You are on page 1of 13

Le Master Data Management (MDM) et la

qualit des donnes de l'entreprise :


synergies digitales et collaboratives
Dominique Mariko

La data en perspective, INTD-CNAM, 5 avril


2016

Cette introduction au MDM et la DQM est ralise grce aux changes permis par
les groupes de travail d'ExQi (Excellence Qualit Information), mes remerciements
vont aux membres du GT Big Data (Delphine CLMENT, Sebastiao CORREIA,
Soumaya BEN HASSINE, Herv HUSSON et Khalil EL IDRISSI) et du GT
Valorisation, tout particulirement Xavier HENDERSON et Isabelle SIPMA pour la
richesse de leurs dbats sur les notions dinformation et de valorisation des donnes
en lien avec lusage. Merci galement Nathalie BARTHLMY pour ses prcisions
relatives GRDF et la bienveillance de ses commentaires.

MDM & DQM 2016


dmariko.pro@gmail.com
2016.04.13 23:27:35 +02'00'
MDM &DQM : synergies digitales et collaboratives Page |2

Table des matires :

I- Introduction .................................................................................................................................... 3

Donne ............................................................................................................................................... 3

Information ......................................................................................................................................... 3

Document ........................................................................................................................................... 3

II - Elments de Master Data Management................................................................................ 3

1- Les aspects techniques du MDM : systmes et outils ................................................. 4

1.1. Une architecture centre MDM : lentrept de donnes (Data Warehouse) .............. 4

1.2. Les outils de MDM ................................................................................................................ 5

1.3. Les systmes denregistrements (Systems of Records) ................................................ 5

2- Les aspects fonctionnels : analyse et cycle de vie. ...................................................... 5

III - Les aspects thoriques et pratiques de la qualit de donnes ......................................... 7

1- Convergences ......................................................................................................................... 7

2- Mise en uvre de la qualit de donnes : ....................................................................... 8

3- Qualit de donnes : usages et valeurs de la donne en tant quactif


informationnel. ................................................................................................................................ 9

3.1. Une dfinition systmique de la valeur de linformation : ............................................... 9

3.2. Propositions du Gartner ....................................................................................................... 9

4- Le rle des dimensions qualit......................................................................................... 10

En conclusion ...................................................................................................................................... 11

Notes et rfrences : ................................................................................................................... 12

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |3

I - Introduction

Cette introduction la gestion des donnes de rfrence (Master Data Management,


MDM) et la gestion de la qualit des donnes (Data Quality Management, DQM)
propose de mettre en perspective les trois objets digitaux que sont les donnes, les
informations et les documents.

Quelles dfinitions retenir :

Donne : description lmentaire dune ralit, dun objet, d'une personne ou dun
vnement, voire dun lieu. Cette ralit est inscrite dans les systmes d'information
en tant qu'enregistrement ou record (sous forme de n-uplet constitu dune liste
dattributs ou sous forme dobjets).

Information : au sens ontologique, une information est un ensemble dlments


porteurs de sens. Cette dfinition permet un rapprochement avec les mthodes
dveloppes pour la comprhension des systmes complexes1 : le lien entre
donnes et informations est considr ici comme non-linaire et mtastable,
ncessitant des traitements bass sur des logiques conjonctives, rcursives et la
recherche dinvariants en probabilit (cf. 3.1). Les traitements strictement
informatiques de l'information (considre comme un ensemble de 0 et de 1) ne
seront pas voqus.

Document : Pour faire le lien avec le sujet seul le document numrique, comme
construction numrique sur laquelle sexercent des traitements calculatoires2 , sera
considr, en tant que jeu de donnes.

II - Elments de Master Data Management

Cest une technologie de gestion des donnes de rfrence, aussi appeles donnes
matres, qui vise obtenir une information unique et partage dans lentreprise.

On appelle donnes matres - ou donnes de rfrence, les donnes essentielles


la performance (et donc la survie de lentreprise), c'est--dire, essentiellement : les
donnes clients et fournisseurs, les donnes produits, et les donnes de reporting
(donnes BI). Selon les process dans lentreprise le MDM peut grer galement
dautres types de donnes.

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |4

Chez GRDF par exemple les donnes dorganisation interne du rseau sont
galement considres comme donnes de rfrence ; les donnes de
nomenclature (liste des communes, units de mesure, etc..) sont aussi traites
comme donnes de rfrence mais de moindre enjeu que les autres master data.

La finalit du MDM est doptimiser la synchronisation et linteraction des bases de


donnes du SI. Cest une problmatique familire aux gestionnaires de l'information,
qui la considrent plutt sous langle de la gestion des ressources ou des actifs
informationnels de l'entreprise. Le MDM vise donc garantir lunicit des donnes
(une donne rfrence par plusieurs applications mais centralise de faon tre la
mme pour tous) et la cohrence des donnes (une donne est visible partout de la
mme faon, quelle que soit lapplication qui lappelle).

Le but : augmenter la performance de l'entreprise (en ajustant la valeur des donnes)


et diminuer les cots lis au traitement et la gestion des donnes maitres.

1- Les aspects techniques du MDM : systmes et outils

Ils sont grs par les DSI ou par des services ddis la gestion des donnes.

1.1. Une architecture centre MDM : lentrept de donnes (Data


Warehouse)
Traditionnellement, une architecture de gestion des donnes de rfrence urbanise
est une architecture distribue dvolue la Business Intelligence (BI), ou les
diffrentes applications sont considres comme les clients dun entrept central (le
Data Warehouse). Les donnes rfrentielles, au lieu dtre gres dans les
applications, sont centralises et gres dans le Data Warehouse, puis distribues
rgulirement aux diffrentes applications, ce qui vite les incohrences, les conflits,
etc. On dit alors quon na plus quune seule version de la vrit (a single version of
the truth).

Si aujourd'hui les Data Warehouses sont moins valoriss quau cours des 20
dernires annes, en particulier cause des exigences de traitement en temps rel
et de contextualisation des donnes multisources3, ils sont encore trs prsents dans
les grandes entreprises, il y a donc de nombreux sujets relatifs leur volution et la
manire dont il est possible de les adapter au traitement des grandes masses de
donnes (Clusterisation et partitionnement, curation de donnes dans les Data Lake,
etc.).

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |5

1.2. Les outils de MDM


Un outil de MDM doit permettre de construire des modles de donnes, d'assurer
leur qualit et d'effectuer un contrle sur celle-ci. De nombreux diteurs logiciels
proposent des solutions d'intgration, de modlisation et de traage des donnes qui
permettent de raliser ces oprations4. Les problmatiques associes la
modlisation des donnes concernent la dfinition de hirarchies sur les donnes ou
la dfinition de familles de donnes, la maintenance de ces hirarchies (le systme
doit conserver la possibilit de mettre jour les liens hirarchiques), la dfinition de
typologies de donnes et de toutes les mtadonnes associes aux traitements,
ainsi que les choix techniques concernant les drivations (hritage) de ces donnes
et mtadonnes.

1.3. Les systmes denregistrements (Systems of Records)


Quelle que soit larchitecture source, les outils de MDM doivent permettre dtablir
des Systems of Records (SOR)5, cest dire des systmes chargs de maintenir la
reprsentation la plus complte et la plus digne de confiance dun jeu de donnes
(notions parallles en RM et GED). Chez GRDF on parle par exemple de Golden
Record pour qualifier la vision du client, constitue des diffrentes donnes des
applications de GRDF mises en cohrence par le MDM.

Un SOR doit pouvoir grer les difficults lies lcriture des transactions et aux
ventuels conflits daccs aux donnes en lecture et en criture : par exemple une
mme donne client peut tre crite au mme moment par lapplication CRM et
lapplication ddie au marketing. Il faut pouvoir identifier le type de donnes
concernes, le rfrencement des systmes clients (ERP, DW, CRM, PLM, etc.),
identifier les connecteurs possibles pour l'intgration (flux XML, API, Web services,
etc.).

L'architecture d'un systme d'information, et plus gnralement les choix


technologiques, seront des influenceurs de la qualit de donnes (de mme que les
modles et les besoins mtiers).

2- Les aspects fonctionnels : analyse et cycle de vie.

Pour l'analyste qualit le travail consiste tablir un rfrentiel standardis des


donnes, quel que soit l'outil choisi, qui va piloter l'volution des donnes matres et
la mise jour des bases de donnes et des applications mtiers.

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |6

Avant mme de penser lingnierie du systme, il faut idalement travailler avec les
mtiers pour reconstituer et surtout cartographier le cycle de vie des donnes, savoir
comment elles sont produites et quoi elles servent ou serviront. Le cycle de vie se
dfinit gnralement autour de fonctions telles que :

la dcouverte et le profilage des donnes


lacquisition et lintgration des donnes
la maintenance des donnes
lusage des donnes
larchivage et la destruction des donnes

Une notion essentielle en qualit de donnes apparat au cours de lexamen du cycle


de vie : lusage des donnes. Une bonne qualit de donnes se dfinit par rapport
aux traitements mtiers de ces donnes, on dit alors que la qualit est approprie
l'usage qu'on en fait (fitness for use).

L'usage courant des donnes peut tre dtermin par analyse statistique et en
atelier avec les mtiers, ce qui permet dvaluer leur importance un instant t, leur
impact et donc leur valeur.

L'usage futur des donnes est plus dlicat apprhender. Cette possibilit
apparat avec la capacit traiter aujourdhui de grandes masses de donnes : on
est capable de collecter et stocker des big data, mais il est difficile dtablir leur
valeur, car on nenvisage pas au moment de la collecte quels pourront tre les
usages futurs de ces donnes, cest un des dfis actuel de la gouvernance des
donnes. Une solution possible consiste ajouter des mtadonnes de production et
dutilisation sur les donnes (data lineage) afin de faciliter leur accessibilit et leur
exploitabilit pour des usages en devenir (pour un projet de norme internationale voir
SDMX).

Pour aider dfinir les usages et les contraintes techniques, sont dtermines dans
lentreprise des fonctions data :

les chief data officers qui, entre autre, dterminent et garantissent les
principes de gouvernance sur les donnes. Les CDO interviennent au niveau
excutif et non au niveau de la gestion des donnes.6

les data owners, cest dire des propritaires de la donnes, qui ont la priorit
sur les donnes et sont chargs dautoriser ou restreindre laccs aux
donnes, ils sont aussi responsables de leur exactitude, de leur intgrit et de
leur fracheur,

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |7

les data stewarts qui sont des intendants de la donne, souvent des
gestionnaires de donnes,

Les rles inclus dans ces diffrentes fonctions dpendent en fait du degr de
maturit de lentreprise en matire de gouvernance des donnes.

Sur les projets, on trouvera aussi des business analysts, qui analysent les
processus mtiers pour dterminer les processus de cration de la donne en
collaboration avec les architectes de donnes.

III - Les aspects thoriques et pratiques de la qualit de donnes

1- Convergences

La gestion des donnes de rfrence peut sinscrire dans des projets plus tendus
damlioration de la qualit des donnes (DQM). La dfinition de niveaux de qualit
de donnes est considre comme un vecteur de la cration de valeur visant
amliorer les performances globales de lentreprise. Ce type de projet ne concerne
plus uniquement les master data mais leur articulation avec les donnes externes,
les dark data, lopen data ainsi que les donnes rputes non-structures . Les
projets visent alors minimiser limpact du garbage in, garbage out en proposant
des politiques damlioration continue de la qualit des donnes (DQM) afin de
faciliter la maintenance et lanalyse de ces donnes. Ils ont pour objectif de minimiser
les risques lis la perte des donnes, les cots oprationnels et dviter les
retraitements pralables lanalyse de donnes dont on ne peut faire lconomie sur
des donnes disparates et de qualit ingale, retraitements qui occupent aujourdhui
entre 50 et 80% du temps des data scientists.

Les aspects thoriques de la qualit de donnes et les couches logiques qui entrent
en jeu lors de la dfinition des modles de donnes assemblent des notions
similaires celles utilises en gestion de linformation. Pour arriver faire merger
une qualit de donnes adapte l'usage, on peut commencer par travailler un
concept quon rencontre aussi en modlisation et en gestion des bases de donnes :
la concordance au rel. On cherchera par exemple analyser quel point les objets
du SI reprsentent les objets du monde rel en travaillant les dimensions de
compltude et dexactitude. Les approches par les modles7 (MDA, Model Driven
Architectures) proposent des paradigmes de rsolution de la qualit de donnes
intgrant les besoins en robustesse du SI et les besoins en agilit des mtiers.

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |8

2- Mise en uvre de la qualit de donnes :

Traditionnellement le traitement de la qualit de donnes dans les SOR est effectu


au moment de lintgration8. Avec les traitements big data, il pourra tre excut
galement en sortie ou la vole en fonction des demandes9, ce qui pose des
problmes de synchronisation et d'interaction (Pour un projet open source de
gouvernance des donnes big data, voir Falcon). Dans les data lake, par exemple,
cohabitent diffrents niveaux de qualit de donnes, les traitements qualit
ncessiteraient dintgrer dans les outils de gestion de ces lacs de donnes des
fonctions de data modeling et data cleansing, qui permettraient de qualifier les
donnes au fur et mesure de leur usage.

Limplmentation de la qualit des donnes est effectue travers un ensemble de


rgles de qualit.

Ces rgles de qualit sont elles mme drives :


des rgles mtiers
ainsi que de limpact attendu par les mtiers de ces rgles de qualit des
donnes (en termes de valeur)

Ex : il est inutile de forcer la compltude dun jeu de donnes qui nest employ que
pour un usage restreint. Ainsi il sera coteux mais pas ncessairement utile de
conserver lancienne adresse dun tudiant qui dmnage dans une base de
donnes administrative, par contre conserver lancienne adresse dun client dans un
CRM peut aider d-doublonner en cas dhomonymie. On peut donc trouver une
valeur dusage conserver cet historique.

La qualit des donnes est dfinie par un ensemble de fonctions valuables sur
les donnes appeles mtriques de qualit (ou indicateurs de qualit), qui
permettent de mesurer ladquation entre la qualit effective des donnes et la
qualit attendue de celles-ci. 10

Pour dterminer ces indicateurs il faut donc considrer au moins trois lments :

La donne comme reprsentation dun objet du monde rel (sa valeur


absolue )
La valeur dusage de la donne
La valeur attendue de la donne

(Pour un retour dexprience sur la cration dun rfrentiel dindicateurs


DQM, voir11).

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives Page |9

3- Qualit de donnes : usages et valeurs de la donne en tant quactif


informationnel.

3.1. Une dfinition systmique de la valeur de linformation :


La valeur dune information est inversement proportionnelle la probabilit
doccurrence de lobjet quelle dcrit.

Autrement dit : une information a potentiellement de la valeur si elle met en vidence


un objet (vnement, lieu, personne, etc. : une donne) inconnu ou mconnu au
moment de son nonciation. En fonction du contexte (besoin en information) dans
lequel cette information est nonce sa valeur sera renforce ou diminue.

Cette dfinition est mise en uvre dans les approches probabilistes de Berthier et
Teboul12, qui questionnent la valeur et la vracit des donnes : quelle est la
probabilit de la vracit dune donne, connaissant son historique, son metteur et
sa rputation. (A mettre en relation avec les interrogations rcurrentes en DQM sur la
crdibilit des donnes 13).

3.2. Propositions du Gartner14


Infonomics de Doug Laney : distinguer les modes danalyse de la valeur en financier
et non financier :

Non financier :
valeur intrinsque : qualit et facilit dutilisation de la donne versus quelle
est la probabilit que dautres lextrieur de lorganisation possdent cette
mme donne ?
valeur mtier de linformation : la donne est elle utilisable par un mtier ou un
processus mtier ? Avec quelle rapidit lentreprise peut elle obtenir des
donnes fraiches pour amliorer la performance de ce processus ?
valeur de performance de linformation : combien une unit dinformation
contribue faire en sorte que lentreprise optimise ses indicateurs de
performance ?

Financier :
valeur du cot de linformation : quel serait le cot de remplacement des
donnes si lentreprise les perdait et devait les racheter.
valeur de march : quel prix un partenaire daffaire serait prt acheter les
donnes
etc.

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives P a g e | 10

Dans ces propositions apparaissent de manire rcurrente des outils probabilistes en


lien avec les usages des donnes. Ce sont deux lments cls de la recherche en
valorisation des donnes.

Pourquoi insister sur la dfinition de la valeur : cest cette valeur (ces traitements de
la valeur) affecte la donne qui va permettre dtablir les seuils des indicateurs
qualit de donnes. On dfinit les rgles permettant dtablir ces indicateurs en
dterminant les dimensions qualit prendre en compte pour les calculer. Les
dimensions sont donc un support logique, une aide conceptuelle pour dfinir la
qualit et interprter les rsultats de lanalyse15.

4- Le rle des dimensions qualit :

Les propositions de dimensions qualit de linformation de Harrathi & Calabretto 16 et


les propositions de dimensions de qualit de donnes de Wang & Strong17 ont
comme point commun la rpartition des dimensions en familles, hirarchises ou
non. Cette rpartition en familles permet de visualiser les contours des diffrentes
dimensions pour ensuite choisir celles qui correspondent le mieux lactivit dans
lentreprise considre.

Quelques exemples de dimensions courantes :

Compltude : du modle de donnes autant que des donnes stockes, a-t-


on bien toutes les reprsentations dont on a besoin ?

Fraicheur : dimension temporelle rviser selon les architectures : dans une


architecture lambda (Nathan Martz pour Twitter) toutes les donnes ont un
timestamp, elles sont donc toujours vraies car historises : la dimension
vracit est articule aux dimensions temporelles.

Cohrence : des donnes sont cohrentes entre elles si elles satisfont les
rgles syntaxiques et smantiques qui leur sont associes : par exemple on
peut mesure la cohrence entre un ge et une date de naissance18.

Quelques dimensions prennent de plus en plus dimportance dans les


traitements big data, en particulier cause des exigences lies lintgration
des donnes multisources : la crdibilit, qui peut tre un scoring de
confiance sur la source, ou bien dfinie au moment de lusage de la donne,
ainsi que la provenance, qui permet la traabilit des donnes.

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives P a g e | 11

En conclusion :

- la manire dont ces dimensions sont dfinies permet dtablir des


rgles et des indicateurs qualit, et cette dfinition nest porteuse de valeur que si
elle est tablie en amont avec les utilisateurs de la donne pour tre en accord
avec les usages et rpondre aux besoins.

- ces dimensions sont interdpendantes, quand on en modifie une il faut


valuer limpact que cela aura sur les autres.
Ex : si une donne nest pas suffisamment frache, elle est inexacte dans 70% des
cas, inversement amliorer lexactitude peut prendre du temps et nuire la fraicheur
des donnes19.

Ce ne sont l que quelques lments de dfinition de la qualit de donnes, centres


sur lusage et la valeur de linformation (il y en a beaucoup dautres), qui permettent
dapprhender les objets du digital. Si la gestion des master data demeure une
exigence (il est impossible de facturer un client dont on na pas les coordonnes), les
enjeux qualit de donnes sarticulent autour des notions denrichissement, de
contextualisation et de mise en valeur des donnes.

Les projets MDM peuvent tre des points dentre pour les projets DQM, car ces
deux types dengagement ncessitent la fois des savoir-faire techniques et
technologiques et la mise en uvre de collaborations fortes dans lentreprise. Aussi,
la russite des projets data, ncessaires la transformation digitale des entreprises,
est trs dpendante des rflexions menes autour du dveloppement de
lintelligence collective, de la gestion du changement et de la capacit des
organisations rendre oprantes des collaborations transversales en favorisant ces
synergies digitales et collaboratives.

En la matire, des projets GED et DQM qui seraient dfinis autour de processus
mtiers communs auraient beaucoup partager.

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives P a g e | 12

Notes et rfrences :

1
Pour une approche par les systmes complexes voir notamment les travaux de lInstitut Praxeme,
galement : BARRAU Delphine et BIZINGRE, Jol : Contribution PxData : Politique de la donne,
procd et formalisation [en ligne]. (Modifi le 06/04/2016). Disponible sur : < http://blog.conix.fr/>
(Consult le 06/04/2016)

2
CROZAT, Stphane, Chanes ditoriales et rditorialisation de contenus numriques [en ligne], in
Lisette Calderan, Pascale Laurent, Hlne Lowinger and Jacques Millet. Le document numrique
l'heure du web, ADBS, pp.179-220, 2012. (Sciences et techniques de l'information). Disponible sur :
<https://hal.inria.fr/hal-00740268> (Consult le 04/04/2016)
3
CLMENT, Delphine, BEN HASSINE, Soumaya, COEUGNIET, Sbastien et al. : La gestion de
donnes multi-sources : de la thorie la mise en uvre dans le cadre dun rfrentiel client unique, in
Laure Berti-quille (dir.), La qualit et la gouvernance des donnes au service de la performance des
entreprises, Lavoisier, Paris, 2012, pp.177-216.
4
GOETZ, Michele: MDM : highly recommended, still misunderstood [en ligne]. (Modifi le 03 juin
2014) Disponible sur :<http://blogs.forrester.com/michele_goetz/ > (Consult le 04/04/2016)
5
TALBURT, John R. and ZHOU, Yinle : Entity Information Life Cycle for Big Data : Master Data
Management and Information Integration, Morgan Kaufmann, 2015
6
PEYRET, Henry : Do not confuse Data Governance with Data Management [en ligne]. (Modifi le
7 fvrier 2016) Disponible sur : <http://blogs.forrester.com/henry_peyret/> (Consult le 04/04/2016)
7
SI-SAID CHERFI, Samira, AKOKA, Jacky, COMYN-WATTIAU, Isabelle : La qualit des modles
de donnes, in Laure Berti-quille (dir.), La qualit et la gouvernance des donnes au service de la
performance des entreprises, Lavoisier, Paris, 2012, pp.75-115.
8
EVELSON, Boris: Make data confidence part of your BI architecture [en ligne]. (Modifi le 29
novembre 2012) Disponible sur : <http://blogs.forrester.com/boris_evelson/> (Consult le 04/04/2016)
9
HENDERSON, Xavier : La qualit des donnes et le Big Data [en ligne, srie de 4 articles].
(Modifi en fvrier 2014). Disponible sur : <http://www.gouvinfo.org/IAI/la-qualite-des-donnees-et-
le-big-data/ (Consult le 04/04/2016)

10
Les dimensions de la qualit de donnes, fiches ExQi COMPRENDRE [en ligne]. (Modifi en aout
2013). Disponible sur : <http://exqi.asso.fr/site/medias/> (Consult le 04/04/2016)

11
CLMENT, Delphine et LABOISSE, Brigitte : Cration dun rfrentiel dindicateurs de mesure de
la qualit des donnes CRM [en ligne], in Actes du 3e Atelier Qualit des donnes et Connaissances,
23 janvier 2007, Namur, Belgique, pp. 5-14. Disponible sur : < https://conferences.telecom-
bretagne.eu/qdc2007/> (Consult le 04/04/2016)

Excellence Qualit Information Dominique Mariko


MDM &DQM : synergies digitales et collaboratives P a g e | 13

12
BERTHIER, Thierry et TEBOUL, Bruno : Valeur et Vracit de la donne: Enjeux pour l'entreprise
et dfis pour le Data Scientist [en ligne] in Actes du colloque La donne n'est pas donne , cole
Militaire23 mars 2015. Disponible sur : <https://hal.archives-ouvertes.fr/> (Consult le 04/04/2016)
13
REDMAN, Thomas : Data's credibility problem [en ligne]. (Modifi en dcembre 2013) Disponible
sur :< https://hbr.org/2013/> (Consult le 04/04/2016)
14
LANEY, Doug: Applied Infonomics: Why and How to Value Your Information as an Asset [en
ligne]. (Modifi le 15/10/2015) Disponible sur : < http://blogs.gartner.com/doug-laney/> (Consult le
04/04/2016)

15
Les dimensions de la qualit de donnes, op. cit
16
HARRATHI, Rami et CALABRETTO, Sylvie : Un modle de qualit de linformation, in
EGC'2006, Lille. pp. 299-304.

17
WANG, Richard Y. and STRONG, Diane M. : Beyond Accuracy: What Data Quality Means to Data
Consumers, in Journal of Management Information Systems, Vol. 12, No. 4, Spring, 1996, pp. 5-33.

18
Les dimensions de la qualit de donnes, op. cit.
19
Les interdpendances de la qualit de donnes, fiche ExQi COMPRENDRE [en ligne]. (Modifi en
aout 2013). Disponible sur : <http://exqi.asso.fr/site/medias/> (Consult le 04/04/2016)

Excellence Qualit Information Dominique Mariko