MDM – Data Cleansing & Collection d'un catalogue produits

bioMérieux est un leader mondial du diagnostic in vitro, présent dans plus de 160 pays. Dans ce contexte, la qualité et la traçabilité des données produit ne sont pas un sujet IT — ce sont des conditions de mise sur le marché.

Face à deux impératifs simultanés — la mise en conformité FDA et la migration de SAP vers un nouveau système de gestion —, bioMérieux a lancé un programme stratégique de Master Data Management. L'objectif : disposer d'un catalogue produit centralisé, propre et fiable avant le basculement.

Les données produit étaient dispersées dans plusieurs systèmes, avec des problèmes de qualité, de complétude et de cohérence — et aucun rôle clairement défini pour en assurer la gouvernance.

Concrètement : des doublons, des champs vides, des valeurs incohérentes entre systèmes. Des processus de collecte et de nettoyage qui n'existaient pas sous forme industrialisée. Et surtout, une responsabilité diffuse — métiers, IT et data governance se renvoyaient la balle sans qu'aucune organisation ne soit en place pour trancher.

Le risque : migrer des données de mauvaise qualité dans le nouveau système, et embarquer tous les problèmes existants dans la future plateforme — avec des conséquences directes sur la conformité réglementaire et la commercialisation des produits.

La tentation sur ce type de programme est de partir directement sur les outils — un tableau de bord, un outil de data quality — sans avoir posé les fondations humaines. C'est l'inverse que j'ai imposé.

• Créer l'organisation data-driven — définition de trois rôles structurants : Data Owner (responsable métier, valide les règles et priorités), Data Steward (garant opérationnel, applique les règles et suit les indicateurs), Data Provider (collecte et fournit les données).

• Industrialiser les processus — cartographie des processus existants, identification des écarts, définition du périmètre et de la planification des phases de data cleansing et collection.

• Piloter, coordonner, accompagner — animation des ateliers de cadrage, coordination des équipes data governance, métiers et IT, encadrement d'une équipe de 2 à 4 consultants.

Sur un programme MDM, l'erreur classique est de traiter la qualité des données comme un problème technique. C'est avant tout un problème d'organisation et de responsabilité.

Tant que personne ne sait qui est responsable d'une donnée — qui la valide, qui la corrige, qui arbitre en cas de conflit — aucun outil ne résoudra quoi que ce soit. Mon premier travail a été de répondre à cette question avant d'ouvrir le moindre fichier de données.

Une fois l'organisation posée : conception des outils de pilotage pour suivre l'avancement et la qualité des données en temps réel, accompagnement au changement et formation continue des équipes pour que la gouvernance survive à la fin de la mission.