Fiabiliser ses données avant de parler d’IA : la méthode pour les PME, sans grand projet

« Nos données ne sont pas prêtes. » C’est la phrase que l’on entend le plus souvent quand un dirigeant de PME parle d’intelligence artificielle. Elle est souvent vraie, et c’est rarement une raison d’attendre. Fiabiliser ses données ne demande ni un entrepôt de données, ni une équipe informatique, ni dix-huit mois de chantier. Cela demande de définir ses mesures une fois, de traiter quelques erreurs qui reviennent toujours, de savoir qui est responsable de quoi, et de mesurer la fiabilité pour la voir progresser. Ce guide vous donne la méthode, un plan sur quatre semaines et une gouvernance qui tient sur une page.

Sommaire

1. Huit symptômes de données peu fiables : faites le test
2. Définir ses mesures une fois, pour tout le monde
3. Un champ vide n’est pas un zéro
4. Les doublons : peu nombreux, très coûteux
5. La fraîcheur : de quand date ce chiffre ?
6. Qui est responsable de quoi
7. Construire un indice de fiabilité de vos données
8. Quatre semaines de gains rapides
9. Une gouvernance légère, à la taille d’une PME
10. Comment l’IA aide à fiabiliser ses données, sans attendre la perfection
11. Les chiffres à fiabiliser en premier, selon votre industrie
12. Ce qu’il faut retenir

Huit symptômes de données peu fiables : faites le test

Cochez ce qui vous arrive au moins une fois par trimestre. Au-delà de trois cases, ce guide est pour vous.

• En comité, deux personnes arrivent avec deux chiffres différents pour la même chose.
• Le « chiffre d’affaires » n’a pas le même sens pour la finance, le commerce et le terrain.
• Quelqu’un passe plusieurs jours par mois à consolider des fichiers à la main.
• Une unité semble à zéro alors qu’elle n’a simplement pas encore saisi.
• Le même client existe trois fois dans le CRM, avec trois orthographes.
• Personne ne sait dire de quand date la dernière mise à jour d’un tableau.
• Quand un chiffre est faux, on ne sait pas qui doit le corriger.
• Les managers contestent les chiffres plutôt que de discuter des actions.

Ce dernier symptôme est le plus coûteux. Tant que les chiffres sont discutés, les décisions ne le sont pas. Une donnée fiable n’est pas une donnée parfaite : c’est une donnée dont tout le monde connaît la définition, l’origine, la fraîcheur et les limites.

Définir ses mesures une fois, pour tout le monde

La moitié des désaccords sur les chiffres ne viennent pas d’erreurs de saisie, mais de définitions différentes. Le chiffre d’affaires est-il compté à la commande, à la livraison ou à la facture ? Avec ou sans les avoirs ? La marge inclut-elle la sous-traitance ? Une agence ouverte en cours d’année entre-t-elle dans la moyenne ? Tant que ces questions n’ont pas de réponse écrite, chaque fichier a sa propre vérité.

La fiche mesure : six lignes par indicateur

Pour chaque indicateur que vous regardez en comité, écrivez une fiche. Commencez par les dix qui comptent le plus. Voici le modèle, rempli pour un exemple.

La version compte. Le jour où vous changez une définition, les chiffres d’avant et d’après ne sont plus comparables sans le savoir. Notez la date du changement et gardez l’ancienne version : c’est ce qui permet d’expliquer une rupture dans une courbe au lieu de chercher une cause qui n’existe pas.

• les dix indicateurs du comité ont chacun une fiche écrite ;
• chaque fiche a été validée par une personne nommée ;
• la fiche est accessible à tous ceux qui lisent le chiffre ;
• chaque changement de définition est daté et versionné.

Un champ vide n’est pas un zéro

C’est l’erreur la plus fréquente et la plus injuste. Une unité n’a pas encore saisi ses chiffres du mois : le tableau affiche zéro, elle apparaît en bas du classement, son responsable est appelé pour une baisse qui n’existe pas. Ou l’inverse : la moyenne du réseau est tirée vers le bas par des unités qui n’ont simplement pas déclaré. Il faut distinguer trois états, et les traiter différemment.

Concrètement : dans vos fichiers, n’écrivez jamais 0 pour dire « je ne sais pas ». Laissez vide, ou utilisez une mention explicite. Dans vos calculs, indiquez toujours combien d’unités sont prises en compte : « moyenne sur 18 unités sur 22, 4 en attente de saisie » est une information, « moyenne : 12 400 € » est un piège. Même règle pour les déclarations à valider : un chiffre d’affaires déclaré mais non signé ne devrait pas compter comme définitif. Et deux montants dans deux devises différentes ne s’additionnent pas sans conversion.

Les doublons : peu nombreux, très coûteux

Un client en double dans le CRM, c’est un historique coupé en deux, une relance envoyée deux fois, un chiffre d’affaires par client faux, et parfois deux commerciaux qui pensent chacun le suivre. Les doublons naissent presque toujours au même endroit : la création d’une fiche sans recherche préalable, l’import d’un fichier, ou la fusion de deux outils.

• Repérez. Triez vos clients par numéro SIRET, téléphone ou adresse email : les doublons apparaissent côte à côte. Pour les particuliers, combinez nom et code postal.
• Fusionnez en gardant l’historique. Choisissez la fiche la plus complète comme fiche de référence, rattachez-y l’historique de l’autre, puis archivez la seconde plutôt que de la supprimer.
• Fermez le robinet. Rendez obligatoire un identifiant unique à la création (SIRET pour les entreprises), et activez l’alerte de doublon si votre CRM la propose.
• Répétez. Une passe par mois, quinze minutes, par la personne responsable de la base clients.

Les doublons ne concernent pas que les clients. Vérifiez aussi vos articles (le même produit sous deux références), vos chantiers ou tournées (le même dossier ouvert deux fois) et vos unités elles-mêmes (une agence renommée qui apparaît sous deux noms dans l’historique).

La fraîcheur : de quand date ce chiffre ?

Un chiffre juste mais vieux de trois semaines peut conduire à une mauvaise décision. La fraîcheur, c’est la date de la dernière mise à jour de chaque source. Elle se suit simplement : pour chaque outil ou fichier, notez quand il a été alimenté pour la dernière fois et quand il devrait l’être. Une caisse se met à jour chaque jour, une facturation chaque semaine, un reporting d’unité chaque mois. Le retard par rapport à ce rythme attendu est un indicateur en soi. Il est aussi, souvent, un signal faible : une unité qui saisit en retard est souvent une unité débordée. Affichez la date de mise à jour à côté de chaque chiffre important, dans chaque tableau et chaque présentation. Ce simple réflexe évite une bonne partie des débats en comité.

« Les dirigeants me disent souvent qu’ils attendront d’avoir des données propres pour parler d’IA. Mais ces données ne se nettoient jamais toutes seules. Ce qui les fait progresser, c’est de mesurer leur fiabilité et de la montrer à tout le monde, chaque semaine. »

Qui est responsable de quoi

Une donnée sans responsable se dégrade. Pas besoin de créer un poste : il suffit que chaque source ait un nom à côté, et que chacun sache ce qu’on attend de lui. Trois rôles suffisent dans une PME.

Côté équipes, présentez la qualité des données comme un service rendu à l’unité, pas comme une contrainte : des chiffres justes, c’est une unité jugée sur ce qu’elle fait vraiment, et moins de temps perdu à se justifier.

Construire un indice de fiabilité de vos données

Ce qui ne se mesure pas ne progresse pas. Un indice de fiabilité donne une note simple à chaque unité et à chaque source, et permet de suivre les progrès. Vous pouvez le construire vous-même dans un tableur, à partir de quatre critères :

• Complétude : part des champs clés remplis (montant, date, client, unité, statut).
• Fraîcheur : part des sources mises à jour dans le délai attendu.
• Unicité : part des fiches sans doublon détecté.
• Cohérence : part des enregistrements qui passent vos règles simples (une facture a un devis, une date de fin est après la date de début, un montant n’est pas négatif sans avoir).

Notez chaque critère sur 100, faites la moyenne, et affichez le résultat par unité. Ne cherchez pas la formule parfaite : l’important est de garder la même d’un mois à l’autre pour voir la tendance. Et utilisez l’indice avec discernement : il sert à savoir quel crédit accorder à un chiffre, pas à sanctionner une unité.

Quatre semaines de gains rapides

Voici un plan court, réaliste pour une PME sans équipe informatique. Il ne règle pas tout ; il règle ce qui fait le plus de dégâts, et il installe les habitudes qui feront le reste.

• Semaine 1 · Faire l’inventaire. Lister les outils et fichiers d’où viennent les chiffres du comité. Pour chacun : qui l’alimente, à quel rythme, qui l’administre. Choisir les dix indicateurs prioritaires.
• Semaine 2 · Écrire les définitions. Une fiche mesure par indicateur, validée par son propriétaire. Trancher les trois désaccords les plus fréquents (le chiffre d’affaires, la marge, le périmètre des unités).
• Semaine 3 · Nettoyer ce qui coûte. Distinguer vides et zéros dans les fichiers de reporting. Faire une première passe de doublons sur la base clients. Afficher la date de mise à jour sur chaque tableau.
• Semaine 4 · Mesurer et ritualiser. Calculer un premier indice de fiabilité par unité. Le présenter en comité. Fixer la passe mensuelle des doublons et le point de fiabilité dans l’ordre du jour.

À la fin du mois, vous n’aurez pas des données parfaites. Vous aurez quelque chose de plus utile : des données dont vous connaissez la fiabilité, et une note qui va progresser. Dans beaucoup d’entreprises, c’est d’ailleurs le premier résultat visible d’une démarche d’IA.

Une gouvernance légère, à la taille d’une PME

Le mot gouvernance fait peur. Dans une PME, il désigne simplement les règles du jeu : qui décide d’une définition, qui corrige, quand on fait le point. Elle doit tenir sur une page et prendre moins d’une heure par mois au comité de direction.

• Un catalogue des mesures. Les fiches mesures, rangées au même endroit, accessibles à tous les lecteurs.
• Un nom par source. Le référent de chaque outil, connu de tous.
• Une règle de changement. Toute nouvelle définition est validée par son propriétaire, datée et annoncée.
• Un point mensuel de quinze minutes. L’indice de fiabilité, les sources en retard, les corrections en attente, une décision si besoin.
• Une règle de conservation. On garde toujours la donnée telle qu’elle a été reçue. On corrige l’interprétation, jamais la preuve.

Cette dernière règle est souvent oubliée et pourtant précieuse : si vous écrasez la donnée d’origine pour la corriger, vous perdez la trace de l’erreur et la possibilité de revenir en arrière.

Comment l’IA aide à fiabiliser ses données, sans attendre la perfection

On présente souvent la qualité des données comme un préalable à l’IA. C’est à moitié vrai. Une IA mal conçue, branchée sur des données douteuses, produit des réponses fausses avec assurance. Mais une IA bien conçue peut aider à fiabiliser les données, et commencer à servir pendant qu’elles s’améliorent. Selon Eurostat (2025), 71 % des entreprises qui renoncent à l’IA citent le manque d’expertise : la bonne nouvelle, c’est que la méthode ci-dessus ne demande pas d’expert, et qu’une partie du travail peut être confiée à la machine. Voici les règles qu’elle doit respecter, et que Korbyx applique.

• Elle ne compte pas un champ vide comme un zéro. Elle nomme la donnée absente et l’exclut du calcul, au lieu de fausser la moyenne.
• Elle n’invente pas le chiffre. Dans Korbyx, l’IA choisit la mesure dans votre catalogue ; un moteur de calcul la calcule sur vos données ; l’écran affiche le résultat du moteur. L’IA rédige autour du chiffre, jamais le chiffre.
• Elle montre ses données. Chaque réponse indique la mesure, sa version, la période, le périmètre et les données manquantes, avec un bouton « Voir les données utilisées ».
• Elle dit quand elle ne sait pas. Plutôt qu’approximer, elle pose une question ou refuse. Elle n’additionne pas deux devises.
• Elle affiche la fiabilité partout. Un indice de fiabilité accompagne chaque chiffre, pour savoir quel crédit lui accorder.
• Elle prépare les corrections. Un agent dédié à la qualité de la donnée dresse chaque semaine la liste des fiches à corriger, avec le responsable de chacune. Une personne valide ; la correction est ensuite faite dans l’outil d’origine.
• Elle garde la preuve. Vos données d’origine sont conservées intactes, telles que reçues : on peut corriger une interprétation sans perdre la trace.

Ainsi, dès les premières semaines, les chiffres les plus fiables servent à piloter, ceux qui le sont moins sont signalés comme tels, et la fiabilité progresse parce qu’elle est visible. Pour comprendre ce fonctionnement en détail, lisez notre page sur une IA fiable sur vos propres données d’entreprise ; pour voir comment Korbyx lit vos outils sans rien remplacer, voyez les connecteurs à tout votre système d’information.

Les chiffres à fiabiliser en premier, selon votre industrie

Ce qu’il faut retenir

Fiabiliser ses données n’est pas un chantier préalable qui retarde tout le reste. C’est une habitude qui commence par dix définitions écrites, trois règles simples (le vide n’est pas un zéro, un doublon se fusionne sans perdre l’historique, chaque chiffre affiche sa date) et un indice qu’on regarde chaque mois. L’IA peut ensuite servir tout de suite, à condition qu’elle respecte ces règles au lieu de les contourner. Et une fois vos chiffres fiables, la suite naturelle est de repérer les unités qui décrochent : c’est l’objet de notre guide sur les signaux faibles d’une unité qui décroche.