est généralement le canal. Un produit peut être assez bon pour ta propre boutique en ligne et pas assez pour Google Shopping.

Les sept briques d'un cadre de qualité des données produit

Nous utiliserons un exemple fil rouge : un revendeur de bricolage avec 3 000 SKU qui vend sur sa propre boutique Shopify, via Google Shopping et sur Kaufland. L'un de ses produits est une perceuse sans fil 18V, SKU DRL-18V-BL, vendue nue et en kit avec deux batteries.

1. Périmètre : éléments de données critiques par canal

Commence par noter quels champs comptent pour quel canal. Cette liste est ton contrat de données. Pour la perceuse, cela donne :

• Tous les canaux (base) : titre, marque, GTIN, prix, stock, image principale, catégorie, tension, batterie incluse (oui/non).
• Google Shopping : tout ce qui précède, plus un GTIN valide, un prix sur la page de destination qui correspond au flux et une catégorie de produits Google.
• Kaufland : tout ce qui précède, plus les attributs de catégorie de la marketplace, comme la taille du mandrin, le couple maximal et le nombre de batteries.
• Ta boutique : tout ce qui précède, plus une description, au moins quatre images et les attributs de filtre utilisés par tes pages de collection.

Garde la liste courte. Un cadre qui veut gouverner 300 champs n'en gouverne aucun. Choisis les champs qui bloquent une fiche, alimentent un filtre ou provoquent un retour.

2. Responsabilité : un responsable par groupe de champs

Chaque champ critique a besoin d'un seul responsable, une personne ou un rôle, pas un service. Une répartition qui fonctionne pour un revendeur de taille moyenne :

• Identifiants et logistique (GTIN, MPN, poids, dimensions) : les achats ou le responsable fournisseurs, car les valeurs viennent des fournisseurs.
• Prix et stock : le responsable ERP ou opérations. Personne ne les modifie à la main dans le PIM.
• Attributs techniques (tension, couple, taille du mandrin) : le category manager.
• Contenu marketing (titre, description, images) : l'équipe contenu ou e-commerce.
• Mapping des canaux (catégories, attributs propres à chaque canal) : le responsable marketplace ou canal.

Notre guide sur la gouvernance des données détaille des rôles comme data owner et data steward. Pour le cadre, l'idée est simple : quand un indicateur passe au rouge, il doit y avoir exactement un nom à côté.

3. Règles : règles de base et règles de canal, chacune avec une gravité

Transforme le contrat de données en règles qu'un système peut vérifier. Écris chaque règle avec une condition, un périmètre et une gravité :

La gravité est la décision la plus utile de tout le cadre. Si chaque règle se contente d'avertir, rien n'arrête les mauvaises données et la liste d'avertissements grossit jusqu'à ce que plus personne ne la lise. Si chaque règle bloque, la moitié du catalogue cesse d'être exportée. Bloque ce qu'un canal rejetterait ou ce qui provoque des retours ; avertis pour le reste. Le guide sur la validation des données propose d'autres modèles de règles.

4. Points de contrôle : où les règles s'exécutent

Associe les règles aux moments où les données changent. C'est la version données produit des étapes du cycle de vie du cadre GOV.UK :

1. À l'import : fichiers fournisseurs et synchronisations ERP. Intercepte les erreurs de format avant qu'elles ne se propagent à 3 000 produits.
2. À la modification : enregistrements manuels, éditions en masse et contenu généré par AI. Le résultat de l'AI a besoin des mêmes règles que les données saisies.
3. Avant l'export : exécute les règles du canal pendant la construction du flux, pour qu'un produit non conforme soit retenu au lieu d'être rejeté.
4. Après publication : lis les retours du canal. Google Merchant Center liste les problèmes au niveau des articles sur sa page Produits et te permet de télécharger les articles concernés, ce qui mesure directement ce qui est passé entre les mailles.

5. Indicateurs et seuils

Choisis un petit ensemble d'indicateurs, chacun avec un plancher (en dessous, on agit tout de suite) et un objectif (là où tu veux être). La section suivante liste 12 candidats. La plupart des équipes devraient en suivre cinq à huit.

6. Correction : une file d'attente, un tri et des causes racines

Les produits non conformes doivent aller quelque part. Une file de correction liste le produit, la règle échouée, le canal et le responsable. Trie-la chaque semaine dans cet ordre : d'abord les produits bloqués avec du stock, puis les produits bloqués sans stock, puis les avertissements sur les meilleures ventes.

Corrige la source, pas le symptôme. Si 140 perceuses d'un même fournisseur arrivent avec un couple en livres-pouces, les convertir à la main chaque mois n'est pas une correction. Demande au fournisseur des newtons-mètres, ou ajoute une règle de conversion à l'import. Associe à chaque problème une cause racine (fournisseur, mapping d'import, saisie manuelle, résultat AI, changement côté canal) pour voir quelle source génère le plus de travail.

7. Reporting et rythme de revue

Décide qui voit quels chiffres et à quelle fréquence. Un rythme qui convient à la plupart des équipes catalogue :

• Chaque jour : les produits bloqués avec du stock, par canal. Le responsable de la file d'attente les examine.
• Chaque semaine : les nouveaux problèmes par cause racine, et l'âge du plus ancien problème ouvert.
• Chaque mois : l'ensemble des indicateurs avec leurs tendances, examiné par l'e-commerce manager et les responsables des groupes de champs. C'est là que les règles sont ajoutées, modifiées ou retirées.
• Chaque trimestre : les KPI face aux objectifs, plus une vérification que le contrat de données correspond toujours aux canaux sur lesquels tu vends.

12 indicateurs de qualité des données en trois couches : état, processus, résultat

Regroupe tes indicateurs en trois couches. Les indicateurs d'état décrivent les données aujourd'hui. Les indicateurs de processus décrivent la vitesse à laquelle l'équipe détecte et corrige les problèmes. Les indicateurs de résultat relient la qualité à l'argent. Un cadre avec seulement des indicateurs d'état ne peut pas te dire si le travail est rentable.

Indicateurs d'état : à quoi ressemblent les données

1. Taux de préparation du canal : produits qui passent toutes les règles Block d'un canal / produits actifs affectés à ce canal. Présente-le par canal, jamais en moyenne sur tous les canaux.
2. Taux de réussite des règles : contrôles réussis / contrôles exécutés, par règle. Les règles au taux le plus bas forment ta liste de corrections.
3. Taux de remplissage des champs critiques : produits dont un champ contient une valeur valide / produits pour lesquels ce champ est obligatoire. Compte les valeurs de remplissage comme « N/A » ou « 0 » comme vides.
4. Taux de doublons : produits appartenant à un groupe de doublons / produits actifs. Voir le guide sur la déduplication pour les règles de rapprochement.
5. Délai de synchronisation : temps médian entre une modification de prix ou de stock dans la source et le moment où le canal l'affiche. Mesure-le sur un échantillon de 20 modifications par semaine.

Indicateurs de processus : avec quelle efficacité le cadre détecte et corrige les problèmes

1. Taux de conformité dès l'import : produits qui passent toutes les règles de base à leur arrivée / produits importés. Présente-le par fournisseur ; c'est le meilleur chiffre à apporter dans une discussion avec un fournisseur.
2. Délai moyen de correction : temps moyen entre l'échec d'une règle et le nouveau contrôle réussi, pour les problèmes Block. Des délais longs signifient généralement que le problème n'a pas de responsable.
3. Âge du backlog : âge du plus ancien problème Block ouvert et nombre de problèmes de plus de 14 jours.
4. Taux de réouverture : problèmes qui échouent de nouveau dans les 30 jours suivant leur correction / problèmes corrigés. Un taux de réouverture élevé signifie que tu as corrigé le symptôme et que l'import suivant l'a écrasé.

Indicateurs de résultat : ce que coûtent les mauvaises données

1. Taux de rejet par le canal : produits avec un problème au niveau de l'article dans le canal / produits envoyés. Pour Google Shopping, prends le nombre dans la vue des problèmes produit de Merchant Center.
2. Taux de retour lié au contenu : retours avec un motif comme « non conforme à la description » ou « mauvaise taille » / commandes, par catégorie. Les acheteurs agissent bel et bien en conséquence : dans l'étude consommateurs 2025 de Salsify, 71 % ont déclaré avoir renvoyé des articles à cause de descriptions inexactes.
3. Questions avant achat pour 100 produits : tickets du service client et messages marketplace demandant des informations produit qui auraient dû figurer sur la page, comme « La batterie est-elle incluse ? »

Notre entrée du dictionnaire sur les indicateurs de qualité des données produit liste d'autres variantes. Résiste à l'envie de toutes les ajouter. Chaque indicateur que tu présentes a besoin d'un responsable qui agira en conséquence.

Une revue mensuelle de 520 outils électriques sur Kaufland

Voici une revue mensuelle illustrative pour les 520 outils électriques du revendeur, dont 410 sont listés sur Kaufland. Les chiffres sont inventés mais réalistes dans leur forme :

Lus ensemble, les chiffres pointent vers une seule cause racine. Les informations de batterie du fournisseur B sont en texte libre, l'import ne les associe pas à l'attribut, des personnes les corrigent à la main, l'import suivant écrase la correction, et les acheteurs qui ratent le détail renvoient la perceuse. L'action n'est pas « améliorer la qualité des données ». C'est : associer à l'import le nombre de batteries du fournisseur B à l'attribut, protéger les champs corrigés manuellement contre l'écrasement, et ajouter « Machine nue, batterie non incluse » au titre des variantes vendues nues. Le mois prochain, la préparation, le taux de réouverture et les retours devraient tous bouger.

Fixer planchers et objectifs à partir de ta propre référence

Ne copie pas les objectifs d'une autre entreprise. Mesure d'abord une référence pendant un mois, puis fixe deux lignes par indicateur :

• Plancher : le niveau en dessous duquel le responsable agit dans la semaine. Place-le un peu au-dessus de la référence actuelle pour qu'il se déclenche sur un vrai recul, pas sur du bruit.
• Objectif : le niveau sur lequel tu t'engages pour le trimestre. Base-le sur ce qu'exige le canal ; une marketplace qui rejette les fiches incomplètes demande une préparation proche de 100 % pour les produits que tu veux y vendre.
• Sens : pour le délai, le temps de correction, l'âge du backlog et le taux de retour, plus bas, c'est mieux. Indique-le dans le rapport, sinon quelqu'un célébrera une courbe qui monte.

Ne relève les objectifs que lorsqu'un indicateur est resté au-dessus de l'objectif pendant deux cycles de revue. Déplacer la barre chaque mois rend la courbe de tendance inutile.

Sept choix de cadre qui finissent en dashboard sans correction

• Ne mesurer que la complétude. Un champ rempli peut quand même être faux. Associe les taux de remplissage aux taux de réussite des règles et à au moins un indicateur de résultat.
• Un score de qualité global comme seul chiffre. Un score unique convient pour une courbe de tendance, mais les responsables ont besoin de la règle et du champ en échec.
• Corriger les données dans le canal. Modifier un titre directement dans Kaufland ou Shopify corrige un seul endroit, et la correction disparaît à la synchronisation suivante. Corrige à la source.
• Des règles sans gravité. Cinquante avertissements par produit apprennent aux gens à ignorer les avertissements.
• Aucun point de contrôle avant l'export. Contrôler après publication, c'est laisser le canal, ou le client, trouver l'erreur en premier.
• Le résultat de l'AI considéré comme fiable. Les descriptions et attributs générés ont besoin des mêmes règles et de la même revue que les données saisies par une personne.
• Un document de cadre que personne n'ouvre. Si les règles vivent dans un PDF et non dans le système qui contient les données, les deux divergeront en moins d'un trimestre.

Une page par canal : un modèle de cadre de qualité des données

Remplis une page par canal. Si une ligne reste vide, c'est l'écart à combler en premier.

1. Canal et périmètre : par exemple « Kaufland, catégories Outils électriques et Jardin ».
2. Champs critiques : les 10 à 20 champs qui bloquent une fiche, alimentent un filtre ou provoquent un retour.
3. Responsable par groupe de champs : un nom, pas une équipe.
4. Règles : condition, périmètre, gravité (Block ou Warn) et la raison d'être de la règle.
5. Points de contrôle : import, modification, avant export, après publication. Note quel système exécute le contrôle à chaque étape.
6. Indicateurs : cinq à huit, chacun avec formule, plancher, objectif et responsable.
7. Correction : où vont les produits non conformes, ordre de tri, délai maximal de correction pour les problèmes Block.
8. Rythme de revue : quotidien, hebdomadaire, mensuel et trimestriel, avec les participants.
9. Journal des modifications : date, règle modifiée, raison. Il t'évite de rediscuter les mêmes décisions.

Faire vivre le cadre dans un PIM

Un tableur peut contenir le modèle, mais il ne peut pas exécuter des règles à l'import ni retenir un produit d'un export. C'est là qu'un PIM prend tout son sens. Dans WISEPIM, Quality Guard contient les règles : tu définis une gravité Block, Warn ou Skip par règle et un jeu de règles distinct par canal, et les règles s'exécutent à chaque import, édition en masse, exécution AI et enregistrement manuel. Les produits qui échouent à une règle Block attendent dans une file de quarantaine avec la règle et le canal qui les ont arrêtés, si bien que la file de correction de la brique 6 existe sans travail supplémentaire.

Pour la revue mensuelle, le rapport de qualité des données suit un score de 0 à 100 dans le temps et classe les champs par taux de remplissage, ce qui couvre plusieurs indicateurs d'état de la liste ci-dessus. Les indicateurs de résultat comme les retours viennent toujours des données de ta boutique ou de ta marketplace, alors garde-les dans la même revue.

Pour voir d'où part ton propre catalogue, passe un échantillon dans le calculateur de qualité des données produit gratuit, puis rédige la première page du modèle pour le canal qui rapporte le plus de chiffre d'affaires.