Dans le cadre de leur digitalisation, les organisations, de tous secteurs confondus, font évoluer leurs processus, leurs outils et leur utilisation de leur système d’information. L’exploitation de la donnée ouvre de nombreuses opportunités, mais avant de penser au dispositif autour de la donnée, il faut s’assurer de la qualité de celle-ci. Selon une étude de 2020 menée par Gartner, le coût moyen d’une mauvaise qualité de donnée pourrait s’élever à 11M € par an pour une organisation. Ce sujet, dont l’importance n’est plus à prouver, vaut aussi bien pour les acteurs de l’investissement alternatif.
L’importance de la qualité des données et du Data Management
Le secteur de l’investissement alternatif se développe rapidement. Les domaines d’investissements se diversifient et les données financières et extra-financières à consolider, analyser et piloter se multiplient. La fréquence de production de reporting et le niveau de granularité des analyses se complexifient au rythme de l’accroissement de l’activité et des réglementations. La qualité de la donnée constitue un enjeu clé. C’est d’elle dont dépend la capacité à reporter des informations fiables, à piloter efficacement le portefeuille d’investissement ou encore à réaliser les reportings exigés par les différentes réglementations. De plus, elle ouvre la possibilité d’automatiser des processus répétitifs avec, à la clé, l’opportunité de gagner un temps précieux pour se concentrer sur l’analyse et l’identification des opportunités d’investissement. Une gestion efficiente et maîtrisée de la chaîne de collecte, de traitement et d’exploitation des données, à travers une gouvernance structurée, devient vital pour les entreprises du secteur. Ce large chantier va permettre de mieux maîtriser la qualité des données, une composante importante de la gouvernance des données.
La qualité des données, une nécessité dans un contexte fortement réglementé
La qualité des données désigne les caractéristiques intrinsèques des données. On peut citer l’exactitude, l’exhaustivité, la cohérence, la validité, l’actualité, l’intégrité, la clarté et la sécurité. La qualité des données peut être dégradée au niveau de la description des données (données statiques du fonds, des contacts, conflits entre noms d’objets ou imprécisions sur la définition des objets) et au niveau de la donnée elle-même (données de cashflow et de performance, valeurs nulles, doublons, valeurs anormales, données obsolètes, etc).
Les critères de la qualité de donnée
Selon une enquête menée par DataValue Consulting en 2022, 37% des décideurs considèrent la qualité de données comme un frein majeur à leur activité. Cette tendance s’accroît dans un secteur fortement régulé comme celui de la gestion d’actifs. Qu’il s’agisse d’investissements classiques ou d’investissements alternatifs, de nombreux cadres juridiques s’imposent : l’Autorité des Marchés Financiers (AMF) à l’Alternative Investment Fund Managers Directive (AIFM) en passant par les réglementations classiques de type AML (Anti-Money Laundering), CRS (Common Reporting Standard) ou GDPR (General Data Protection Regulation). Les processus de collecte, de transformation, de partage et de valorisation des données nécessaires à l’activité de l’investissement alternatif incitent fortement les acteurs du secteur à surveiller la qualité de la donnée. La loi évolue vite et les reportings doivent suivre en conséquence. De nombreuses sociétés de gestion ont mis en place un processus de gestion des données à travers des bonnes pratiques et des techniques de mesure et de contrôle en qualité des données. Mais ces processus de gestion de données restent souvent cloisonnés, respectant les silos d’organisation existants et ne sont pas transverses au fonctionnement des sociétés de gestion. Chez AssetValue Consulting, nous sommes convaincus que seule une démarche organisationnelle peut améliorer la qualité des données en adaptant chaque typologie de données (Investisseurs, Deals, Investissements…) aux enjeux de qualité. Cette démarche devra reposer sur 4 piliers : la stratégie, les processus, les collaborateurs, la supervision / l’amélioration continue. Le processus de gestion de la qualité des données devra être itératif en s’appuyant sur une mise à niveau de la qualité des données « by design » vers un niveau de qualité standard défini dans la stratégie data. Il faudra donc définir des processus de prévention de la non-qualité en amont et des processus de remédiation des anomalies en aval.
> À LIRE AUSSI : Gestion d’actifs : comment sécuriser ses données ?
Le chemin vers la qualité des données
Quatre grandes étapes sont nécessaires à la mise en place d’un processus efficace de gestion de la qualité des données :
- Définir les données, leur nomenclature et leur modèle de gestion,
- Évaluer la qualité des données en adéquation avec les attentes métiers,
- Mesurer l’impact de la non-qualité des données sur les processus de l’entreprise,
- Améliorer la qualité des données via les processus d’acquisition et de mise à jour des données
Au fil de ses expériences, AssetValue Consulting a pu confirmer ses convictions sur la mise en place d’une stratégie de qualité de donnée. Tout acteur qui envisage d’instaurer une telle stratégie doit prendre en compte ces sept points pour favoriser la réussite de projet d’envergure.
1. La mise en place d’une stratégie de qualité de données doit mobiliser toute l’organisation, modifier son fonctionnement et ses habitudes de travail. Un volet de conduite du changement est à prendre en compte.
2. Les périmètres fonctionnels doivent concilier les enjeux règlementaires, les impacts métiers Front, Middle et Back Office et le budget disponible.
3. La mise en œuvre d’une stratégie « à forte valeur ajoutée et économique » se concentre sur les périmètres de données importants (données personnelles des investisseurs, données sur les positions d’investissements, etc).
4. Les objectifs de qualité et de cohérence sont à différencier.
5. La qualité des données est à définir sur un périmètre ciblé via des « quick wins » dans le cadre d’une vision long terme.
6. Les systèmes d’information doivent être construits autour d’un processus de contrôle de la qualité de la donnée de bout en bout (CRM, Workflow, 4 eyes, MDM, régles de contrôle automatisées, reporting de contrôles, régles de compliance…).
7. Pour garantir la qualité de données dans la durée, il faut construire une trajectoire de transformation où l’on capitalise à chaque étape. La transformation doit être progressive, en s’appuyant sur un modèle industriel reproductible :
Conclusion
La qualité de donnée est un socle fondamental de la digitalisation des acteurs de l’investissement alternatif. Il ne faut pas attendre pour faire de ce sujet une priorité, non seulement pour les équipes data ou IT, mais pour tous les utilisateurs du système d’information. Le maintien d’une qualité de donnée repose en grande partie sur une prise de conscience et une sensibilisation globale. Une stratégie de qualité de donnée sera efficace et fructueuse si l’ensemble des acteurs ont la capacité de garantir cette qualité à leur échelle, au fur et à mesure de l’accroissement du volume de données géré par l’organisation.