French

Un collègue me faisait part dernièrement d’une expérience qui vous est probablement déjà arrivée : la réception d’une facture (et d’une note de crédit!) d’un montant de 0,00 €. Pour ma part, cela s’est produit récemment avec un fournisseur d’accès à Internet chez qui je n’étais même plus cliente depuis quelques années… Mais revenons-en à cette fameuse facture :

« Nous croyions que nous vous devions 0,00 €. Mais non, en fait, c’est vous qui nous devez 0,00 €. »
« Nous annulons une note de crédit et vous facturons en votre faveur. »
Voilà en substance les messages que véhicule la facture ci-dessous émise par un fournisseur d’énergie. Serait-ce la facture pour le gaz ayant servi à cuire le poisson le 1er avril dernier ? Ou ce fournisseur aurait-il un petit problème de qualité de ses données ?

facture erreur

« C’est la faute de l’informatique »

Qui, suite à un contact avec un opérateur, n’a pas déjà reçu cette réponse laconique en retour à sa question ? Alors certes, les traitements sont dorénavant automatisés. Mais on pourrait malgré tout s’étonner qu’un outil de comptabilité - ou un ERP qui génère des factures - produise des documents inutiles lorsque le total atteint la somme de 0,00 €. Question de bon sens pratique mais incompatibilité des systèmes informatiques ? En tout cas, nous conseillons vivement au fournisseur en question de revoir ses traitements de données informatisés pour éviter l’envoi de courriers superflus. Un informaticien spécialisé en test et validation de logiciel aurait pu prévoir cette hypothèse pas si exceptionnelle.

Améliorer l'efficacité du processus de facturation, une utopie ?

Pour éviter (dans la mesure du possible) ce cas de figure, il est requis d’identifier les incohérences au niveau des données et de procéder au nettoyage de ces données. Le « data cleansing » est une option non négligeable en matière de qualité des données de l’entreprise, une étape nécessaire pour diminuer drastiquement les erreurs de facturation, quelles qu’elles soient, et une obligation bientôt imposée par le RGPD (Règlement Général sur la Protection des Données, voir ici pour en savoir plus) si les données concernées sont à caractère privé et périmées.

Dans notre exemple, le coût pour l’entreprise se limite à l’impression et l’expédition d’un courrier – multiplié par le nombre de données/de dossiers clients erronés qui provoquent l’envoi automatique dudit courrier – mais l’on peut facilement imaginer à partir de ce scénario qu’une partie des factures ne voient jamais leur montant collecté par l’entreprise pour la même raison de manque de qualité des données (adresse postale incomplète ou erronée, mauvais nom du client…). Et là, le résultat est bien plus grave pour l’entreprise que le coût de courriers superflus.

Alors, à qui la faute ? Aux employés à l’encodage ? Au programme informatique ? A la base de données ?

Ingénierie des Données Dirigées par les Modèles

Chez Rever, nous sommes depuis longtemps persuadés que le problème doit être pris à sa base : le système d’information doit être de première qualité pour générer des données de qualité irréprochable. La qualité des données se mesure dans un premier temps par rapport au modèle des données qui a structuré l’application, il convient ensuite d’évaluer la capacité du modèle des données à répondre aux exigences des utilisateurs et/ou de l’entreprise.

Par une approche d’IDDM (Ingénierie des Données Dirigées par les Modèles, voir ici à ce sujet), on intervient à chacun des trois niveaux de mesure de la qualité : qualité des données, qualité de la base de données et qualité du traitement des données.

Découvrez plus sur la qualité des données et l’IDDM sur notre blog.

Mots clés: 

Auteur: 

Muriel Adamski sur une idée de Didier Roland