CIGREF Enjeux Business Donnees 2014

PROMOUVOIR LA CULTURE NUMERIQUE
COMME SOURCE DINNOVATION ET DE PERFORMANCE
Enjeux business des donnes
Comment grer les donnes de l'entreprise

pour crer de la valeur ?
Octobre 2014
LE MOT DU PILOTE
La donne est devenue, avec le capital, les ressources humaines, les clients, les processus et le
systme dinformation, lun des principaux actifs de lentreprise, quel que soit son secteur
dactivit.
Mais au contraire des autres actifs, la donne nest pas gre en tant que tel, de manire
professionnelle et organise tout au long de son cycle de vie dans lentreprise. Ce constat est
partag par toutes les socits qui ont contribu au groupe de travail sur les enjeux business
des donnes.
Ce constat est exacerb par la transformation numrique qui est aussi la rvolution de
linformation, devenue plus Volumineuse , plus Varie et plus Vloce , pour reprendre
les fameux 3V qui dfinissent le Big Data. Mais le Big Data est aussi associ une srie de
termes qui voquent des catastrophes : tsunami , explosion , avalanche , dluge ,
infobsit , etc. qui illustrent bien le dfi auquel toutes nos organisations sont confrontes :
faire des donnes la mine dor de lre numrique.
Linformation ne constituera une nouvelle richesse pour lentreprise que si on sait lexploiter et
la valoriser. Une donne peut tre vue comme un actif numrique ds lors quelle comporte un
potentiel de cration de valeur pour lentreprise. La question qui se pose est donc bien de
savoir comment on optimise lexploitation de ses donnes pour crer de la valeur.
Ce qui est nouveau dans cette rflexion sur les donnes, cest la dmultiplication des potentiels
de combinaison des donnes dans une perspective de cration de valeur pour le business. Mais,
on ne peut pas prdfinir la valeur de linformation, on ne peut pas prvoir lavance lusage
que feront les utilisateurs des informations mises leur disposition.
Ainsi, sur cette question de la valeur des donnes, on cherchera identifier en quoi les donnes
contribuent la ralisation dun des axes stratgiques de lentreprise. La responsabilit de
lutilisateur portera alors sur la production et la mise disposition de donnes de qualit.
Il existe plusieurs manires pour une entreprise de tirer de la valeur de ses donnes, quelle soit
financire ou pas. Dans tous les cas, il faudra sappuyer sur une bonne matrise du cycle de vie
de la donne, et sur quelques prrequis : tout au long de la chane, linformation doit tre
collecte, contrle, protge, partage et analyse, pour contribuer mieux dcider ou
innover.
Tout cela concourt la mise en place dune vritable gestion des donnes (Data Management,
Enterprise Data/Information Management), dautant que le cadrage rglementaire et normatif
Octobre 2014
volue et continuera dvoluer sur ce sujet. Cette dmarche dentreprise implique la fonction SI
autant que les Mtiers, et devrait tre pilote en interne par une instance ddie.
Le prsent livrable propose une mthodologie de gestion des donnes, avec des exemples
concrets de mise en uvre et de bonnes pratiques, ainsi quune ouverture sur une dmarche
de valorisation des donnes. Est galement associ ce document un outil dauto-valuation
de la maturit des entreprises en matire de gestion des donnes (document Excel. Les critres
dauto-valuation sont disponibles en annexe pour information. A partir des rsultats,
prsents sous forme de radar, le lecteur peut facilement identifier ses zones de maturit et de
progrs, et le cas chant dfinir et mettre en place un plan damlioration de la gestion des
donnes au sein de son organisation. A titre dillustration, le groupe de travail a utilis cet outil
pour valuer la maturit de leur entreprise sur le management des donnes. La figure cidessous agrge les rsultats individuels : on voit bien que si les fondamentaux sont bien
matriss (oprations et scurit), un long chemin reste parcourir sur la qualit, larchitecture,
les mtadonnes, la gouvernance et la valorisation
Maturit de la gestion des donnes

dans les entreprises du groupe de travail CIGREF
Gouvernance
3,0
Oprations
2,5
2,0
Rfrentiels
1,5
1,0
0,5
Exploitation et Analyse
0,0
Qualit & Cycle de vie des

donnes
Mtadonnes
Echelle de notation
0 = Inexistant
1 = Dbutant (en phase d'initialisation)
2 = Avanc (en cours de mise en uvre)
3 = Confirm (dispositif oprationnel
et/ou en phase d'amlioration)
Scurit
Architecture
Avec ces deux livrables, le lecteur trouvera sans nul doute matire valider son niveau
davancement et dterminer ses priorits daction.
Bonne lecture !
Rgis DELAYAT
DSI de SCOR et pilote du groupe de travail
Octobre 2014
Le CIGREF, rseau de Grandes Entreprises, a t cr en 1970. Il

regroupe plus de cent trs grandes entreprises et organismes franais
et europens de tous les secteurs d'activit (banque, assurance,
nergie, distribution, industrie, services...). Le CIGREF a pour mission
de promouvoir la culture numrique comme source d'innovation et de
performance.
Titre du rapport : ENJEUX BUSINESS DES DONNEES

EQUIPE DU CIGREF
Jean-Franois PPIN Dlgu gnral
Sophie BOUTEILLER Directrice de mission
Anne-Sophie BOISARD Directrice de mission
Josette WATRINEL Secrtaire de direction
Flora FISCHER Assistante de mission
Frdric LAU Directeur de mission

Matthieu BOUTIN Charg de mission
Marie-Pierre LACROIX Chef de projet
Josette LEMAN Assistante de direction
REMERCIEMENTS :
Le groupe de travail Enjeux business des donnes a t pilot par Rgis DELAYAT, DSI de SCOR et
Administrateur du CIGREF. Nous remercions les personnes qui ont particip aux changes et
contribu la rdaction du prsent document :
Pierre-Etienne BARDIN AXA GROUP SOLUTIONS
Michel BENARD GPMT DES MOUSQUETAIRES
Dominique CUPPENS RFF
Isaure DE CHATEAUNEUF SAINT GOBAIN
Bruno DUCROS GEODIS
Jean-Louis GHIGLIONE RENAULT
Anne-Laure JACQUEMIN MALAKOFF MEDERIC
Marc MEYER MINISTERE DE LECONOMIE
Patrick MOLE SCOR
Franois NGUYEN SFR
Emmanuel OLIVIER SAINT GOBAIN

Jean-Luc RAFFAELLI LA POSTE
Marc RICHARD HARMONIE MUTUELLES
Mickael ROYER GIP MDS
Isabelle SIPMA SCOR
Yao SOGADZI FONDATION DE FRANCE
Carine TUAL GALERIES LAFAYETTE
Florence WATHELET RENAULT
Guy WOTCHOU MALAKOFF MEDERIC
Ce rapport a t rdig par Sophie BOUTEILLER (CIGREF), avec la contribution des membres.
POUR TOUT RENSEIGNEMENT CONCERNANT CE RAPPORT, VOUS POUVEZ CONTACTER LE CIGREF

AUX COORDONNEES CI-DESSOUS :
CIGREF, Rseau de Grandes entreprises
21, avenue de Messine 75008 Paris
Tl. : + 33.1.56.59.70.00
Courriel : contact@cigref.fr
Sites internet :
http://www.cigref.fr/
http://www.fondation-cigref.org/
http://www.histoire-cigref.org/
http://www.questionner-le-numerique.org
http://www.entreprises-et-cultures-numeriques.org
Droit de proprit intellectuelle

Toutes les publications du CIGREF sont mises gratuitement la disposition du plus grand nombre, mais restent
protges par les lois en vigueur sur la proprit intellectuelle.
Est autorise la copie du titre et dextraits de 500 caractres, suivis chacun de la mention Source : assortie
de lurl de la publication CIGREF. Toute autre reprise doit faire lobjet dune autorisation pralable auprs du
CIGREF cigref@cigref.fr.
SOMMAIRE
Le mot du pilote ........................................................................................................................ 2
1.
Introduction ....................................................................................................................... 3
1.1. Donne, information, connaissance, savoir : pas seulement une question de
terminologie .......................................................................................................................... 4
1.2. Linformation est un actif stratgique qui doit tre identifi et gr comme tel dans
lentreprise ............................................................................................................................ 5
1.3. Contexte ..................................................................................................................... 7
1.4. Approche retenue....................................................................................................... 9
2.
Prrequis : mettre en place une gouvernance et une gestion des donnes ................... 11
2.1. Gouvernance des donnes ....................................................................................... 11
2.1.1. quoi sert la gouvernance des donnes ? ....................................................... 11
2.1.2. Rles et comptences dvelopper ................................................................. 14
2.1.3. Standards auxquels se rfrer........................................................................... 15
2.2. Rfrentiels et donnes cls .................................................................................... 15
2.2.1. Enjeux lis aux rfrentiels de donnes............................................................ 15
2.3. Mtadonnes............................................................................................................ 19
2.3.1. Donnes structures ou non structures : dfinitions ..................................... 19
2.3.2. Enjeux de la gestion des mtadonnes............................................................. 19
2.4. Scurit et conformit .............................................................................................. 22
2.4.1. Protection des donnes: la classification .......................................................... 22
2.4.2. Le cas des donnes personnelles ...................................................................... 28
2.5. Architecture .............................................................................................................. 32
2.5.1. Elaborer un modle de donnes dEntreprise .................................................. 33
2.5.2. Dfinir des rgles de propagation des donnes dans le SI ............................... 36
3.
Cycle de vie des donnes : collecte, traitement et contrle de la qualit ...................... 38

3.1. Limpratif pilotage du cycle de vie de la donne .................................................... 38
3.2. La rcupration et le traitement des donnes, en particulier non structures....... 38
3.3. Lobligation de qualit exacerbe ............................................................................ 40
4.
Crer de la valeur partir des donnes........................................................................... 44

4.1. Exploitation et analyse ............................................................................................. 44
4.2. Valorisation ............................................................................................................... 45
4.3. LOpen Data .............................................................................................................. 49
4.3.1. Le cas des donnes de lAdministration ............................................................ 50
4.3.2. Louverture des donnes au sein de lentreprise.............................................. 55
Octobre 2014

5.
Conclusion ........................................................................................................................ 56
6. Annexe : Critres dauto-valuation de la maturit des entreprises en matire de gestion

des donnes ............................................................................................................................ 57
Octobre 2014
1. INTRODUCTION
Dans quelque activit que ce soit, la donne est devenue un actif cl de lentreprise. Cela va
sans dire dans la finance, o linformation est la fois la matire premire et le produit fini
sur lesquels sappuient les services proposs. Mais cest aussi le cas dans lindustrie et les
services, o linformation sous-tend galement toute prise de dcision, tout choix
dorientation stratgique. Il nest pas besoin de convaincre : chacun reconnait aujourdhui la
valeur de la donne pour les entreprises et les administrations qui sorganisent pour
optimiser sa gestion et son usage. Le groupe de travail mis en place cette anne par le
CIGREF sest attach matrialiser ces Enjeux Business des donnes , dcrire les
lments qui contribuent crer de la valeur, depuis la collecte jusqu la prise de dcision,
en passant par le contrle de la qualit de la donne, sa protection, son stockage, son
partage entre les experts concerns, tous ces maillons du cycle de vie de la donne au sein
de nos entreprises qui, mis bout bout, constituent lindispensable Data Management
qui reste encore largement dfinir et mettre en place.
La rvolution numrique ouvre une re nouvelle, celle de linformation, dornavant
volumineuse et partage au-del des frontires mmes de lentreprise ou de
ladministration. Les exigences de qualit, de transversalit et de protection apparaissent
ou pour le moins, sont exacerbes, pour des raisons defficacit oprationnelle, commerciale
et/ou lgale.
Comment mesurer cette valeur de la donne pour le Business ? Les nombreuses entreprises
membres rassembles loccasion de ce groupe de travail ont essay dapporter une
rponse la question. Lambition de ce livrable nest pas de donner chaque socit ou
chaque lecteur intress une liste dinstructions suivre la lettre, mais en fonction du
niveau de maturit sur ces sujets, de permettre chacun dinvestiguer plutt tel ou tel
composant de ce puzzle de la gestion de la donne pour optimiser son usage et sa valeur
pour lentreprise.
Le prsent document essaie ainsi de balayer lensemble des lments susceptibles de crer
de la valeur, dont lillustration ultime va pour certains jusqu la montisation. Chacun y
trouvera les lments de rponse ses proccupations principales.
Octobre 2014
1.1. Donne, information, connaissance, savoir : pas seulement

une question de terminologie
Lorsque lon parle du phnomne qui se dveloppe autour de la donne, largement
stigmatis par le Big Data 1 , on le fait souvent en reprenant des notions de catastrophes :
tsunami , avalanche , explosion , dluge , infobsit , etc., plutt quen
voquant la richesse, la mine dor que cet afflux de donnes recle.
Ces termes illustrent bien lide que cette information plthorique gnre par la rvolution
numrique et notre disposition aujourdhui est inutile si on ne sait pas lutiliser, lexploiter.
Au contraire, pour qui russit optimiser son usage, la donne devient information, puis,
bien partage au sein de lentreprise, elle se transforme en connaissance et constitue son
savoir. Elle peut tre une source de services et dinnovations, notamment lorsquon la croise
avec dautres donnes et quelle provient de sources diverses.
Face cette ralit, lenjeu pour lentreprise ou ladministration est de grer cette chane de
valeur des donnes autour desquelles se greffent des contraintes fortes de protection, de
scurit, de qualit et dthique.
La smantique fait dbat et peut tre gnratrice de flou Nous pouvons considrer que la
notion de donne (ou data ) est le fruit de la collecte, et est proche des couches
techniques. Les donnes collectes peuvent tre structures ou non, internes ou externes,
en provenance de sources institutionnelles (gouvernementales, Open Data 2, etc),
commerciales (march, clients, etc.), techniques, financires ou diverses (web, rseaux
sociaux, etc.). Elles peuvent prendre des formes aussi varies que des bases de donnes, du
texte, des images et du son, des vidos, etc.
Big Data : La CSTIC recommande dans le Journal Officiel du 22 aot 2014 de prfrer l'appellation
mgadonnes ou donnes massives . Le Big Data est une dmarche qui consiste extraire linformation
pertinente dun ensemble de donnes, cet ensemble de donnes se caractrisant par le Volume, la Varit, la
Vlocit et la Vracit. Le volume lui seul nest pas une relle problmatique, tant dj au cur des
proccupations de nombreuses entreprises depuis longtemps. Seule la combinaison de deux ou plus de ces
axes correspond une dmarche de Big Data. Ces 4V sont apparus avec lvolution du web de ces
dernires annes : les rseaux sociaux, linternet des objets, lexplosion des vidos en ligne Des quantits
gigantesques de donnes (Volume) sont publies en continu (Vlocit), dans des formats structurs ou non,
provenant de sources diverses (Varit) et dont la lgitimit nest pas toujours vrifie (Vracit) (source : Big
Data : la vision des grandes entreprises , CIGREF 2013)
2
Voir plus loin le chapitre consacr lOpen Data.
Octobre 2014

Noublions pas non plus que les organisations sont elles-mmes productrices de volumes
de donnes toujours plus consquents.
La qualification et la contextualisation de cette donne crent linformation , sur laquelle
vont sappuyer les dcisions, choix, orientations et arbitrages de lentreprise. Ces diffrentes
actions passent par lassurance que linformation est correcte, et llimination du bruit , la
validit temporelle (non-obsolescence), la corrlation, la mise en perspective constituent
autant de dfis, exacerbs par le volume. Autres problmatiques fortes : la protection de ces
donnes, alors que la cyberscurit et les rglementations rcentes ou venir sur la
protection des donnes caractre personnel sont devenues lune des proccupations
majeures de lentreprise, et lutilisation proprement dite de donnes qui sont disperses
dans le systme dinformation et ses silos applicatifs. Les dmarches de classification de
linformation peuvent tre un bon vecteur pour valoriser les informations et pour grer les
donnes leur juste niveau, avec pragmatisme, comme nous le verrons plus loin.
1.2. Linformation est un actif stratgique qui doit tre identifi

et gr comme tel dans lentreprise
Le groupe de travail CIGREF considre la donne comme un des actifs majeurs de
lentreprise, au mme titre que son capital, ses hommes et femmes, ses clients, ses
processus et son systme dinformation comme le montre la figure 1 ci-aprs. Cette
reprsentation illustre en effet la chane de valeur de toute entreprise, quelle quelle soit et
quel que soit son domaine dactivit, ses ressources ou actifs, et enfin ses partenaires, de
toute nature.
La donne est donc lun des principaux actifs immatriels de nos organisations, et pour
autant, nest pas encore gre avec la mme rigueur ni les mmes moyens que les autres
ressources, capital et ressources humaines notamment.
Dans un contexte o elle est devenue critique pour lactivit de lentreprise, la mise en place
dune gestion structure et industrielle de la donne est imprative.
Octobre 2014

Figure 1 : L'information, un actif stratgique de l'entreprise
Employs
Processus
Capital
RESSOURCES / ACTIFS
Donnes
Chaine de valeur
Systme dinformation
Stratgie
Produits et
services
Production
Fonctions
support
Ventes
Management &
Contrle
Actionnaires
Fournisseurss
Rgulateurs
Clients
PARTENAIRES
Agences de
Mdia
notation
Marchs et
investisseurs
Source : Groupe de travail CIGREF, 2014
Il sagit donc de :
Traiter linformation comme un actif qui a une valeur quantifiable (le principal actif
de Facebook est son information !)
Rflchir la manire dont linformation trouve sa place dans la stratgie
(linformation nest pas un driv de lactivit de lentreprise mais elle contribue sa
performance)
Penser linformation globalement et penser linfrastructure pour la grer : dfinir un
Information Capabilities Framework
Dmarrer avec des cas dusages et en fonction des besoins Mtiers (approches par
petits pas ), dautant que les initiatives de Big Data peuvent tre freines par la
complexit et le morcellement du paysage technologique, ainsi que par la
fragmentation de linformation (favorise par le Cloud).
Octobre 2014
1.3. Contexte
Le sujet de la valeur business des donnes pose de nombreuses questions contextuelles,
complexes et qui dpendent beaucoup de la lecture que lon en a et de limportance que
lon y accorde un moment donn.
Avec la transformation numrique, lentreprise est rsolument ouverte, poreuse et
linformation est au cur de cette transformation porte par le numrique. Selon Gartner,
les volumes massifs dinformations complexes deviendront la norme dans lavenir. La varit
dinformations traiter (structures et non structures, Open Data, donnes
dmographiques, statistiques, provenant des rseaux sociaux, tablettes et autres
supports), ainsi que la vlocit des donnes (smart meters 3, donnes GPS collectes en
temps rel, ) et la consommation de ces donnes contribuent au dveloppement de la
masse des informations disponibles, et sont autant dlments prendre en compte pour
innover dans les mtiers. Ainsi, ce dveloppement des volumes dinformations disponibles
est surtout li la rvolution internet (avec lInternet des Objets notamment), la
prdominance de linformation, et au Big Data 4.
Cependant, la prise de conscience des dcideurs sur la nature stratgique des donnes est
rcente et progressive, et les investissements dans ce domaine restent encore limits.
Beaucoup dentreprises sont actuellement en phase de prototypage, de Proof Of Concept,
mais trs peu ont encore mis en place des projets de grande envergure autour de
lexploitation des donnes.
Pourtant, elles observent toutes que les pratiques et les habitudes de consommation des
informations changent, tant chez leurs clients quen interne. Face cette ralit, quelques
entreprises ont compris que leur diffrenciation viendra de leur capacit innover, et que
les donnes ont un rle majeur dans cette dynamique dinnovation. Car le Big Data permet
certes de prendre de meilleures dcisions, mais il est aussi (surtout ?!) une opportunit pour
crer de nouvelles offres et de nouveaux produits.
Smart Meter (compteur communicant) : compteur disposant de technologies avances, dites AMR
(Automated Meter Reading) qui identifient de manire dtaille et prcise, et ventuellement en temps rel la
consommation nergtique dun foyer, dun btiment ou dune entreprise, et la transmettent, par tlphone
(ou par courants porteurs en ligne (CPL)
Voir le rapport CIGREF, paru en 2013 : Big Data, la vision des grandes entreprises
Octobre 2014

Pour ces entreprises prcurseurs, adopter une approche dinvestigation sur les donnes,
travers un processus dexprimentation (R&D), est dsormais une vidence. La dmarche
base sur lexprimentation permet de trouver de nouvelles relations entre les donnes :
Comment lier les diffrentes sources de donnes ?
Quelle valeur leur associer ?
Retenir vs librer les donnes ?
Ainsi, la capacit capter des donnes quon ne savait pas saisir jusqu prsent (par
exemple avec la golocalisation), puis la capacit les croiser avec dautres donnes
(lapptence dun client pour un produit par exemple) favorise linnovation commerciale et
la personnalisation.
Paralllement, la possibilit de traiter faible prix et rapidement de grands volumes de
donnes, disponibles dans des formats variables, largit le champ des possibles
technologiques. Dautant que lacquisition de ces donnes peut se faire dsormais nimporte
o, et presque linsu des acteurs, ce qui fait merger de nouveaux enjeux en matire de
protection des liberts individuelles.
Le mouvement est donc en marche mais selon Gartner, 85% des plus grosses organisations
(Fortune 500) ne sauront pas tirer un avantage comptitif avec le Big Data dici 2015. La
majorit des grandes entreprises seront encore dans lexprimentation, mais celles qui
auront su anticiper avec le Big Data tireront un avantage comptitif de 25% ou plus sur leurs
concurrents, issu de linnovation : mobilit (accs constant linformation), rseaux sociaux,
Cloud (infrastructures) et information contextuelle (golocalisation). Lapparition de
nouvelles lignes de produits et de nouveaux services, favorises par lexploitation des
donnes, cre des opportunits business nouvelles et font voluer de manire plus ou
moins profonde les modles daffaires des entreprises 5 :
Dans le domaine de la relation client par exemple, linternet des contextes et des
personnes permet de personnaliser les produits et services, de localiser les clients via
des capteurs RFID insrs dans leurs cartes de fidlit. Les entreprises personnalisent
leur relation client par la contextualisation des interactions quelles entretiennent
avec eux. Elles crent ainsi de nouvelles lignes de produits et de nouveaux services,
et cherchent fidliser leur clientle par le dveloppement dune exprience unique.
Ceci leur permet la fois daccroitre la performance de lacte de vente, mais aussi
dinscrire la relation dans la dure et de sassurer un potentiel de ventes futures.
Fondation CIGREF, 2012 : Les Essentiels Modles daffaires dans lespace numrique
Octobre 2014
La personnalisation de la relation client est dailleurs la premire motivation voque

par les entreprises qui investissent dans le Big Data 6.
Dans le secteur de la sant, le squenage de lADN pour moins de 1500 dollars est
dsormais possible et permet didentifier les pathologies dont un individu est
susceptible de souffrir dans le futur. Ainsi, il offre la possibilit danticiper lapparition
dune maladie par la mise en place ventuelle dun traitement prventif par exemple.
Si ces quelques exemples soulvent des questions thiques dimportance, ils mettent aussi
en vidence limpact majeur que les informations peuvent avoir sur nos prises de dcision
personnelles et professionnelles.
Dans ce contexte, cet actif cl quest la donne doit imprativement tre gr de faon
professionnelle et industrielle. Le groupe de travail du CIGREF a entrepris de poser les bases
dune vritable gestion des donnes en menant une rflexion sur leur valeur pour
lentreprise, leur exploitation et leur protection. Il a identifi une liste de thmes relatifs
la donne, contribuant la valoriser et qui sont repris dans les diffrents chapitres du
livrable, chacun illustr par des tmoignages de socits qui ont particip aux travaux.
1.4. Approche retenue

Le groupe de travail a retenu une approche mixte, articulant interventions dexperts et
contributions des participants.
Les enjeux business des donnes couvrent plusieurs dimensions structurantes, que le groupe
de travail a regroupes en trois grandes parties dans le prsent document.
Ainsi, dans la premire partie, nous rappelons les prrequis ncessaires la mise en place
dune dmarche de valorisation des donnes. La dimension patrimoniale des donnes, qui
constituent un des principaux actifs de lentreprise, est cl. La mise en place dune
gouvernance des donnes est un moyen dadresser cette dimension, en identifiant les
responsables des donnes, et les implications de ces responsabilits. La gouvernance permet
galement dorganiser les actions autour de la donne dans lentreprise, afin de garantir sa
qualit et sa scurit tout au long de son cycle de vie. Les rfrentiels, les mtadonnes, la
scurit (protection, classification et localisation des donnes, conformit rglementaire) et
larchitecture sont ainsi les quatre piliers dune bonne gestion des donnes.
La deuxime partie du rapport est consacre au cycle de vie de la donne, qui couvre toutes
les activits de traitement (acquisition, transformation, archivage, ) de la donne, depuis sa
Interview de Matthias Fille (Conseiller TIC la CCI Paris le-de-France) sur le Big Data et le 4me Forum Europe
qui sest tenu Paris le 13 mai 2014 : http://www.entreprises.cci-paris-idf.fr/web/international/4eme-forumeurope-profitez-des-opportunites-offertes-par-le-big-data-le-13-mai-2014
9
Octobre 2014

collecte jusqu son usage. Cette partie pose la question de laccessibilit des donnes,
notamment des donnes non structures, et de la qualit des donnes internes et externes
utilises dans les processus mtiers. LOpen Data est au cur de la problmatique de
valorisation des donnes : comment capter, traiter et valoriser les donnes ouvertes, tant en
interne quen externe ? Nous pouvons associer cette question celle de la reprsentation
des donnes, au travers notamment des dmarches de modlisation et de gestion des
mtadata.
La troisime partie enfin ouvre sur la valorisation des donnes, objectif ultime de notre
rflexion : comment faire du patrimoine informationnel de lentreprise un outil thique de
conqute commerciale ? Comment dvelopper une valeur dusage au-del de la valeur
patrimoniale ? Dans notre approche, inspire des travaux dexprimentation du Pr Bounfour,
Rapporteur gnral du programme ISD de la Fondation CIGREF, lthique associe aux
dmarches de valorisation est apparue comme un atout fondamental dans lobtention dun
avantage concurrentiel pour une entreprise. Nous avons dailleurs identifi quelques
bonnes pratiques dans lutilisation des donnes externes lentreprise, notamment les
donnes personnelles.
10
Octobre 2014
2. PREREQUIS : METTRE EN PLACE UNE GOUVERNANCE ET UNE GESTION DES

DONNEES
2.1. Gouvernance des donnes

2.1.1. quoi sert la gouvernance des donnes ?
La gestion des donnes (ou data management) consiste mettre en uvre lensemble des
dispositifs relatifs aux informations utilises au sein de nos organisations afin den optimiser
lusage. La valeur de lactif information passe ainsi par lassurance dune comprhension
commune et partage, par lidentification et la reprsentation des circuits internes, par le
dploiement de moyens adapts daccs, de contrle de qualit et de traitement, par
lapplication de rgles de protection en ligne avec la sensibilit, etc
La gouvernance des donnes en est le composant qui dcrit les responsabilits, fixe les
rgles et contrle leur application. Cette dmarche de gouvernance est porte par une
instance ddie qui la pilote, avec des rgles, des guides, des rfrentiels, des indicateurs,
des chartes, une politique (de gestion des donnes personnelles, de classification, de
stockage, de conservation, de brevets, de proprit intellectuelle, ).
Lenjeu principal dun dispositif de gouvernance des donnes consiste dterminer qui sont
les propritaires (Data Owner ou Data Steward), au sein des mtiers, de chaque famille de
donnes. On parle de Data Owner ou de propritaire de donne pour dsigner
celui/celle qui de par son expertise mtier peut dfinir une donne, le niveau de qualit
requis, les processus dacquisition de la donne et les processus de contrle. Le Data
Steward 7 ou gestionnaire de donne fait vivre les lments de documentation sur les
dfinitions, processus, contrles, etc. Il apporte un savoir-faire mthodologique et peut
sassurer de la cohrence globale de la documentation sur un ensemble de donnes, en
7
Dfinition du Business Data Steward (DAMA DM BOK) : travailleur du savoir et manager, le Business Data
Steward est reconnu comme un expert de la donne et se voit attribue la responsabilit de spcifier les
donnes (commerciales, bases de donnes, ) et den assurer la qualit. A ce titre, il : :
1. Participe aux runions de comit de pilotage sur la gestion des donnes. .
2. Identifie et dfinit les besoins Mtiers en matire dinformation.
3. Propose, modlise, precise et affine les informations (noms, dfinitions, ), modles de donnes et
autres attributs relatifs aux diffrents Mtiers de lentreprise.
4. Garantit la validit et la pertinence des modles de donnes associs aux diffrents Mtiers.
5. Dfinit les rgles Mtier respecter pour les attributs de donnes et vrifie que les exigencies sur la
qualit des donnes est respecte.
6. Valorise les donnes de rfrence et les significations associes.
7. Contrle la qualit des donnes de test et participle la conception des jeux de donnes de test.
8. Identifie et aide la resolution de tout problme sur les donnes.
9. Participe l'analyse de la qualit des donnes et leur amlioration.
10. Contribue llaboration des politiques de donnes, des normes et procdures.
11
Octobre 2014

coordination avec les architectes et maitres douvrage du systme dinformation. Il joue vis-vis du Data Owner le mme rle que le Matre dOuvrage ou le Business Analyst vis--vis
du Process Owner. Ces acteurs doivent savoir en quoi consiste leur rle : il ne sagit pas
seulement dutiliser les donnes comme on en a lhabitude dans ses propres processus, mais
bien de les entretenir comme un patrimoine, les documenter, en contrler la qualit, les
mettre disposition, pour au final en accroitre la valeur pour lentreprise. La dimension
conduite du changement sur ce sujet est cl compte-tenu du caractre trs transversal
de lapproche : cela ncessite du temps, un travail important de coopration et des acteurs
capables de montrer des rsultats concrets sur un primtre restreint, afin de rpliquer et
diffuser les pratiques.
De plus, qui dit gouverner, dit orienter, fixer le cap et suivre la mise en uvre adapte. Le
dispositif de gouvernance des donnes doit donc organiser lensemble des dcisions
relatives aux donnes, dans une recherche de :
Valorisation du patrimoine,
Maximisation des usages de ces donnes,
Optimisation de la qualit (la juste qualit pour le juste besoin).
Dans ce dispositif de gouvernance, la protection des donnes est une question majeure : un
juste quilibre est trouver entre un accs totalement ouvert linformation et la ncessit
de protger les donnes (notamment pour les donnes personnelles) en en restreignant
laccs. Il faut par ailleurs trouver le juste quilibre entre ce qui doit tre dfini de manire
top/down et tre encadr, et ce qui peut relever dinitiatives locales.
Un bon moyen de rpondre cet enjeu est de dfinir les donnes cls afin de concentrer le
travail de la gouvernance sur ces donnes essentielles. Pour cela, il peut tre pertinent de
nommer un Chief Data Officer (soit un Responsable des donnes dEntreprise ou
encore un Responsable du patrimoine informationnel - ou quivalent), positionn au bon
niveau dans la hirarchie de lentreprise, et dorganiser des instances de gouvernance
associant lensemble des propritaires de donnes et les responsables des diffrentes
fonctions de gestion des donnes au sein de la DSI.
Dans ce cadre de gouvernance, le rle de la Fonction SI est de proposer aux acteurs en
interne un ensemble le plus large possible de services de gestion des donnes, et dassurer
directement les fonctions relevant de son primtre dactivit (le stockage, la scurit, la
modlisation, le dveloppement, ).
Ainsi, la question des contours de loffre de services, et des priorits de mise en uvre est
cl. La fonction SI est partenaire du Mtier dans le dispositif de gouvernance : la nomination
dun responsable du Data Management au sein de la DSI peut faciliter la relation avec le
12
Octobre 2014

Mtier et permettre une coordination des diffrents acteurs de la DSI impliqus dans la
gestion des donnes.
Tmoignage SCOR
Le Groupe a dfini des politiques en matire de gestion des donnes, des fins
damlioration de lefficacit oprationnelle, mais aussi de rponse aux demandes
rglementaires, notamment de Solvency 2 8, cadre qui rgit les socits dAssurance :
Une politique de Data Quality , qui dfinit notamment les instances de
gouvernance, et les rles et responsabilits des utilisateurs autour des donnes ;
Des complments au travers de diffrentes Guidelines : Change Management,
Audit Trail, Monitoring et Reporting ;
Des politiques dfinies par la DSI sur larchivage et la rtention des donnes dune
part, et la scurit des donnes dautre part ;
La gouvernance comprend galement un comit de pilotage de la protection des
donnes associant les diffrentes composantes mtiers du Groupe ;
Lidentification et le contrle des donnes cls vhicules dans le modle
interne , application qui value les risques et les besoins en capital associs,
partir de paramtres dactivit en provenance des applications front et back office ;
La mise en place dun Data Management au sein de la DSI ;
Un vaste programme de protection des donnes.
Ces diffrentes politiques sinscrivent dans un cadre global comprenant un code de
conduite, une politique gnrale de contrle interne, et une politique informatique
intgrant une dimension forte sur la scurit.
Ces politiques seront enrichies dans un futur proche pour y intgrer les diffrentes
dimensions du Data Management (architecture des donnes, gestion des mtadonnes, ).
Au-del du rle cl du propritaire des donnes (dj dfini dans les politiques relatives
la qualit des donnes), lambition du Groupe est de pouvoir sappuyer sur des
correspondants relais dans les diffrents mtiers.
La nouvelle rglementation Solvency 2 dfinit la faon dont doit tre dtermin le niveau des fonds propres
afin de couvrir les risques pris en charge par les compagnies dassurance. Cette rglementation sappliquera
compter du 1er Janvier 2016, et suppose des volutions importantes des systmes dinformation.
13
Octobre 2014
2.1.2. Rles et comptences dvelopper

Lenjeu sur les nouvelles comptences dpasse la seule cration de nouveaux postes tels que
Data Scientist ou Data Steward, et ncessite dadapter les organisations et les processus
pour que la transformation puisse soprer. Lexpertise requise pour un usage performant
des donnes est trs diverse, la croise du mtier, des statistiques, des mathmatiques, de
lconomtrie et de linformatique. Le dfi consistera galement dvelopper plus de
transversalit entre les diffrents silos de donnes en place dans les entreprises. Il est donc
ncessaire de crer des synergies entre les entits afin de permettre une meilleure
exploitation du contexte mtier.
Lorganisation pertinente doit donc permettre un accs riche et vari aux donnes de
lentreprise ainsi quaux donnes extrieures lorsque cela est possible. Une part importante
de lanalyse de la donne repose sur lexpertise et lintelligence des dcideurs, au service de
leur vision stratgique.
Le changement dorganisation peut simplement se matrialiser par la mise en place dune
gestion densemble des donnes au sein de lentreprise, mobilisant de fait de nouvelles
comptences, au-del des comptences plus traditionnelles dont dispose notamment la DSI
(par exemple, les DBA - Database Analytics, les responsables scurit, les architectes ).
Lun des enjeux est de faire merger ct mtier des responsables de donnes (ou Data
Steward ) susceptibles sur un primtre mtier sur lequel ils dtiennent une expertise
reconnue, de spcifier les exigences sur les donnes et den contrler la qualit. Ces
responsables de donnes peuvent tre positionns diffrents niveaux dans lorganisation,
et peuvent tre pilots par des coordinateurs au niveau dun mtier, dune fonction support
ou dune gographie. Ils peuvent tre assists danalystes mtiers ou de maitres douvrage
linstar de ce qui se fait la plupart du temps pour la description et la transformation des
processus mtiers. Faire merger ce rle est indispensable pour pouvoir mettre en place une
gestion de donnes dans lentreprise : les acteurs dsigns doivent tre la fois reconnus
pour leur expertise mtier, mais aussi capable de sortir du cadre organisationnel dans lequel
ils voluent pour dvelopper une vision globale et transversale des donnes quils
manipulent.
Une autre fonction cl nouvelle autour de lexploitation des donnes est apparue : le Data
Scientist (ou expert en analyse de donnes). Il sagit de disposer de comptences de haut
niveau en matire danalyse de donnes, en combinant la fois les mthodes statistiques,
mais aussi dautres connaissances telles que la linguistique, la smantique, utiles notamment
pour travailler sur des donnes non structures, sans oublier la bonne comprhension du
mtier sur lequel on travaille, et de mettre en uvre une dmarche danalyse itrative, en
acceptant de tester des hypothses sans a priori sur le rsultat recherch. Il faut donc la
14
Octobre 2014

fois des comptences techniques (informatiques) de manipulation des donnes, des
comptences en analyse de donnes plutt dans lunivers mathmatique, et des
comptences en marketing et gestion (analyse des comportements clients, comprhension
des processus mtiers, etc.). Les universits et grandes coles sattachent aujourdhui
dvelopper cette alchimie de comptences qui peut aussi sacqurir sur le terrain, au sein
des entreprises, en permettant aux potentiels identifis dvoluer.
Ct DSI, en complment de profils plus traditionnels tels que le spcialiste du BI, des
Datawarehouse, ou des Rfrentiels qui restent cls pour la gestion des donnes, de
nouveaux profils mergent pour traiter les sujets de gestion des mtadonnes ( Metadata
Specialist ), ou travailler sur les donnes non structures ( Chief Knowledge Officer ),
tandis que des mtiers darchitectes spcialistes des donnes ou de lintgration se
dveloppent.
2.1.3. Standards auxquels se rfrer

Le rfrentiel DM-BOK 9 dcrit les rles cls associs la gestion des donnes. Il consacre
galement un chapitre spcifique la gouvernance des donnes, qui est au cur du modle
dactivit propos, et comprend 2 familles dactivits principales :
Le planning : stratgie, politiques, dfinition des rles, nominations, dfinition des
projets ddis la gestion des donnes, analyse conomique des avantages et des
cots associs cette gestion ;
Le contrle qui, au-del du contrle interne, comprend aussi tous les aspects relatifs
la conformit.
Par ailleurs, le rfrentiel COBIT5 10 sest enrichi dun chapitre ddi la gestion des donnes
(COBIT 5 for information).
2.2. Rfrentiels et donnes cls

2.2.1. Enjeux lis aux rfrentiels de donnes
La gestion de rfrentiels dentreprise est souvent une premire tape dans la mise en place
dun dispositif de gestion des donnes. Les rfrentiels contiennent des donnes
relativement stables, permanentes, auxquelles de nombreux processus peuvent faire
rfrence. Il sagit la fois de nomenclatures ou de tables de rfrence (des codes devises,
Plus dinformation sur le DM-BOK : http://www.dama.org/i4a/pages/Index.cfm?pageid=3364
10
Le rfrentiel COBIT5 est consacr la gouvernance SI : il dcrit cinq principes et dfinit les sept inducteurs
de base qui le composent. Plus dinformations :
http://www.isaca.org/COBIT/Pages/default.aspx?cid=1003566&Appeal=PR
15
Octobre 2014

des codes pays, des numros de comptes ), ou de donnes de gestion telles que clients,
produits, etc. Les rfrentiels sont les donnes les plus ligibles tre partages largement,
et il y a donc beaucoup de valeur investir dune part dans la documentation de ces
donnes, et dautre part dans les services qui permettent de les rendre accessibles, de
garantir leur qualit et leur adquation.
La question qui se pose est le plus souvent celle de la frontire entre ce qui doit tre gr
sous la forme de rfrentiels dentreprise, et donc de faon globale et transversale, et ce qui
peut rester gr plus localement (au niveau dun mtier, dune gographie, dune entit
organisationnelle, etc.). La rpartition entre les donnes de rfrence qui servent de base
aux processus oprationnels et celles qui servent de base aux processus dcisionnels est un
sujet qui a tendance sestomper car tous les processus convergent vers des rythmes trs
contraints, proches du temps rel (et, cette convergence peut tre dailleurs une bonne cible
pour ce que lon construit aujourdhui).
Dans ce contexte, lapproche Master Data Model (MDM) est une bonne grille danalyse
des problmatiques lies aux rfrentiels : la sparation entre la notion de point
dacquisition (liste des donnes brutes telles quelles sont collectes la source au
travers des processus mtiers) et celle de point de vrit (donnes transformes et
contrles, de telle sorte quelles puissent tre diffuses largement dans lentreprise, avec
lassurance dun bon niveau de qualit) permet de construire des architectures de
rfrentiels qui tiennent compte de la spcificit des modes de collecte des donnes dune
part (souvent compltement embarqus dans les processus mtiers), et des exigences de
qualit des donnes et des contrles associs dautre part. Le MDM propose dailleurs
plusieurs architectures possibles selon la nature des rfrentiels, la nature des contraintes
lies la collecte, la nature des usages, et les contraintes lies lexistant applicatif (la
migration dun rfrentiel existant est une tche longue et complexe). Larchitecture peut
tre soit compltement centralise (le point dacquisition et le point de vrit sont assurs
par un seul et mme systme), soit pour partie dcentralise (notamment pour le point
dacquisition), ce qui suppose la mise en place de mcanismes de synchronisation plus ou
moins sophistiqus (uni ou bi-directionnel, temps rel ou batch) selon les exigences de
niveau de service.
Tmoignages SCOR et GIP MDS
SCOR
Les dploiements dun outil de back-office mondial pour le traitement des contrats de
rassurance, puis dun systme comptable mondial se sont accompagns de la mise en
place de rfrentiels unifis et partags. titre dexemple, lidentifiant du contrat est gr
en maitre par le systme back-office qui fournit cet identifiant aux systmes front-office
16
Octobre 2014
qui lenregistrent. Les rfrentiels sont donc globaux, et ils sont aussi partags entre les
diffrents mtiers.
De plus, la mise en conformit avec Solvency 2 dune part, et la poursuite de lunification
des systmes front-office dautre part, conduisent pousser un cran plus loin le primtre
et lusage de rfrentiels partags, en intgrant les systmes de gestion des risques et le
dcisionnel (les datawarehouses et les outils de reporting).
Lapproche Data Quality ncessaire Solvency 2 conduit aussi prciser les
responsabilits relatives la qualit des donnes de rfrence, en faisant appel aux
concepts MDM de point dacquisition / point de vrit. Enfin, les services daccs aux
donnes de rfrence doivent aussi senrichir.
GIP MDS
Dans le secteur public, le schma stratgique du systme dinformation de la scurit
sociale et de la protection sociale (SSSI), dfinit parmi ses objectifs stratgiques la ncessit
dacter le principe dun rfrentiel-socle des employeurs pour la sphre sociale .
limage des donnes individus, lidentification des employeurs constitue un besoin
commun aux acteurs de la sphre sociale. La fiabilit, lunicit et la mise disposition de
cette donne sont les ingrdients ncessaires la mise en uvre de nombreux processus
(dclarations sociales pour diffrents cas retraite, maladie, chmage , recouvrement
des cotisations) ainsi quau maintien de leur cohrence transverse.
Cet objectif se traduit par la mise en uvre dune architecture de consolidation des
donnes employeurs autour des rfrentiels socles (REI/ACOSS Rfrentiel Entreprises et
Individus et RNE/MSA Rfrentiel National des Entreprises) qui sont unis dans le
cadre du rpertoire RCD Rpertoire Commun de Dclarants.
L'identification des employeurs pour la scurit sociale est porte par deux rfrentiels
socles : les employeurs agricoles dans le RNE et les employeurs du rgime gnral
dans le REI. Ces rfrentiels sont articuls avec les informations en provenance des
diffrents Centres des Formalits Entreprises (CFE) et de la base SIRENE de lINSEE qui
consolide les informations.
Pour les besoins lis la mise en uvre de la DSN (Dclaration Sociale Nominative),
qui est une procdure unique, un rpertoire des dclarants (RCD) adoss ces
rfrentiels a t mis en uvre, qui enregistre leurs caractristiques et fait le pont
entre la scurit sociale et les organismes complmentaires.
17
Octobre 2014
CFE
CFE
CFE
CFE
RNE
RUBENS
Rgimes de retraite
complmentaires
REI
RNEMSA
RCD
SIRENE
Rgimes complmentaires
Maladie/Prvoyance
(Mutuelles, assurances,
Inst. de Prvoyance et autres
caisses professionnelles)
Assurance Chmage
et Ple Emploi
Cette dmarche peut tre rapproche dune dmarche de gestion de donnes de rfrence
(Master Data Management ou MDM). Les processus mis en uvre visent dfinir, stocker,
et diffuser des donnes rfrentielles au sein du systme dinformation de la sphre
sociale.

Le DM-BOK 11 contient un chapitre ddi aux rfrentiels et au MDM. Il distingue :
Les Reference Data , qui correspondent ce que lon appelle parfois les
nomenclatures (comme par exemple les codes et noms des pays, des devises ). Il
sagit de donnes plutt statiques, permettant de classer ou de qualifier les donnes
de gestion.
Les Master Data (que nous appelons gnralement donnes de rfrence ou
rfrentiels ), qui sont des donnes de gestion pour lesquelles il est ncessaire de
disposer dun enregistrement de rfrence (ou golden copy ou point de
vrit ), comme par exemple la description dun client, dun produit, ou dun
contrat.
Par ailleurs, le DM-BOK donne des exemples assez concrets de solutions et darchitectures
mettre en place.
Citons galement louvrage de Franck Regnier-Pecastaing, Michel Gabassi et Jacques Finet,
intitul MDM : enjeux et mthodes de la gestion des donnes .
11
18
Plus dinformation sur le DM-BOK : http://www.dama.org/i4a/pages/Index.cfm?pageid=3364
Octobre 2014
2.3. Mtadonnes
Ce sujet couvre tout le primtre des donnes de lentreprise, structures et non
structures.
2.3.1. Donnes structures ou non structures : dfinitions

Dj en 2007, le CIGREF affirmait aux cts de lAPIL et de lAPROGED, dans un Livre Blanc
conjoint intitul Valorisation de linformation non-structure , que le traitement de
linformation tait un dfi pour les entreprises, et plus spcifiquement pour les DSI 12,
notamment du fait de lexplosion du volume dinformations disponibles. Tout le monde en
est aujourdhui convaincu. Dans ce mme Livre Blanc, les 3 associations considrent que
Linformation non-structure, et partant, les documents qui la contiennent, possde un
cycle de vie intrinsque, intimement li aux processus mtiers et la vie de lentreprise.
Loptimisation de ce cycle de vie informationnel est alors un levier majeur doptimisation des
performances de lentreprise ds lors quune approche mthodologique () est mise en
place .
On peut considrer quune information est structure si elle est utilisable directement par
un ordinateur pour effectuer un calcul : oprations arithmtiques, comparaison, Sagissant
de linformation non-structure (textes, images, sons, ), lenjeu est de la rendre exploitable
et den tirer de la valeur ajoute pour tous les Mtiers de lentreprise.
2.3.2. Enjeux de la gestion des mtadonnes

Les mtadonnes sont des informations descriptives sur les donnes. La gestion des
mtadonnes est donc une activit centrale dans la gestion des donnes car elle contribue
la valorisation des donnes en en facilitant les usages. La valeur ajoute de cette fonction est
lie au temps quelle fait gagner dans la recherche de la bonne donne pour le bon usage, et
dans la capacit faire gagner du temps aux projets dans la recherche de la comprhension
et de la dfinition des donnes.
Pour les donnes structures, grer des mtadonnes suppose de pouvoir sappuyer au
pralable sur une dmarche de modlisation des donnes : en effet, les mtadonnes sont
attaches aux donnes modlises, quel que soit le niveau de modlisation (global de niveau
Entreprise, ou bien au niveau dun mtier voire dune application). Des mtadonnes
peuvent aussi tre associes une reprsentation des flux de donnes.
12
19
APIL-APROGED-CIGREF, 2007 : Valorisation de linformation non-structure
Octobre 2014

Quand il sagit de donnes non structures, les mtadonnes peuvent tre attaches soit
chaque lment de contenu (un document, une page web, une vido, etc.) ou bien des
ensembles plus vastes (un dossier comprenant plusieurs documents, un site web, etc.).
Quand elles sont associes des donnes non structures, les mtadonnes facilitent la
recherche de linformation en proposant un plan de classement.
Les questions cls traiter lorsque lon parle de mtadonnes sont les suivantes :
Quelles sont les mtadonnes principales grer ?
o Le premier niveau de mtadonnes est le dictionnaire, cest--dire la dfinition de la
donne :
Pour les donnes structures, cette dfinition doit tre attache un niveau
de description conceptuel, et gre au niveau Entreprise en fonction de
limportance de la donne et de son niveau de partage ;
Pour les donnes non structures, plusieurs niveaux de dfinition peuvent
tre grs (le titre dun document, dun film ou de tout bloc de contenu est un
premier niveau de dfinition, qui peut tre enrichi de descriptions plus
longues comme par exemple un rsum).
o Le deuxime niveau regroupe les informations ncessaires la gouvernance de la
donne, et notamment le nom du responsable ou du propritaire ( owner ou
steward ) de la donne ;
o Le troisime niveau permet de qualifier le niveau de confidentialit : sagit-il dune
donne hautement confidentielle qui ne doit pas sortir de lentreprise et ne doit
tre connue que dun nombre restreint de personnes (informations sur les rsultats
avant une publication par exemple) ? Sagit-il dune donne dont lusage doit tre
strictement interne ? Dune donne publique ? Dune donne personnelle, soumise
des contraintes spcifiques (CNIL, ) ?
o Il est souvent utile de classer les donnes par type ou par catgorie : classement des
donnes structures en fonction des types de processus mtiers auxquelles elles
sont lies (donnes de rfrence, donnes oprationnelles, donnes dcisionnelles)
ou classement de documents par nature (prsentation/compte-rendu), en fonction
du niveau de maturit (document de travail/version intermdiaire/version finale),
par thme ;
o Il est important doprer partir dune description de niveau Entreprise, une
golocalisation des donnes dans le systme dinformation, en sappuyant
notamment sur un mtamodle darchitecture : processus, applications, units
organisationnelles qui mettent jour la donne et la consomment, localisation
physique des donnes, etc.
20
Octobre 2014
quel niveau de description des donnes grer les diffrentes mtadonnes (niveau du
modle / niveau des flux, niveau modle dentreprise / niveau modle applicatif, niveau
document / niveau dossier, etc.)
o Des mtadonnes sont associer aux diffrents niveaux de description des
donnes, mais pour les donnes structures cls de lentreprise, la plupart des
mtadonnes sont attacher au niveau conceptuel Entreprise (notamment les
dfinitions et la gouvernance) ; de mme que pour les donnes non structures,
une gestion par ensemble dlments de contenus est plus simple administrer
quune gestion lment par lment (par exemple au niveau dun document) ;
o Il est essentiel de grer les liens entre les diffrents niveaux, et de mettre en place
des logiques dhritage entre le niveau le plus haut et les niveaux bas (niveau
applicatif notamment), afin de simplifier une gestion qui peut savrer trs lourde
eu gard aux volumes concerns.
Quelle organisation pour grer les mtadonnes ?
o Une quipe de gestion, proche des quipes de modlisation et de gestion des
connaissances doit apporter du support, fournir des outils et des processus ;
o La description et les volutions doivent tre autant que possible dcentralises
auprs des propritaires des donnes, outilles, et faire partie des processus de
gestion des changements du SI.
Comment piloter lquilibre effort / rtribution ?
o Faire porter leffort prioritairement sur des ensembles de donnes dont le besoin
de partage est fort (donnes de rfrence par exemple) ;
o Grer les mtadonnes par ensembles de donnes, et non a priori au niveau de
chaque donne lmentaire ;
o Tirer parti des projets qui sont des opportunits de mettre en place des
mtadonnes moindre cot car celles-ci sont partie intgrante du projet ;
o Outiller pour limiter leffort ;
o Communiquer beaucoup pour promouvoir les usages.
Quels outils pour grer les mtadonnes ?
o La plupart des outils de gestion de documents comprennent leur propre gestion de
mtadonnes, ainsi que des outils de recherche sappuyant sur les mtadonnes
gres ;
o Pour les donnes structures, les outils qui permettent de grer un rfrentiel
darchitecture permettent en gnral de grer un mtamodle et des
mtadonnes.
Tmoignage SCOR
21
Une utilisation extensive dun logiciel de collaboration pour la gestion de

Octobre 2014
documents, et un dveloppement de la GED (Gestion Electronique de Documents),

ont conduit mettre en place au cas par cas des mtadonnes facilitant la
recherche de documents :
o Le rseau social dentreprise dploy conduit mettre en place des plans de
classement de documents sur une chelle plus large ;
o Des sites chapeau dans le logiciel de collaboration permettent dlargir
les primtres de gestion et de partage de documents, et proposent une
structure plus dveloppe en matire de mtadonnes.
Une approche combinant un dictionnaire et dautres mtadonnes a t engage
sur les applications du primtre Solvency 2 ;
La dfinition des modalits darticulation du niveau Entreprise et des descriptions
de niveau applicatif est en cours danalyse dans le cadre de linitiative Data
Management .
2.4. Scurit et conformit

Rappelons au sujet de la scurit que le cadrage de lutilisation de la donne peut devenir
rapidement complexe au regard du respect des droits en vigueur. En effet, il est utile de
prciser que les possibilits dexposition des donnes sont relies bien souvent un cadre
contractuel qui dfinit les conditions applicables aux rfrentiels concerns. Dans la
volont chaque jour grandissante de vouloir partager les donnes, un travail danalyse est
ncessaire pour connaitre prcisment lorigine et les obligations intrinsques aux donnes.
Les chapitres suivants traiteront de la classification des donnes, ou comment garantir la
protection de certaines donnes, mais le groupe de travail rappelle que certaines donnes
non confidentielles sont pourtant soumises des contraintes rglementaires et/ou
juridiques. Cest le cas par exemple lorsque des donnes de localisation ont t acquises
auprs des dorganismes certifiants. Ces derniers dressent alors un cadre dutilisation stricte
lentreprise, ce qui limite le partage aux seules entits dune organisation.
2.4.1. Protection des donnes: la classification

Ds 2008, le CIGREF reconnaissait limportance de la protection des donnes et des
informations 13, et dfinissait ainsi la notion de protection : La protection de linformation
est une dmarche consciente visant protger, au sein de lentreprise tendue, ce qui vaut la
peine dtre protg, tant au niveau des donnes que des supports dinformation. Cette
dmarche implique un systme de gestion, une identification des informations sensibles, une
analyse de risques, des acteurs, avec des rles et responsabilits et un programme de
rduction des risques.
13
22
CIGREF, 2008 : Protection de linformation : enjeux, gouvernance, et bonnes pratiques
Octobre 2014

Cette protection savre dautant plus ncessaire du fait de lvolution du contexte quont
connu les entreprises depuis 2008 : dveloppement rapide du Cloud avec les questions que
posent lexternalisation accrue des donnes et leur localisation par exemple 14, ou encore
volution du contexte rglementaire comme le projet de rglement europen sur les
donnes personnelles qui prvoit des obligations de protection accrues pour les entreprises
et un rgime de sanctions trs lourdes en cas de dfaut de protection des donnes.
La classification des donnes selon leur niveau de confidentialit est la base de la
protection de linformation. Cependant, quand on aborde des dmarches de mise en
commun et de r-utilisation des donnes, cela ouvre une dimension de risque
supplmentaire : des donnes bien protges dans une application scurise et dont les
droits daccs sont matriss, peuvent se trouver exposes de faon non contrle si elles
sont mises disposition dutilisateurs non avertis, soit par transfert des applications aval,
soit par dversement dans un entrept de donnes collectif. Une rponse peut tre
dinstituer lautorisation obligatoire du Data Owner pour toute r-utilisation dune donne
classifie.
Une analyse fine des risques sera ncessaire. Par exemple, dans ltude de mise en place
dun outil de Business Intelligence, il faudra distinguer :
Des cas o linformation lmentaire elle-mme est confidentielle ; cest le cas en

particulier pour les donnes caractre personnel.
Des cas o linformation lmentaire na pas de valeur en elle-mme, mais o la
capacit dagrgation de lensemble des donnes doit tre protge.
Des cas o lagrgation des donnes na de sens que si elle est faite selon les rgles
spcifiques dtenues par lexpert (par exemple pour des analyses faites sur des
donnes conomiques), et dans ce cas cest le rapport danalyse final qui porte la
confidentialit.
La classification des donnes constitue la pierre angulaire de la dmarche de protection de la

donne puisquelle permet didentifier les donnes qui doivent faire lobjet dune protection
et le degr de protection requis. La classification est habituellement utilise pour grer la
confidentialit des donnes, linstar de ce qui se fait dans le monde militaire (on parle
dune classification secret dfense ). tymologiquement, le verbe classifier peut tre
utilis simplement pour classer des informations dans des catgories. En transposant cette
approche lentreprise, il est possible dtablir plusieurs types de classifications : certaines
pour grer les aspects de confidentialit, dautres pour grer les aspects dordonnancement
comme, par exemple, pour classer les donnes dans des familles, auxquelles seront
14
23
AFAI-CIGREF-IFACI, 2013 : Cloud Computing et Protection des donnes
Octobre 2014

appliqus des modes de gestion communs. La question cl est de dterminer quel est lusage
de ces classifications. Ainsi, pour une classification sur la confidentialit, chaque acteur doit
savoir exactement comment se comporter en fonction du niveau de confidentialit attach
la donne.
La proposition de loi de 2012 sur le secret des affaires (Snat franais) met en exergue ce
besoin de classification des donnes 15 : Constituent des informations protges relevant du
secret des affaires dune entreprise, [] les [] donnes [] qui ont, en consquence, fait
lobjet de mesures de protection spcifiques destines informer de leur caractre
confidentiel et garantir celui-ci.
De mme, lvolution rcente de la jurisprudence 16, o dans plusieurs affaires la notion de
vol de biens immatriels tend prendre forme, est une raison supplmentaire pour les
entreprises de mettre en place un systme de classification des donnes.
Bien quil nexiste pas de systme de classification universel des donnes, lutilisation
dobjectifs de scurit propose par les dmarches danalyse de risques 17 (confidentialit,
intgrit, disponibilit et traabilit) apparat comme un incontournable. La classification des
informations, en vue de la protection de celles-ci, ncessite un dialogue entre la DSI et les
Mtiers :
Les Mtiers, pour lvaluation des impacts datteinte la scurit des donnes, et
pour la sensibilisation des oprationnels ;
La DSI pour lvaluation des risques informatiques, et pour la proposition de solutions
de scurisation des donnes.
Tmoignages Groupement des Mousquetaires et Renault
Groupement des Mousquetaires
Lapproche de classification des donnes a t initie loccasion dun projet, suite au
besoin exprim par les mtiers de protection de la confidentialit de donnes juges
particulirement sensibles.
La dmarche adopte a consist valuer, de manire classique, les impacts pour le
Groupement des Mousquetaires, dune atteinte aux objectifs de scurit des donnes :
confidentialit et intgrit (les critres de disponibilit et de preuve ne sont pas intgrs
15
Lire la proposition de loi : http://www.assemblee-nationale.fr/13/propositions/pion3985.asp
16
Affaire Rose : http://www.institut-ie.fr/bsa/BSA_00_03_2012.pdf
17
E-bios par exemple
24
Octobre 2014
ce jour). Lchelle dimpact, indicative, est celle qui avait t dfinie pour la gestion des
risques mtiers du Groupement des Mousquetaires lis linformatique. Le primtre de
classification concerne ce jour les informations gres par les applications.
Niveau
d'impact
Critique
Fort
Moyen
Faible
Tableau 1 : chelle d'impact des risques selon 4 perspectives

Impact financier
Impact
adhrent
Impact
Impact
Rsultat net
Perte de trsorerie
(variation
(variation ngative
du Gpt des
consommateur
collaborateur
ngative N vs N-1)
N vs N-1)
Mousquetaires
Propre
Dtrioration
remettre en
durable du climat
L'image de
Suprieure
Suprieure
cause le
social, dmotivation
l'enseigne est
100%
100%
contrat entre
durable des
en danger
l'adhrent et le
collaborateurs
Groupement
Forte dmotivation
Service
Comprise
vasion durable
Comprise entre
des collaborateurs,
fortement
entre 50 et
de la clientle
50 et 100%
dtrioration nette
affect
100%
du climat social
Dtrioration des
Service
Un groupe
Comprise
Comprise entre
conditions de travail,
modrment
important est
entre 10% et
10% et 50%
le climat social s'en
affect
affect
50%
trouve tendu
Les conditions de
Quelques
Infrieure
Infrieure
Service peu
travail et le climat
clients sont
10%
10%
affect
social sont peu
affects
affects
Dans un second temps, si au moins un impact dpasse un seuil critique, une analyse de
risques, adapte de la mthode E-BIOS 18, est mene par le RSSI qui prconise un plan de
rduction des risques informatiques dans un dossier de scurit. La dcision finale de
ladoption partielle ou totale du plan de rduction des risques revient aux mtiers.
La dmarche de classification des donnes gres par les applications informatiques est en
voie de systmatisation, elle sera porte par la mthode interne de gestion des projets
informatiques. Le rsultat de la classification des donnes sera intgr dans le dictionnaire
des donnes dentreprise.
Renault
18
Cre en 1995 par lANSSI et rgulirement mise jour, la mthode EBIOS (Expression des Besoins et
Identification des Objectifs de Scurit) permet dapprcier et de traiter les risques relatifs la scurit des
systmes dinformation (SSI).
25
Octobre 2014
Depuis 2010, une politique de matrise de linformation a t mise en place et dploye

progressivement dans toutes les entits du Groupe. Cette dmarche sappuie sur une
classification des informations sensibles :
La classe de confidentialit dtermine les rgles daccs aux informations sensibles,
ainsi que les moyens de protection mettre en uvre.
La classification des informations est dtermine partir des enjeux et des risques
quentranerait une divulgation non contrle des informations sensibles.
La classification doit tre slective et tablie au juste ncessaire, partir de
lanalyse des risques, pour viter de crer des complexits de gestion et des freins
inutiles laccs aux informations.
La grille de classification est tablie en cohrence avec celle de Nissan, selon une
correspondance :
Tableau 2 : Grille de classification
Classification
Interne
Sensible
Enjeux en cas
de fuite
Risque faible, mais une

communication non
autorise lextrieur
reprsenterait une
divulgation gratuite du
savoir-faire, ou pourrait
perturber la communication
externe de lentreprise
Risque de
perte
relle,
mais
limite
Critique
Risque de perte
significative pour
lentreprise, par
dsavantage
commercial, crise
dimage, mise en
cause judiciaire, ou
autre.
Stratgique
Risque de perte ou
de crise majeure,
de nature
impacter le rsultat
financier ou la
valorisation
boursire.
Chaque mtier a opr la classification des donnes / informations selon cette grille et
produit un catalogue des donnes confidentielles. Les niveaux de classification sont
marqus sur les documents, et dterminent les moyens de protection utiliser.
La classification a ensuite t tendue aux SI, partir de lanalyse du niveau de
classification des donnes traites, et en prenant en compte les rglementations sur les
donnes caractre personnel. La PSSI dfinit les rgles de scurisations en fonction de la
catgorie des donnes traites dans chaque SI.
Pour les nouveaux projets, la mthode de projet intgre un passage en comit SSI qui met
un avis de PSSI.
Pour les SI existants, un inventaire des traitements informatiques selon la classification des
donnes traites est tenu jour. A partir de cette classification sont ensuite analyses les
chaines de confidentialit et les tudes de scurisation des SI
26
Octobre 2014
27
Octobre 2014
2.4.2. Le cas des donnes personnelles

Les dmarches de valorisation des donnes risquent de rapidement heurter de front deux
des principes majeurs dfendus par la CNIL :
Linterdiction dexploiter les donnes pour des finalits autres que celles qui ont t
dclares lorigine,
Les restrictions particulirement svres vis--vis des croisements de fichiers.
A partir de l, quand les traitements de donnes ne peuvent pas tre anonymes, ce qui est
videmment le cas quand il sagit de proposer de nouveaux services au client ou damliorer
la performance du processus de vente, il faudra veiller ce que ces traitements sinscrivent
dans le cadre de finalits dclares de faon assez large, et des consentements demands
aux personnes concernes. Dans les autres cas, on conclura rapidement au besoin
danonymiser les donnes.
Par ailleurs, en matire de scurit, lanonymisation de donnes personnelles est un
processus cl qui transforme, de manire irrversible, des donnes concernant des
personnes afin dobtenir un nouvel ensemble de donnes partir desquelles il nest pas
possible, par des moyens raisonnables , de ridentifier ces personnes 19.
Le G29 20 (ensemble des CNIL de lUnion europenne) dcrit la pseudonymisation des
donnes personnelles comme un processus de transformation de donnes personnelles,
visant cacher les lments personnels des donnes, mais susceptible de permettre
nanmoins la ridentification des personnes.
Ces techniques peuvent rpondre diffrents besoins pour les entreprises :
La conformit rglementaire,
La protection du patrimoine de donnes, lorsquil sagit de faire traiter ses donnes
hors de lentreprise (dveloppement ou recette externaliss par exemple),
Lexploitation de donnes dans un cadre initialement non prvu lors de la collecte
des donnes (change de donnes avec des partenaires, etc.).
titre dexemple, lexigence danonymisation des donnes est particulirement forte dans le
domaine de la sant, o le corpus rglementaire relve tant de la loi Informatique et
Liberts , que du code de la sant publique ou du code de la scurit sociale, et o le
dialogue doit tre instaur avec diffrentes autorits administratives :
CNIL,
19
Adapt de la directive europenne Directive 95/46/EC, Rcital 26.
20
Opinion 05/2014 on Anonymisation Techniques
28
Octobre 2014
Comit consultatif sur le traitement de linformation en matire de recherche dans le

domaine de la sant (CCTIRS),
Institut des donnes de sant (IDS),
Agence nationale des systmes dinformations partages de sant (ASIP),
Etc.
Comme le souligne le G29, une anonymisation correcte des donnes, i.e. une anonymisation
qui empche toute ridentification, est difficile obtenir et doit tre value selon trois
axes :
Quelle est la possibilit de ridentifier un individu partir dun jeu de donnes ?
Quelle est la possibilit dinfrer des informations sur un individu partir dun jeu de
donnes ?
Quelle est la possibilit de relier des jeux de donnes diffrents appartenant un
mme individu ?
Figure 2 : Anonymisation des donnes, cas des donnes de sant
Le G29 estime galement que les risques de ridentification doivent tre rgulirement
valus, et les dispositifs danonymisation revus si cela est ncessaire.
Avec le dveloppement du Big Data, lentreprise met en place des traitements qui collectent
et mettent en corrlation des donnes de plus en plus volumineuses et de plus en plus
granulaires. La valeur cre pour lentreprise est potentiellement trs leve. Ces
croisements doivent pouvoir tre raliss tout en apportant aux personnes concernes la
garantie de respect de leur vie prive grce lutilisation de techniques danonymisation
efficaces.
29
Octobre 2014

Le sujet des techniques danonymisation est en dveloppement actif, comme latteste par
exemple le projet dinvestissement davenir en cours xdata 21, qui explore ce domaine avec
lINRIA et lquipe Privatics. Cest galement un sujet pointu pour lequel il existe peu de
guides pratiques pour les entreprises 22. La maturit dans le domaine semble encore faible,
et les pratiques dfaillantes danonymisation font encourir un risque pour les entreprises.
On citera ici le cas de Netflix 23 qui avait diffus des donnes clients anonymises dans le
cadre dun concours afin de trouver des algorithmes de recommandation : un expert ayant
dmontr une anonymisation inadquate des donnes des clients de Netflix, la socit
interrompit son concours et dut conclure un accord pour viter un procs 24.
Aussi, il apparat important, tant pour la protection des donnes que pour leur exploitation,
que les entreprises puissent trouver, en relation avec les autorits administratives (CNIL,.)
et les laboratoires de recherche, un dispositif permettant de professionnaliser les procds
danonymisation des donnes. ce titre, lexemple dun service danonymisation comme le
service britannique UK Anonymization Network 25 (UK AN) pourra tre tudi avec attention :
financ par lICO (CNIL britannique) et coordonn par des universits, il permet dassister les
entreprises dans leur initiative danonymisation des donnes.
Sur le plan des systmes dinformation, les exigences de protection de la donne par
anonymisation doivent mobiliser lensemble des acteurs des projets informatiques :
Les Mtiers, pour la connaissance des exigences de scurit des donnes ;
La DSI, pour la prise en compte :
o De ces exigences trs en amont dans les dmarches projet, idalement
traites dans le cadre gnral dune mthode danalyse des risques,
o Des mthodes danonymisation et de leurs impacts en termes de modles de
bases de donnes ou de performances,
o Des contraintes techniques et lgales sur les moyens de stockage de ces
donnes, et sur la scurisation des canaux de communication.
21
http://xdata.fr/ : participation de lquipe Privatics
22
notre connaissance, seule le CNIL anglaise - lICO - a publi un guide sur ce sujet :
http://ico.org.uk/for_organisations/data_protection/topic_guides/anonymisation
23
http://blog.netflix.com/2010/03/this-is-neil-hunt-chief-product-officer.html
24
http://www.forbes.com/sites/firewall/2010/03/12/netflix-settles-privacy-suit-cancels-netflix-prize-twosequel/
25
30
http://ukanon.net/
Octobre 2014
Tmoignages Groupement des Mousquetaires et Harmonie

Groupement des Mousquetaires
La question de lanonymisation des donnes sest pose avec acuit dans le cadre dun
projet collaboratif Big Data pour lequel il a t ncessaire dchanger un volume
important de donnes personnelles avec les partenaires du projet : industriels et
laboratoires de recherche. Lanonymisation sest avre indispensable avant tout change,
notamment pour des raisons de conformit rglementaire puisque les partenaires
ntaient pas lorigine identifis comme destinataires des donnes personnelles.
Ce cas dusage a t loccasion dtoffer le portefeuille doffres du service charg des
recettes dintgration des systmes informatiques : ce service a entrepris dacqurir la
connaissance des techniques danonymisation, de dvelopper une dmarche
danonymisation afin de conseiller les projets, et de slectionner un outil propre
automatiser lanonymisation des donnes.
Paralllement, la solution de gestion du patrimoine applicatif a t tendue afin de
recenser, en se basant sur le rfrentiel de la CNIL, les catgories de donnes personnelles
gres par chacune des applications afin de prparer un plan danonymisation des
donnes
personnelles
pour
les
environnements
informatiques
hors
production : dveloppement, recette, Enfin, un jalon sur lanonymisation des donnes
sera intgr dans la mthode interne de gestion des projets informatiques.
Harmonie
Depuis novembre 2013, Harmonie sest lanc dans lexprimentation Big Data sant
avec un partenaire et le parrainage du laboratoire TNP Supelec Big Data dans
31
Octobre 2014
lassurance sant .
La dmarche adopte pour ces exprimentations a t dcline comme suit :
Les donnes tant traites lextrieur de lentreprise, la question de lanonymisation sest

bien videment pose. Une tude prdictive de ce type a ncessit la fourniture dun
volume considrable de donnes (3 millions de personnes et 190 millions de lignes de
consommation mdicale). Pour respecter la rglementation tout en conservant un dtail
suffisant sur les informations, nous avons slectionn, aprs extraction, les donnes
adquates, puis effectu une anonymisation afin de sassurer quune personne ne puisse
tre ridentifie (suppression des informations signaltiques et renumrotation alatoire).
2.5. Architecture
Les mthodes de conception de SI ont longtemps donn la priorit aux processus et aux
traitements plutt quaux donnes, souvent vues comme des sous-produits des traitements
32
Octobre 2014

(notions dentres/sorties). Lintroduction de mthodologies comme RACINE ou MERISE a
mis en avant la ncessit de modliser les donnes indpendamment des traitements, et
selon 3 niveaux dabstraction : le niveau conceptuel, le niveau logique, le niveau physique.
Aujourdhui, limportance des donnes, leur valeur, et par ailleurs la difficult prvoir les
traitements qui varient en fonction des comportements des acteurs (un client qui va choisir
un canal dinteraction, un employ qui va choisir son device ) font de la modlisation des
donnes llment central dune dmarche de conception de SI. Comme voqu
prcdemment, la modlisation est un prrequis dautres activits de gestion des donnes,
telles que la gestion des mtadonnes ou la gestion des rfrentiels. Cest donc une brique
essentielle de tout dispositif de gestion des donnes. Larchitecture des donnes est
dsormais considre comme une discipline part entire par toutes les approches
dArchitecture dEntreprise (TOGAF considre lArchitecture des donnes comme un
lment cl de tout le travail dArchitecture du SI). Parler darchitecture des donnes, cest
utiliser les techniques de modlisation pour mettre en uvre plusieurs niveaux de
reprsentations des donnes dont principalement un niveau entreprise , ceci afin de
promouvoir le partage des donnes cls de lentreprise, et de dvelopper de nouveaux
usages permettant de crer de la valeur.
Deux sujets apparaissent donc comme prioritaires pour maximiser la valorisation des
donnes au travers dune dmarche darchitecture : llaboration dun modle de donnes
dentreprise et la dfinition de rgles de propagation des donnes dans le SI.
2.5.1. Elaborer un modle de donnes dEntreprise 26

Concernant le modle de donnes, lenjeu principal dun travail sur larchitecture des
donnes est de se doter de la capacit r-utiliser et partager plus facilement les donnes,
associe une plus grande efficacit dans lassurance de leur qualit. En effet, si les donnes
sont contrles la source, et si la qualit nest pas altre dans les processus de
transmission de celles-ci, alors la qualit peut tre plus facilement garantie dans les
processus qui se situent au bout de la chaine de traitement, et notamment les processus
dcisionnels. Dfinir un modle de donnes dentreprise permet un partage plus ais des
dfinitions de donnes, mais aussi de leurs inter-relations : les mmes donnes peuvent
26
Quest-ce quun modle de donnes dEntreprise ? Il sagit dune dfinition et dune reprsentation des
principaux objets mtiers de lentreprise (le client, le produit, le contrat, lemploy etc.), de la faon didentifier
ces donnes, de leurs inter-relations (liaison 1 1, 1 n ). Le modle de donnes dEntreprise peut tre
formalis en utilisant des techniques de modlisation habituellement appliques la conception de SI (MCD
Merise, UML ). Il prsente lavantage de donner une vision densemble des donnes les plus largement
partages et qui constituent le socle du systme dinformation, notamment les donnes de rfrence.
33
Octobre 2014

ainsi tre partages entre les processus oprationnels qui les crent, et les processus
dcisionnels qui les utilisent pour le pilotage.
Les questions qui se posent lorsquon engage un travail de dfinition dun modle de
donnes dentreprise portent sur les priorits allouer aux travaux de documentation de
lexistant et de dfinition de cibles en matire de donnes, en fonction dune part des
projets, mais aussi dautre part de lampleur des enjeux de rutilisation et de partage (cela
dpend donc de la nature des donnes concernes). La slection de donnes peu
nombreuses, mais particulirement structurantes et/ou largement utilises est un facteur de
russite.
Les primtres adresser de manire prioritaire peuvent tre :
Les rfrentiels ;
Les donnes dcisionnelles ;
Les donnes oprationnelles qui constituent le socle du SI et peuvent faire lobjet
dchanges externes (contrats et oprations).
car il sagit des primtres les plus transversaux, et donc porteurs des principaux enjeux
de partage et de qualit.
Ces mmes primtres devront tre ajusts galement en fonction des enjeux de
transformation du SI (portefeuille de projets).
Le modle de donnes dEntreprise doit en tout tat de cause senrichir au fil des projets, et
pouvoir tre reli la faon dont les donnes sont gres concrtement par les applications
informatiques au travers dune dmarche de type golocalisation des donnes (les
donnes sont o ? traites par quels processus ? quelles applications ? etc.).
Tmoignage SCOR
Cartographie et localisation des donnes pour les fonctions cur mtier :
souscription et actuariat Vie/Non vie, Investissements
o Permettant de dfinir les usages de la donne (services), didentifier sa
valeur et les enjeux de qualit avec le mtier ;
o Avec une identification des cycles de vie et des propritaires mtiers ;
o En tenant compte dun contexte volutif du fait de transformation
numrique (dveloppement itratif dune capacit danalyse de donnes
provenant de diffrentes sources internes et externes).
laboration dun modle de donnes dEntreprise, le GMDM 27 : formalisation des
concepts mtiers cls et du glossaire, identification des donnes cls pour les
27
34
Global Master Data Model
Octobre 2014
mtiers)
o Initiative conjointe mtier et IT comprenant la dfinition et la reprsentation
en UML des donnes les plus utilises
En sappuyant sur les modles du march;
En grant des versions du modle ;
En utilisant des attributs communs toutes les fonctions : statut li
au positionnement de la donne dans son cycle de vie par exemple,
dfinition du niveau de sensibilit (priv ou non), donne externe ou
interne.
o Recensement des flux fonctionnels et des applications utilisant les donnes
rfrences dans le modle ;
o Dfinition dindicateurs sur les niveaux de reprsentation (connu, normalis,
informatis, contrl, ..).
Loutil utilis est Power Designer qui est utilis galement pour la modlisation de
donnes de niveau applicatif (modle CDM 28, LDM 29, PDM 30) et la DSI dveloppe plus
largement un rfrentiel darchitecture (intgrant non seulement les donnes, mais aussi
les fonctions et les applications) pour rpondre aux diffrents besoins mtier. Les modles
sont publis sur lintranet, versionns et archivs via le rfrentiel.
28
Conceptual Data Model

Logical Data Model
30
Physical Data Model
29
35
Octobre 2014
2.5.2. Dfinir des rgles de propagation des donnes dans le SI

Les processus mis en uvre au sein dune entreprise sont par dfinition bass sur des
changes dinformations entre des acteurs. Pour que ces changes soient efficaces, il faut
que linformation change soit bien comprise, que son niveau de qualit puisse tre
apprhend, que toutes les informations ncessaires aux diffrentes activits ralises soit
disponibles rapidement. Parmi les lments essentiels lefficacit des changes
dinformation figurent la mise disposition des lments ncessaires une comprhension
rciproque (le langage, et si celui-ci nest pas acquis a priori, il faut des traductions, ou des
glossaires permettant de disposer de dfinitions), et aussi lidentification du propritaire de
linformation, celui qui va pouvoir rpondre des questions si besoin, et qui garantit la
qualit de linformation puisquil en est la source. Au niveau informatique, les mmes
principes doivent sappliquer pour garantir la fluidit des changes entre applications :
Lapplication propritaire dune donne dans le SI doit tre clairement identifie
(tout particulirement quand il sagit dune donne de niveau Entreprise, et donc
largement partage/utilise),
Elle doit mettre disposition les donnes quelle dtient dans des formats et en
utilisant un langage exploitables par les diffrents consommateurs des donnes.
Le besoin dune modularit de larchitecture, et dune rapidit de plus en plus grande dans la
mise en uvre de nouveaux processus impose de plus en plus que chaque composant
logiciel propritaire de donnes mette en uvre les services ncessaires laccs aux
donnes quil dtient dune faon modulaire, avec des formats varis, et en respectant des
rgles strictes de dcouplage inter-applicatifs. Les architectures de type SOA illustrent bien
cette faon de procder.
Au final quels que soient les choix darchitecture oprs, il est essentiel de mettre en place
des rgles de propagation des donnes au sein du SI pour dune part garantir lintgrit des
changes de donnes, leur rapidit de mise en uvre, et ainsi faciliter laccs aux donnes
de lentreprise en interne, mais aussi vis--vis de clients de plus en plus connects.

Le DM-BOK 31 dfinit lensemble des activits relatives au domaine Data Architecture .
TOGAF 32 considre que larchitecture du Systme dinformation comprend 2 sousensembles : larchitecture des applications et larchitecture des donnes. En matire
darchitecture des donnes, TOGAF dfinit un certain nombre de principes :
31
36
Data Management Book Of knowledge
Octobre 2014
32
37
Principe 10 : Data is an Asset (Data is an asset that has value to the enterprise and is
managed accordingly);
Principe 11 : Data is Shared (Users have access to the data necessary to perform their
duties; therefore, data is shared across enterprise functions and organizations);
Principe 12 : Data is Accessible (Data is accessible for users to perform their
functions);
Principe 13 : Data Trustee (Each data element has a trustee accountable for data
quality);
Principe 14 : Common Vocabulary and Data Definitions (Data is defined consistently
throughout the enterprise, and the definitions are understandable and available to all
users);
Principe 15 : Data Security (Data is protected from unauthorized use and disclosure.
In addition to the traditional aspects of national security classification, this includes,
but is not limited to, protection of pre-decisional, sensitive, source selection-sensitive,
and proprietary information).
The Open Group Architecture Framework
Octobre 2014
3. CYCLE DE VIE DES DONNEES : COLLECTE, TRAITEMENT ET CONTROLE DE LA

QUALITE
3.1. Limpratif pilotage du cycle de vie de la donne

Laugmentation des volumes, lexplosion du non-structur, la varit des typologies et des
supports, et lenjeu que reprsente lusage des donnes pour les entreprises imposent une
matrise de tout le cycle de vie de linformation, depuis son acquisition jusquaux dcisions
ou innovations quelle supporte. Lvolution est telle que les entreprises sont de plus en plus
en situation de dpendance par rapport leurs donnes, crant de fait de nouvelles
exigences daccs, de fiabilit, de scurit et de capacit danalyse.
A ltat brut, la donne na pas de valeur. Elle doit tre valide, transforme (et de nouveau
contrle aprs chaque transformation), rapproche, analyse, notamment pour constituer
une connaissance, un savoir, et apporter de la valeur pour lentreprise.
Les entreprises doivent donc envisager une approche globale pour leurs donnes, en
garantissant leur qualit, leur protection et leur accessibilit chaque tape de leur cycle de
vie :
Acquisition
Conservation
Transformation
Analyse
Valeur pour
lentreprise
Contrle de la Qualit
Source : Groupe de travail CIGREF, 2014
3.2. La rcupration et le traitement des donnes, en particulier

non structures
La question de la collecte des donnes pose celle de la rcupration et du traitement des
donnes non structures (donnes publiques donc mais aussi changes de donnes entre
partenaires), et en particulier celles contenues dans les rseaux sociaux, blogs, comme on
peut le voir sur le schma ci-dessous.
38
Octobre 2014
Source : BearingPoint Institute, Report Issue 004
Ces donnes non structures, changes de plus en plus largement en dehors de

lentreprise, sont lillustration du dveloppement de lintelligence collective et de la
connaissance dans le monde numrique. Pour lentreprise, ces donnes non-structures
peuvent tre une nouvelle source de cration de valeur, si tant est quelle soit en capacit de
la capter et de lexploiter.
Ainsi, la collecte de donnes externes lentreprise est de plus en plus ncessaire au
business : les entreprises doivent se mettre en position de traiter ces donnes en sadaptant
des contextes trs varis. En effet, parfois les donnes sont non structures, parfois elles
sont structures mais selon des formats qui ne sont pas toujours exploitables simplement,
ou encore, elles sont htrognes pour une mme catgorie de donnes. En cela, il est
ncessaire de promouvoir les initiatives de normalisation et dautomatisation des changes
au sein dune profession, ou sur des types de flux largement partags (ex : flux de paiement),
sachant que le champ de ces normalisations est de plus en plus mondial.
Par ailleurs, les donnes externes doivent tre contrles pour pouvoir tre utilises de
faon pertinente dans lentreprise : quand il sagit de donnes non structures, cela signifie
des vrifications et/ou recoupements de sources, mais aussi un contrle humain des
informations slectionnes et de leur qualit afin de garantir la pertinence des donnes au
regard des usages.
39
Octobre 2014

Dans lautre sens, il serait utile de disposer dlments explicites qualifiant la fois le degr
de qualit dun document ou dune information (linformation a-t-elle t vrifie ?
provient-elle dune source professionnelle ? quel crdit lui accorder ?), ainsi que les
conditions de sa rutilisation (notion de copyright,risques lis lextraction dune
information, et donc son utilisation hors contexte ? ).
Tmoignage SCOR
Un dispositif dintelligence conomique a t mis en place depuis une dizaine dannes,
qui permet, des fins de dveloppement du business, la collecte de donnes externes non
structures, et leur mise disposition cible auprs des experts mme de les analyser,
aprs validation de pertinence et classement. Un outil permet de faire un premier filtrage
des informations slectionnes sur les diffrents thmes dintrt dfinis, et une quipe est
ensuite en charge de vrifier les contenus avant publication auprs dun rseau dexperts.
Des POC (Proof of Concept) sont en cours afin de mettre en place des capacits de
traitement combines de donnes internes et externes.
Une vaste initiative de dmatrialisation des changes de donnes administratives de
rassurance entre assureurs, courtiers et rassureurs est engage (Initiative Ruschlikon
e-administration in (Re)insurance qui dcline les normes et standards XML dfinis par le
groupement ACORD pour le secteur de lAssurance).
3.3. Lobligation de qualit exacerbe

La qualit des donnes est directement lie la ncessit davoir un vocabulaire commun,
des rfrentiels, des modles et une cartographie des donnes (golocalisation des donnes,
dfinir les rles et responsabilits et quelques rgles : puis-je diffuser linformation ? si oui,
qui ? qui dcide ? quelles sont les contraintes rglementaires qui sappliquent aux donnes
que je gre ? etc.). Avoir toutes ces informations permet de rpondre en partie aux enjeux
de valeur tout au long du cycle de vie.
La question de la qualit des donnes est au cur des enjeux relatifs la valeur des donnes
pour les mtiers : comment valoriser des donnes dont on ne saurait pas garantir la qualit ?
En tout tat de cause, la dfinition des marges derreur acceptables eu gard lusage des
donnes est une tape incontournable dans la dmarche de valorisation des donnes. Il est
par exemple essentiel de disposer dun excellent niveau de qualit des donnes
didentification des clients (nom, prnom, adresse postale, adresse e-mail, tlphone ) si
lon veut garantir lefficacit des campagnes marketing. Un fichier client est un actif qui a
une valeur importante, et peut la plupart du temps tre commercialis (existence dune
valeur de march), mais cela suppose de pouvoir en garantir la qualit, notamment au
travers dinteractions frquentes avec les clients, qui sont autant dopportunits de mise
40
Octobre 2014

jour des donnes. A contrario, certaines donnes telles que des donnes calcules (donnes
financires, cotation dun risque ) peuvent supporter des marges derreur (lapproximation
naltre pas la pertinence de la dcision). Le pilotage de la qualit des donnes passe donc
par une qualification du niveau de prcision requis, et la mise en place des contrles
permettant de vrifier que le niveau de qualit souhait est atteint.
Elle est galement intimement lie la question du cycle de vie des donnes : en effet,
garantir la qualit des donnes en vitant des surcots lis au contrle et la correction
permanente des donnes suppose doptimiser globalement le circuit de traitement des
donnes, de lacquisition jusqu la restitution. En effet, si les contrles qualit sont
automatiss, et directement intgrs ds les phases dacquisition, et si par ailleurs on est
capable de garantir que la donne nest pas altre lors de son cheminement dans le
systme dinformation, alors les contrles a posteriori peuvent tre allgs, et la donne
peut tre utilise simplement par les fonctions de pilotage de lentreprise.
Lorganisation des entreprises doit voluer pour prendre en compte ces exigences de qualit
de linformation. Les Mtiers sont ncessairement responsables de la qualit de leurs
donnes. Ils dfinissent les contrles oprer lors de lacquisition ou de la (voire des)
transformation(s), et qui seront embarqus dans les applications. De mme, ils sont aussi les
seuls savoir quels contrles appliquer sur les rsultats en sortie pour valider la possibilit
de les utiliser pour prendre des dcisions adaptes.
Les technologies permettent dsormais daccder en temps rel des volumes importants
de donnes (Big Data), et notamment de combiner lutilisation des bases de donnes du
legacy , et de donnes contextuelles et volatiles, parfois peu structures (navigation sur
Internet par exemple), et de raliser des contrles en temps rel. On peut ainsi mettre en
uvre immdiatement des processus dcisionnels qui, auparavant, taient raliss en
diffr, et donc de faon la fois moins pertinente et moins efficace. La frontire
traditionnelle entre les fonctions front-office (intgrant beaucoup de fonctions
dacquisition de donnes) et les fonctions back-office et de pilotage a donc tendance
sestomper, et la capacit apprhender ds lorigine les contraintes relatives lensemble
du cycle de vie devient un atout important. De mme, la difficult prdire les usages,
combine des exigences de plus en plus fortes de temps rel, doivent conduire penser
lorganisation physique des donnes pour en faciliter laccs : plus les donnes seront
accessibles simplement, plus elles seront utilises. Et, plus elles seront utilises, meilleure
sera leur qualit et plus lentreprise sera en situation den tirer de la valeur. Le cycle de vie
doit donc tre regard en intgrant ds le dpart les questions daccessibilit, au travers
notamment de la mise en place de dispositifs de visualisation des donnes.
La qualit nest pas un lment facile mesurer, et doit ncessairement tre mise en
perspective des usages. La juste qualit est celle qui convient relativement lutilisation que
41
Octobre 2014

lon fait des donnes : grer la qualit des donnes consiste donc dfinir des exigences de
qualit varies, et intimement lies aux processus Mtiers qui vont consommer les donnes.
Une fois les exigences de qualit dfinies, il faut se mettre en position de mesurer la
satisfaction de ces exigences. Cela signifie mettre en place des contrles, dfinir des marges
derreur et vrifier quelles sont respectes, et enfin corriger si ncessaire, en veillant
conserver la trace des corrections ralises (piste daudit).
Le processus de gestion de la qualit des donnes est en fait un processus damlioration
continue de type Plan/Deploy/Monitor/Act (cf. DM-BOK, page 293). La frquence des
contrles et le rythme de ce processus doivent tre adapts aux exigences des
consommateurs. A linverse, des processus, par exemple dans le domaine du dcisionnel, qui
doivent pouvoir se mettre en uvre trs rapidement, se satisfont la plupart du temps dune
moindre prcision. Un quilibre est donc trouver en permanence entre la rapidit
demande et lexigence de qualit : les nouvelles technologies permettent cependant de
concilier ces deux exigences en permettant lautomatisation des contrles les plus essentiels
pour assurer un contrle minimal.
Il faut noter par ailleurs que plus les donnes sont publiques, plus elles sont utilises
largement, plus les exigences de qualit sont fortes. Les donnes financires dune
entreprise, et plus largement les donnes publies sont soumises des exigences de
contrles importantes, intgrant des normes daudit externe. Le primtre de ces donnes
publies a par ailleurs tendance slargir pour rpondre aux exigences de transparence et
lvolution de la rglementation. On peut par exemple noter que dans le secteur financier
(banque et assurance), le nombre dinformations publies et leur nature ont t largement
affects ces dernires annes par les rglementations relatives aux exigences de fonds
propres (Ble 2 puis 3 dans la banque, Solvency 2 dans lassurance) et par les nouvelles
normes comptables (diffusion des normes comptables IFRS en Europe). Notons galement
que les nouvelles donnes publies sont de plus en plus des donnes extra-comptables, en
tout cas labores en dehors des processus comptables qui par construction sont porteurs
dun certain niveau de qualit (contrle dquilibre li la partie double, piste daudit
statique et dynamique ) : ceci conduit mettre en place des processus de rconciliation,
qui peuvent savrer trs lourds, et peuvent tre vits par des processus et une
architecture du SI permettant dobtenir un bon niveau de qualit la source . Les
modles de risques utiliss dans le secteur financier peuvent par ailleurs ncessiter un
jugement dexpert qui compte tenu des impacts financiers potentiels, doit faire lobjet
dune documentation claire. De plus en plus, les niveaux de contrles exercs sur les
donnes doivent tre explicites, et constituer une forme de labellisation. Cette dmarche qui
sapplique lorsquon publie des donnes lextrieur de lentreprise, est certainement
dvelopper aussi en interne : en effet, attacher aux donnes les plus utilises des attributs
42
Octobre 2014

explicitant les diffrents niveaux de contrles appliqus la donne (un label qualit) facilite
le partage et la valorisation.
En rsum, on ne peut imaginer dvelopper une politique de valorisation des donnes sans
traiter cette question de la qualit des donnes, en mettant en place des processus ajusts
en fonction des usages, et optimiss grce une organisation, des mthodes et des outils
ddis cette question. Cette recherche de qualit de linformation partage et manipule
au sein de lentreprise relve dune dmarche qui embarque lensemble des Mtiers.
43
Octobre 2014
4. CREER DE LA VALEUR A PARTIR DES DONNEES

4.1. Exploitation et analyse
Quelles soient dordre rglementaire, conomique ou de gouvernance, les activits de suivi,
danalyse ou de pilotage ncessitent une organisation et des outils. Le pilotage de processus,
les rapports dactivit et autres arrts des comptes nont pas attendu les solutions
informatiques, et plus prcisment le dcisionnel, pour tre raliss, mais quel prix ?
Combien de collaborateurs est-il ncessaire de mobiliser pour les produire ? Pendant
combien de temps ? Les valeurs obtenues sont-elles cohrentes entre elles ?
Les infocentres ont permis de rpondre un premier niveau de besoin : disposer des
informations stockes dans les systmes de gestion travers des extractions. Mais
comment, en plus de ce puits de donnes, disposer dune information en mesure de fournir
de la traabilit, de lhistorique et permettant de mettre en relation les donnes ?
Tmoignage Fondation de France
Pour rpondre ce besoin de mise en relation des donnes, la Fondation de France a
dvelopp et mis en place un systme dcisionnel. Bas autour dun entrept de donnes,
le SID (Systme dInformation Dcisionnel) a pour ambition de rpondre plusieurs
objectifs :
Fournir une palette de fonctionnalits facilitant le pilotage, le suivi et lanalyse des
activits,
Accrotre la ractivit des dcideurs au sens large,
Permettre ces derniers dtre focaliss davantage sur lanalyse que sur la cration
dinformation.
En runissant les informations cls de lentreprise, lentrept de donnes offre des
perspectives jusqu ce jour non perceptibles, qui dpassent les aspects purement
techniques. En effet, il sagit de mettre en musique les partitions organisationnelles et
processus travers la mise disposition de donnes pertinentes, fiables cohrentes et
historises .
uvrant comme un vritable catalyseur dinformation pour la prise de dcision, le portail
dcisionnel accentue lapproche collaborative et collective des donnes de lentrept, et
permet de rpondre aux objectifs :
Damlioration de la synergie entre processus et entit organisationnelle,
Daccroissement de la ractivit et de la capacit danticipation des dcideurs.
44
Octobre 2014
4.2. Valorisation
La question de la valorisation renvoie celle de la valeur des donnes, et ce questionnement
est aussi gnrique que celui relatif aux brevets, marques, ou encore aux SI. Mais quels
critres associer la valorisation des donnes ? Pour une organisation, quelle quelle soit,
quelle valeur crer partir de lexploitation de cet actif ?
Pour une entreprise, un actif est une ressource dont elle contrle lusage ( travers des
droits de proprit spcifiques). Une donne peut donc tre vue comme un actif numrique
ds lors quelle comporte un potentiel de cration de valeur pour lentreprise. Ce qui est
nouveau dans la rflexion sur les donnes, cest la dmultiplication des potentiels de
combinaison des donnes dans une perspective de cration de valeur pour le business.
LAccluction 33 marque le mode de production dominant dans lentreprise de demain
(acclration de liens et plateforme de services). Ce nouveau modle de cration de valeur
va au-del des 3 espaces classiques du lean production, que sont les fournisseurs, les clients
et les entreprises. Dans ce contexte mergent, ces 3 catgories dacteurs doivent dsormais
grer une dizaine despaces diffrents, dont les donnes.
Or, la valeur nest pas intrinsque linformation : elle rside dans lusage que les
utilisateurs en font. On ne peut pas prdfinir la valeur de linformation, on ne peut pas
prvoir lavance lusage que feront les utilisateurs des informations mises leur
disposition. Ainsi, sur cette question de la valeur des donnes, un des axes cl est didentifier
en quoi les donnes valoriser contribuent la ralisation dun des axes stratgiques de
lentreprise. La responsabilit de lutilisateur portera alors sur la production et la mise
disposition de donnes de qualit.
Selon le Pr Bounfour, Rapporteur gnral du programme ISD de la Fondation CIGREF, la
donne est un actif numrique qui peut tre de 3 natures diffrentes :
Actif numrique propritaire (carte de fidlit par exemple),
Actif numrique conjoint (partenariats et alliances),
Actif numrique non propritaire sur lequel lentreprise na aucun contrle (ou actif
numrique externe non propritaire).
33
LAccluction est un concept dvelopp par le Pr Ahmed Bounfour, Rapporteur du programme international
de recherche ISD de la Fondation CIGREF, et qui caractrise lmergence dun nouveau systme de
production acclre de liens , marque la fois par lextension des espaces de cration de valeur et par
lacclration considrable des liens (transactionnels ou organiques) comme source de cration de valeur . In
LAccluction en action, programme international de recherche ISD : premier rapport dtape, une mise en
perspective des projets Vague A , Fondation CIGREF Octobre 2011, p. 8
45
Octobre 2014

Mais comment combiner tous ces actifs pour crer de la valeur ? Faut-il ouvrir ces actifs ? La
question de la gouvernance des donnes pose celle de la combinatoire de ces actifs entre
eux.
Selon le modle DVM dvelopp par le Professeur Bounfour, la valorisation des donnes
peut rpondre diffrents attendus , comme par exemple :
Identifier le potentiel stratgique des donnes et limpact sur le modle daffaires de
lentreprise (crer de nouveaux produits et services)
Amliorer la connaissance (du client, de lcosystme, )
Dfinir la potentialit de partage de valeur avec les partenaires (question de la rente)
Vrifier la transversalit de la donne (une donne sera dautant plus valorise
quelle peut tre utilise de manire pertinente dans diffrents contextes : quelle
efficience interne ? comment intgrer lefficience externe ?)
Amliorer la prise de dcision et la gestion en temps rel : ractivit, anticipation,
assimilation, proposition de valeur
Se diffrencier par lthique des usages et la RSE (diffrenciation dans les usages,
lthique pouvant tre une source de cration de valeur)
Si le potentiel de cration de valeur des actifs numriques (les donnes) est confirm sur
une ou plusieurs dimensions, alors il est possible pour lentreprise de tirer une rente
supplmentaire partir de lexploitation des donnes. Ainsi par exemple, pour les
entreprises des secteurs de la banque et de lassurance, une adaptation profonde des
mtiers est ncessaire, lie limpact du numrique sur la donne. Ces entreprises
disposent de volumes trs importants de donnes valoriser et quelles doivent savoir
utiliser. Lapproche par lusage est cl, autant que la qualit, et raisonner par rapport aux
dimensions prcdemment nonces peut tre un moyen didentifier les gisements de
cration de valeur.
Par ailleurs, comme le souligne lOCDE dans un rapport de 2013 34, la convergence des
tendances technologiques et socioconomiques lies au dveloppement de lutilisation
dinternet et la dcroissance des cots de gestion de la donne dmatrialise, conduit la
gnration dun volume important de donnes qui peut tre exploit pour la cration de
nouveaux produits, pour la cration de nouvelles richesses et pour la cration de valeur
nouvelle pour les entreprises. Plus prcisment, lOCDE identifie cinq secteurs porteurs de
cration de valeur :
Lamlioration de la recherche et dveloppement ;
34
OECD (2013), Exploring Data-Driven Innovation as a New Source of Growth: Mapping the Policy Issues
Raised by "BigData", OECD Digital Economy Papers, No. 222, OECD Publishing.
http://dx.doi.org/10.1787/5k47zw3fcp43-en
46
Octobre 2014
La cration de nouveaux produits bass sur la donne ;

Loptimisation des processus de fabrication ;
Loptimisation du marketing cibl ;
Lamlioration des approches managriales.
Sil apparat vident aujourdhui que la donne doit tre considre comme un actif
immatriel essentiel de lentreprise, force est de constater cependant que peu de modles
existent pour estimer la valeur de ces donnes. LOCDE a ainsi rcemment valu diffrentes
mthodes pour calculer la valeur montaire des donnes personnelles dtenues par les
entreprises 35. Elle conclut que les diffrentes mthodes dvaluation sont trs dpendantes
du contexte, que les mthodes doivent tre combines pour viter tout biais, et que leurs
rsultats doivent tre utiliss avec prudence. LOCDE souligne galement que la valeur
montaire ne rsume pas elle seule la valeur de ces donnes.
Si le CIGREF a trait de manire pionnire et extensive le sujet du capital immatriel 36, les
tudes ont essentiellement port sur les notions de savoir-faire, de patrimoine applicatif, de
valeur pour les mtiers, sans focus sur les donnes elles-mmes.
Figure 3 : Niveau de maturit des entreprises, relativement au traitement de leurs actifs immatriels SI
Liste des actifs immatriels, Cahier de recherche du CIGREF n4 (2008)
Le think-tank Futur Numrique 37 (Institut Mines Tlcom / Fondation Tlcom) dans son
programme Business models numriques du futur , reconnaissant limportance des
35
OECD (2013), Exploring the Economics of Personal Data: A Survey of Methodologies for Measuring
Monetary Value, OECD Digital Economy Papers, No. 220, OECD Publishing.
http://dx.doi.org/10.1787/5k486qtxldmq-en
36
47
CIGREF, 2008 : Capital immatriel et Systmes dinformation - Cahier de recherche n4
Octobre 2014

donnes dans les modles daffaires numriques, ainsi que le manque doutils dans
lvaluation des donnes a dcid, en 2014, de se concentrer sur la valeur des donnes.
Par ailleurs, le programme international de recherche ISD 38, pilot par la Fondation CIGREF,
traite de la question de la donne en tant qulment central de lcosystme de lentreprise
de 2020.
Aussi deux constats simposent :
Celui de limportance de la donne dans les modles daffaires numriques, dans les
vecteurs de croissance pour lentreprise ;
Celui du manque doutils conceptuels pour apprcier la valeur de la donne, quil
sagisse de sa valeur dusage, ou de sa valeur patrimoniale.
Ces deux constats appellent mener une action afin de dvelopper des modles
dvaluations des donnes dentreprise.
Citons enfin quelques leviers mme de permettre la cration de valeur des donnes :
Une dmarche constante de qualit des donnes ;
Une mthode de valorisation des donnes, et des processus ;
La liquidit de la donne 39, i.e. la capacit diffuser la donne au sein de
lentreprise (dsilotage), mais galement lchanger avec les partenaires, par des
efforts du dveloppement de la standardisation des modles de donnes
(smantique des donnes ) autour de modles sectoriels.
Tmoignage Groupement des Mousquetaires
Le Groupement des Mousquetaires a depuis longtemps dj abord la question de la
valorisation du capital immatriel 40. Cependant jusquici, les mthodes ou indicateurs
employs taient axs sur un modle global de la DSI (mthode IC-dVAL), sur la
valorisation des projets informatiques par le criblage, ou sur lestimation de la valeur cre
37
http://willstrategy.com/download/MinesTelecom/2014-Will_IMT-BusinessModelsNumeriques.pdf
38
Prsentation du programme, dont le Rapporteur scientifique est le Pr Bounfour : http://www.fondationcigref.org/programme-isd/

39
Cf. intervention dHenri Verdier, Etalab : http://www.youtube.com/watch?v=ehut9DmuTRc
40
A Bounfour, G Epinette : Valeur et performance des SI : Une nouvelle approche du capital immatriel de
l'entreprise , Dunod, Paris, 2006 ; Publication Cigref, Cahier n4, Capital immatriel et Systmes dInformation
http://www.cigref.fr/cigref_publications/RapportsContainer/Parus2008/Cahier_recherche_4_SI_Immateriel_2
008.pdf
48
Octobre 2014
par les applications informatiques (tableaux de cration de valeur).

Le Groupement des Mousquetaires a entrepris, en collaboration avec le professeur
Bounfour 41, de dvelopper un modle de valeur de la donne afin de complter les axes
danalyse de la valeur du capital immatriel. Encore en cours dlaboration, ce modle
Data Value Modelling DVM, sattache dfinir de manire rigoureuse la notion d actif
numrique travers des critres dvaluation thmatiques. La dfinition de ces critres
doit permettre destimer la valeur des donnes tant pour les donnes internes
lentreprise, que pour la valeur dusage des donnes publiques , ou celles lies
louverture des donnes de lentreprise des partenaires. Le modle sera prouv sur des
cas dusage du Groupement des Mousquetaires (carte de fidlit, ).
4.3. LOpen Data 42

Le terme Open Data 43, littralement donnes ouvertes ou donnes libres de droits ,
est utilis pour dsigner des donnes en libre accs et ouvertes lutilisation par des tiers.
LOpen Data trouve son origine ds 1995 aux tats-Unis dans le monde scientifique o le
partage de donnes multiplie les chances de dtecter des erreurs et permet une meilleure
collaboration entre chercheurs. Puis louverture des donnes publiques sest effectue aux
tats-Unis du bas vers le haut : les villes de Washington, New-York et San Francisco ont
ouvert des Data Store disposition du public et ont encourag leur rutilisation en
organisant des concours dapplications qui connaissent un succs considrable. Le portail
data.gov ouvre en mai 2009 aux tats-Unis.
41
Le Pr Bounfour est Rapporteur scientifique du programme ISD de la Fondation CIGREF et titulaire de la Chaire
europenne de Management de lImmatriel lUniversit Paris Sud 11 : http://www.chairedelimmateriel.upsud.fr/tiki-index.php
42
Les informations contenues dans cette partie sont tires du rapport Pour une politique ambitieuse des
donnes publiques , de lEcole des Ponts Paris Tech (2001)
43
Une donne ouverte est une donne numrique d'origine publique ou prive. Elle est produite par une
collectivit ou un service public (ventuellement dlgu). Elle est diffuse de manire structure selon une
mthodologie et une licence ouverte garantissant son libre accs et sa rutilisation par tous, sans restriction
technique, juridique ou financire. L'ouverture des donnes (en anglais open data) reprsente la fois un
mouvement, une philosophie d'accs l'information et une pratique de publication de donnes librement
accessibles et exploitables. Elle s'inscrit dans une tendance qui considre l'information publique comme un
bien commun (tel que dfini par Elinor Ostrom) dont la diffusion est d'intrt public et gnral. En Europe et
dans certains pays, des directives et lois imposent aux collectivits de publier certaines donnes publiques sous
forme numrique. (source : Wikipedia)
49
Octobre 2014

La Grande-Bretagne adopte une dmarche similaire, mais complte le dispositif en ouvrant
une agence pour les donnes publiques , dont lobjectif est daccompagner les
rutilisateurs potentiels.
4.3.1. Le cas des donnes de lAdministration

En France, une mission, Etalab 44, coordonne les administrations en matire de mise
disposition de leurs donnes. La cration dun portail permet den faciliter laccs et donc
leur rutilisation par la communaut des entrepreneurs et des startups. Dans les collectivits
territoriales, Rennes fait figure de pionnier en ouvrant ses donnes sur le transport, puis en
organisant un concours dapplications. La Ville de Lyon ouvre galement ses donnes dans le
cadre dun projet doptimisation de la mobilit en ville, lanc en 2011 avec 12 partenaires. La
Ville de Paris, quant elle, ouvre ses donnes publiques aux entreprises dans le cadre de
licences share alike (utilisation commerciale sous rserve de partager leur cration dans
les mmes conditions dutilisation et de mise disposition).
Louverture des donnes publiques est la fois une opportunit damlioration pour ltat et
ladministration, et un outil stratgique pour le dveloppement de notre conomie. En effet,
en rutilisant les donnes collectes dans le cadre du fonctionnement des administrations,
des entrepreneurs, des chercheurs et des dveloppeurs inventent de nouveaux usages qui
contribuent ainsi constituer une nouvelle relation numrique de ladministration avec les
citoyens. De surcrot, laccs aux donnes publiques favorise lessor de lconomie
numrique, vecteur dinnovation et de cration demplois.
La Commission europenne estime la valeur potentielle de la donne publique plusieurs
dizaines de milliards deuros, dautant que les rutilisateurs potentiels de donnes publiques
sont de nature trs diverse :
Chaque citoyen peut rcuprer des donnes publiques et les enrichir avec des
donnes personnelles, ou en les combinant avec dautres donnes ouvertes pour
dlivrer un service nouveau.
Des dveloppeurs de logiciels, libres ou non, sont galement des parties prenantes
essentielles au mouvement douverture des donnes.
Dans le monde de la recherche, la rutilisation de donnes produites ou mises en
commun par les chercheurs est un lment important du succs de grands projets
scientifiques.
Plusieurs associations ou collectifs se sont donn pour objectif dencourager la mise
en ligne de donnes publiques dans un contexte de transparence dmocratique, de
respect de lenvironnement, de droits des consommateurs, etc. Le journalisme de
44
50
http://www.etalab.gouv.fr/
Octobre 2014
donnes est aussi un exemple marquant de limportance potentielle de la

rutilisation pour le dbat dmocratique.
La rutilisation commerciale des donnes peut permettre lclosion de nouvelles
activits conomiques, tant au niveau de jeunes pousses innovantes que
dentreprises qui enrichissent leurs produits par lutilisation des donnes publiques.
Une opportunit dans lcosystme du Web

Lcosystme du Web fait aujourdhui lexprience dun vritable dluge de donnes . Ce
sont des milliers dexaoctets qui sont produits chaque anne dans le monde. Le Cloud
computing et le dveloppement doutils de traitement algorithmique des donnes trs
grande chelle (outils du Big Data, par exemple) permettent le stockage, le traitement et
lanalyse de masses normes de ces donnes, structures ou non. Les donnes publiques,
dans leur tat brut, participent ce mouvement de fond. Ainsi, laccs aux donnes
publiques encourage le dveloppement de jeunes entreprises technologiques, dans un
processus dexploration (au sens dEric Ries 45 qui dfinit la jeune pousse comme une
organisation temporaire charge de dvelopper la solution commerciale et technologique
qui rpond le mieux un problme suppos, mais quil faut dcouvrir, comprendre et
confirmer), sous rserve que laccs aux donnes soit ais, et si possible gratuit.
Il est trs difficile de mesurer prcisment lactivit conomique gnre par la rutilisation
des donnes publiques, car elle se matrialise au niveau des usages finaux et non partir
des volumes de donnes tlcharges. Nanmoins, des gains conomiques ont t valus
globalement pour la socit. Ainsi, le Royaume-Uni a estim 7.9 Md pour 2010 et 2011,
les bnfices de louverture des donnes publiques pour la socit britannique. Et ces gains
sont maximiss lorsque laccs aux donnes devient gratuit. Ainsi, le passage la gratuit du
Rfrentiel Grande Echelle de lIGN pour les organismes chargs dune mission de service
public administratif a entran une multiplication par 20 des volumes tlchargs, soit un
bnfice social estim 114 M par an, pour un manque gagner de 6 M de redevance
environ.
La place de la France dans lOpen Data
La France est considre comme bien place par lOpen Knowledge Foundation, au sein du
G8. Cest aussi ce qui ressort dune analyse de Capgemini Consulting et de lEuropean Public
Sector Information Platform, comme lillustrent les figures 2 et 3 ci-aprs, reprises dans le
rapport de Mohammed Adnne Trojette sur louverture des donnes publiques, pour la Cour
45
Eric RIES est un entrepreneur de la Silicon Valley, blogueur et auteur reconnu sur le lean
startup movement .
51
Octobre 2014

des Comptes en 2013. Ces enqutes ne peuvent offrir quun indice sur le dynamisme rel ou
peru de la France sur ces sujets.
Nanmoins, Capgemini Consulting considre que la France a lanc une politique douverture
des donnes plutt rcemment, mais a engrang des succs dans un laps de temps rduit,
ce qui la place dans le groupe des prcurseurs (Trend Setters).
Figure 4 : Comparaison des dmarches d'ouverture des donnes publiques (2012)
52
Octobre 2014

Figure 5 : Classement collaboratif de l'ouverture des donnes publiques dans l'UE
Des publications rcentes visant estimer limpact de la mise disposition des donnes
publiques sappuient sur une modlisation empirique (voir figure 4 ci-aprs) en trois phases :
Louverture avec un cot pour ladministration ;

La croissance des rutilisateurs gnrant des profits pour la socit ;
Limpact positif sur lemploi et les finances publiques.
Les prcurseurs seraient plutt dans la seconde phase, la troisime phase reste devant nous.
53
Octobre 2014

Figure 6 : Temporalit des effets de l'ouverture des donnes publiques
En synthse
Il est trs difficile de mesurer limpact Business rel de louverture et de la rutilisation des
donnes publiques, car ce sont les usages finaux qui en font la valeur, sans lien direct avec
les volumes tlchargs. Nanmoins, cette valeur est considrable sur le plan conomique
direct et est un vecteur dinnovation et de dynamisme pour de nombreux acteurs innovants.
Les clefs de succs sont :
Un accs ais aux donnes brutes (cots faibles et formats rexploitables),
La rapidit dexcution,
La scurit juridique.
Faut-il mettre les donnes disposition gratuitement ou adopter un modle payant ? Ce
dernier permettrait, selon ltat, dobtenir un complment budgtaire pour couvrir les cots
de diffusion, voire une partie des cots de la mission de service public. Il correspondrait aussi
la volont de proposer une offre, et pour certains de rguler le volume des demandes. Ce
point de vue est celui dun nombre important de producteurs de donnes publiques.
Cependant, la tendance actuelle nest pas celle-ci car les avantages du modle de gratuit
semblent lemporter si lon considre les gains sociaux et conomiques .
54
Octobre 2014

Par ailleurs, laccent mis sur la rapidit dexcution au dtriment de la compltude, voire de
la qualit est un vritable changement culturel puisquil sagit de passer dune culture
administrative de loffre une posture axe sur la demande.
4.3.2. Louverture des donnes au sein de lentreprise

Lenjeu de louverture des donnes concerne galement lentreprise en interne. Nombre de
donnes sont restes longtemps enfermes dans des rfrentiels peu ou pas communicants,
que ce soit par les solutions qui les abritent, ou par la volont de contrler fortement leur
utilisation. Le maintien en situation de silo est effectivement justifi sur certains rfrentiels
confidentiels, mais se justifie de moins en moins pour des rfrentiels permettant la
collaboration entre les diffrentes entits dune organisation. Qui plus est, la mise en place
dautorisations daccs un grand nombre de bases a engendr de grands retards dans les
projets transverses et se trouve lorigine de difficults diverses dans la matrise du savoir
contenu dans ces objets mtiers.
Les entreprises sont conscientes de ces difficults, tout en connaissant lapport vident
quun meilleur partage des informations structurantes apporterait dans le recoupement des
diffrentes sources. LOpen Data se trouve donc dclin au sein de lentreprise afin douvrir
des donnes utiles pour les nouveaux projets, pour lessentiel tirant leurs valeurs de la
diversit des donnes et de leur mise en relation.
Tmoignage du Groupe La Poste
Le Groupe La Poste est parti du constat que de nombreux projets innovants se heurtaient
des difficults daccs aux donnes des rfrentiels, certains de ces projets ayant subi des
retards de plusieurs mois. Dans un premier temps, le choix de lOpen Data a t moteur
dans la cration de nouvelles infrastructures industrialises permettant lexposition des
donnes et des services lextrieur. Au-del de ce premier pas, ces structures exposent
dsormais auprs des partenaires, et contribuent fortement en interne la synergie entre
les Directions et les Branches (Mtiers). Une organisation sest cre pour veiller au
caractre diffusable des donnes exposes et garantir la confidentialit des donnes
sensibles et/ou personnelles. Le partage est donc pilot et louverture encadre.
Afin daccompagner le mouvement, la branche Numrique a mis en place diffrents
vnements dinformation et des comits de donnes afin dencourager les diffrents
acteurs valoriser les donnes de lentreprise. De manire rgulire, ces acteurs se
runissent en comit afin de partager les expriences en cours et dterminer les besoins
futurs dexposition des donnes pour satisfaire lmergence de projets innovants.
Cette approche sadresse toutes les entits du Groupe et soutient la volont de la
Direction de travailler de concert sur de grands projets transverses.
55
Octobre 2014
5. CONCLUSION
Avec la rvolution numrique qui est aussi celle de linformation, avec le phnomne Big
Data, avec le renforcement des exigences de qualit des rgulateurs, la donne est devenue
lun des principaux actifs de toute entreprise ou organisation. Les autres actifs, comme le
capital, les ressources humaines, les processus, les clients ou mme le systme
dinformation sont lobjet dune gestion organise, professionnelle et industrielle.
Puisque la donne est unanimement reconnue comme la nouvelle richesse de lentreprise,
un dispositif de gestion ( data management ) de mme nature doit tre mis en place, pour
accompagner toute dmarche de valorisation.
Veiller la mise en place dune gouvernance et dune gestion des donnes dans lentreprise
est donc une dmarche devenue indispensable pour tout dirigeant dsireux de tirer de la
valeur des donnes disponibles, internes et externes. Les gisements de valeur contenus dans
les donnes aujourdhui encore insuffisamment exploites sont importants, et les
entreprises qui sauront anticiper et prendre en compte cet actif dsormais stratgique, en
tireront un avantage comptitif durable.
Mettre en place un systme de data management , tel que dcrit dans le prsent livrable,
est indispensable pour tirer tout le profit possible de ses donnes, innover et in fine, prendre
de meilleures dcisions, et proposer de nouveaux produits et services aux clients finaux.
Nous esprons que ces quelques pages auront contribu vous convaincre de la ncessit
de passer laction !
56
Octobre 2014
6. ANNEXE : CRITERES DAUTO-EVALUATION DE LA MATURITE DES ENTREPRISES

EN MATIERE DE GESTION DES DONNEES
Pour raliser votre auto-valuation, merci dutiliser loutil Excel disponible en complment
de ce rapport sur le site du CIGREF : www.cigref.fr
Axes
Critres d'valuation
Gouvernance
Rfrentiels
Mtadonnes
Scurit
57
La donne est reconnue comme un actif cl au sein de l'entreprise

Il existe une stratgie et des politiques de la gestion des donnes
Les rles et responsabilits sont clairement dfinis en matire de gestion des donnes
Une organisation spcifique, en charge de la gestion des donnes, est mise en place
La proprit des donnes est tablie
Une gestion prospective des comptences requises autour des donnes est en place
Une gouvernance spcifique est en place pour la protection des donnes
Des rgles d'thique sont dfinies dans l'usage des donnes
L'entreprise est sensibilise l'importance d'une bonne qualit des donnes
Le besoin de transversalit dans l'entreprise pour favoriser la valorisation des donnes est pris
en compte (culture oriente "donnes")
Une dmarche d'identification de la valeur des donnes est en place
Les donnes de rfrence sont gres spcifiquement
Chaque donne de rfrence est place sous une autorit responsable de son cycle de vie
Il existe un mapping des rfrences internes avec les rfrences externes (standards ou
partenaires)
La gestion des donnes de rfrence est outille
Les donnes de rfrence sont utilises en transverse par l'ensemble des systmes
S'il y a plusieurs versions des donnes de rfrence, une version matre est identifie ("golden
copy")
Le cadre standard pour les mtadonnes existe
Les donnes cls sont dfinies et leurs attributs identifis
Une autorit unique est identifie pour la dfinition et la gestion des mtadonnes
Un outillage est en place
Une catgorisation des donnes a t tablie
Le niveau de protection associ est dfini
Une politique de protection des donnes est en vigueur
Les contraintes rglementaires et juridiques sont connues et prises en compte (donnes
caractre personnel, droits de proprit intellectuelle, )
Les contraintes de localisation des donnes sont connues et prises en compte
Une gestion des identits et droits d'accs est en place
Les accs aux donnes de l'entreprise sont contrls
Une organisation est en place qui garantit la scurit des donnes
Une organisation est en place qui garantit la conformit des donnes
La scurit des donnes fait l'objet d'un audit rgulier
Octobre 2014
Axes
Critres d'valuation
Architecture
Qualit & Cycle

de vie des
donnes
Exploitation et
Analyse
Les donnes cls de l'entreprise sont identifies

Les donnes cls sont modlises
La gestion des donnes cls est outille
Le modle des donnes cls s'impose aux quipes projets et volue en fonction de leurs besoins
Un dictionnaire des donnes cls est en place
Les flux de donnes sont cartographis
Il existe une cartographie de la localisation des donnes
Une mme donne est collecte une seule fois
Une dmarche d'identification des sources de donnes non-structures utiles existe
Les donnes non-structures sont collectes de faon organise
Une politique de qualit des donnes est en place
Toute donne collecte quelle qu'elle soit est contrle
Toute donne transforme est galement contrle
Les dfauts de qualit sont pilots jusqu' correction
Le partage des donnes est facilit
Une organisation est en place au sein des Directions Mtiers pour amliorer/garantir la qualit
des donnes
Un reporting est en place et fourni sur demande aux autorits de contrle
La qualit du reporting est sous contrle
Certaines donnes de l'entreprise sont ouvertes des tiers (open data, partenariats
stratgiques)
Les donnes sont archives et purges en fonction des politiques et contraintes de rtention
Un processus d'anonymisation des donnes est en place pour permettre leur exploitation
Des mthodes de prparation des donnes existent pour crer des ensembles de donnes
cohrents
Un systme de reporting de qualit est en place pour l'analyse des donnes
Un systme d'exploration des donnes est en place
Les nouvelles donnes accessibles sont exploites (approche Big Data)
Des applications de Big Data sont en place
Des spcialistes de la donne recherchent des dpendances et explorent des voies d'innovation
(data science)
Une dmarche d'open data existe en interne (data democratisation)
La connaissance des outils d'analyse des donnes est diffuse de faon organise au sein de
l'entreprise
Oprations
58
La valeur des donnes est estime/mesure

Des modles conceptuels et physiques des donnes existent
Les bases de donnes sont administres
Les modules d'accs aux bases de donnes sont dvelopps (connecteurs, APIs, web services, )
Les donnes sont stockes, potentiellement rpliques, et font l'objet de sauvegardes
La qualit des sauvegardes est contrle
Les donnes sont restaures sur demande
Des tests de continuit d'activit sont oprs rgulirement
Octobre 2014
CIGREF
21 avenue de Messine
75008 PARIS
Tel. : +33 1 56 59 70 00
cigref@cigref.fr
www.cigref.fr

CIGREF Enjeux Business Donnees 2014

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CIGREF Enjeux Business Donnees 2014

Uploaded by

Copyright:

Available Formats

PROMOUVOIR LA CULTURE NUMERIQUE

COMME SOURCE DINNOVATION ET DE PERFORMANCE

Enjeux business des donnes

Comment grer les donnes de l'entreprise

Enjeux business des donnes

Enjeux business des donnes

Maturit de la gestion des donnes

Qualit & Cycle de vie des

Le CIGREF, rseau de Grandes Entreprises, a t cr en 1970. Il

Titre du rapport : ENJEUX BUSINESS DES DONNEES

Frdric LAU Directeur de mission

Emmanuel OLIVIER SAINT GOBAIN

POUR TOUT RENSEIGNEMENT CONCERNANT CE RAPPORT, VOUS POUVEZ CONTACTER LE CIGREF

Droit de proprit intellectuelle

Enjeux business des donnes

Cycle de vie des donnes : collecte, traitement et contrle de la qualit ...................... 38

Crer de la valeur partir des donnes........................................................................... 44

Enjeux business des donnes

6. Annexe : Critres dauto-valuation de la maturit des entreprises en matire de gestion

Enjeux business des donnes

Enjeux business des donnes

1.1. Donne, information, connaissance, savoir : pas seulement

Voir plus loin le chapitre consacr lOpen Data.

Enjeux business des donnes

1.2. Linformation est un actif stratgique qui doit tre identifi

Enjeux business des donnes

Source : Groupe de travail CIGREF, 2014

Enjeux business des donnes

Enjeux business des donnes

Enjeux business des donnes

La personnalisation de la relation client est dailleurs la premire motivation voque

1.4. Approche retenue

Enjeux business des donnes

Enjeux business des donnes

2. PREREQUIS : METTRE EN PLACE UNE GOUVERNANCE ET UNE GESTION DES

2.1. Gouvernance des donnes

Enjeux business des donnes

Enjeux business des donnes

Enjeux business des donnes

2.1.2. Rles et comptences dvelopper

Enjeux business des donnes

2.1.3. Standards auxquels se rfrer

2.2. Rfrentiels et donnes cls

Plus dinformation sur le DM-BOK : http://www.dama.org/i4a/pages/Index.cfm?pageid=3364

Enjeux business des donnes

Enjeux business des donnes

Enjeux business des donnes

2.2.2. Standards auxquels se rfrer

Plus dinformation sur le DM-BOK : http://www.dama.org/i4a/pages/Index.cfm?pageid=3364

Enjeux business des donnes

2.3.1. Donnes structures ou non structures : dfinitions

2.3.2. Enjeux de la gestion des mtadonnes

APIL-APROGED-CIGREF, 2007 : Valorisation de linformation non-structure

Enjeux business des donnes

Enjeux business des donnes

Une utilisation extensive dun logiciel de collaboration pour la gestion de

Enjeux business des donnes

documents, et un dveloppement de la GED (Gestion Electronique de Documents),

2.4. Scurit et conformit

2.4.1. Protection des donnes: la classification

CIGREF, 2008 : Protection de linformation : enjeux, gouvernance, et bonnes pratiques

Enjeux business des donnes

Des cas o linformation lmentaire elle-mme est confidentielle ; cest le cas en

La classification des donnes constitue la pierre angulaire de la dmarche de protection de la