Déchets entrants, catastrophe sortante – La gouvernance du nettoyage

(Deuxième partie de la série « Le guide de la migration »)

Dans la première partie, nous avons pris la décision stratégique d'opérer une refonte complète, en nous débarrassant du poids mort du passé pour construire un ERP moderne et performant. Nous avons décidé de ne plus regarder dans le rétroviseur et de nous tourner vers l'avenir.

Nous sommes désormais confrontés à la réalité de cette décision. Nous avons défini les éléments à transférer (commandes en cours, articles actifs), mais nous n'avons pas encore abordé la question de la méthode de transfert sans perturber le nouvel environnement.

Au fil des années, j'ai appris une dure vérité que je répète comme un mantra : la migration de données n'est pas une tâche informatique spécifique.

Si vous confiez le nettoyage des données à votre service informatique, votre projet est déjà voué à l'échec. L'équipe informatique sait déplacer des données de la colonne A à la colonne B à l'aide de scripts. Mais elle ignore que le client 1001 a fait faillite la semaine dernière, ou que le fournisseur de l'article X est passé d'Italie au Vietnam, ce qui implique un code fiscal et un délai de livraison totalement différents.

Cet article traite de la gouvernance du nettoyage des données. Il s'agit de transformer la phase de migration, perçue comme une contrainte technique, en une opportunité stratégique d' enrichissement des données et de formation des utilisateurs.

Le changement de mentalité : du nettoyage à l'enrichissement

L'approche traditionnelle de la migration, que nous appelons « Lift and Shift », consiste à récupérer les données existantes, à les nettoyer légèrement (en supprimant les doublons évidents) et à les intégrer de force au nouveau système. C'est un énorme gâchis.

Votre nouvel ERP Cloudsuite est une Ferrari comparé à l'ancien système que vous migrez probablement. Il possède des champs, une logique et des dimensions que votre ancien système n'avait pas. Si vous considérez la migration comme un simple copier-coller, vous installez en quelque sorte un moteur de Fiat 500 dans un châssis de Ferrari.

Enrichissez, ne vous contentez pas de copier

Si vous vous contentez de faire correspondre Legacy_Name à NewERP_Name, vous pénalisez fortement le nouveau système. La phase de migration est la seule occasion, au cours des dix prochaines années, où vous disposerez du budget, de l'attention et du mandat de la direction nécessaires pour enrichir vos données de référence.

Voici la différence entre le nettoyage et l'enrichissement :

• Nettoyage : Suppression des doublons et correction des fautes de frappe dans les adresses. C’est le strict minimum.
• Enrichissement : Utiliser la migration pour renseigner de nouveaux champs qui pilotent la logique métier moderne.

Prenons Infor LN comme exemple. Votre système existant pourrait traiter un fournisseur simplement par son nom et son adresse. Infor LN, quant à lui, le considère comme une entité complexe dotée des de partenaire financier, d' expéditeur, de destinataireet de bénéficiaire . Il demande des codes d'alerte (avertissements de crédit) et des conditions de paiement qui déclenchent des flux de travail automatisés.

Voici votre chance. Ne vous contentez pas de copier l'adresse. Profitez-en pour catégoriser vos articles afin d'optimiser vos analyses futures. Redéfinissez vos groupes d'articles en fonction de vos besoins actuels en matière de rapports, et non de ceux de 2005.

Le modèle comme outil pédagogique

Il s'agit de l'aspect le plus sous-estimé de tout projet ERP et d'une arme secrète pour une gestion du changement réussie.

La plupart des consultants considèrent le modèle de migration (généralement un fichier Excel complexe) comme une nécessité technique.
Ils l'envoient par courriel à l'utilisateur en précisant : « Veuillez le remplir avant cette date limite. »

C'est la catastrophe assurée.
L'utilisateur ouvre le fichier, découvre 50 colonnes aux noms tels que tccom100.nama ou tcibd001.citg, panique et le remplit de données erronées pour faire disparaître les erreurs de validation. Il perçoit le modèle comme un simple formulaire administratif à tamponner et à oublier.

La méthodologie du lien humain

Au fil de mon expérience, l' atelier sur les modèles s'est transformé en un véritable rituel. Le consultant s'assoit avec le responsable de l'entrepôt, l'acheteur ou le chef comptable, et nous passons en revue le modèle colonne par colonne.

Nous transformons cette session de simple saisie de données en une opportunité de formation .

Quand le responsable d'entrepôt demande : « Andrea, pourquoi y a-t-il une colonne "Type d'emplacement" ? On met les palettes là où il y a de la place. »,
c'est le moment d'expliquer : si on définit dès maintenant les emplacements « Vrac » et « Prélèvement », Infor LN peut générer des missions de réapprovisionnement pour vos caristes avant que la zone de prélèvement ne soit vide.

Résultat stratégique :

1. Formation initiale : l’utilisateur découvre la terminologie d’Infor LN avant même de voir un écran. Il comprend le modèle de données intellectuellement avant de le parcourir visuellement.
2. Collaboration : l’utilisateur comprend que je ne suis pas là pour imposer un système, mais pour traduire sa réalité métier dans le nouveau moteur. Cela crée le lien humain, la confiance qui permettra de sauver le projet lors des phases stressantes du lancement.
3. Responsabilisation : parce qu’ils ont compris l’ importance de ce champ, ils se soucient de ce qu’ils y saisissent. Ils cessent de considérer la cellule comme un simple réceptacle et commencent à la percevoir comme un outil de décision.

La règle de la signature commerciale

Qui valide les données ? Dans de nombreux projets qui échouent, l’équipe informatique interne et l’équipe technique du fournisseur (ou partenaire) exécutent le script, constatent « 0 erreur » et crient victoire. Pourtant, dès le premier jour, les factures sont envoyées aux mauvaises adresses et les chauffeurs routiers sont bloqués à l’entrée.
Une règle d’or prévaut dans ce système : les données appartiennent à l’entreprise.

J'applique un protocole de gouvernance strict qui effraie beaucoup d'utilisateurs au premier abord, mais qui protège tout le monde au final :

1. Extraction : les processus techniques extraient les données existantes dans le modèle de transit.
2. Enrichissement : l'utilisateur clé (par exemple, le responsable des ventes) examine, nettoie et ajoute les informations manquantes.
3. Signature : l’utilisateur clé doit valider les données et confirmer que nous pouvons passer à l’étape suivante.

S'ils ne confirment pas, nous ne chargeons pas.
Cela modifie la perception
de l'utilisateur. Celui-ci cesse de penser que le système est erroné et se concentre sur la vérification de ses données.

L'impératif de l'IA : pourquoi le « suffisant » est mort

En 2015, avoir quelques clients en double ou des articles avec un poids manquant était agaçant. En 2026, c'est fatal.

Nous entrons dans l'ère de l'IA agentique et de l'Infor GenAI. Ces outils interprètent les modèles et le sens sémantique.

• Scénario : vous demandez à Infor GenAI : « Prédisez mon risque de rupture de stock pour le mois prochain. »
• La réalité des données erronées : vous avez migré d’anciens délais de livraison de 2019 qui ne sont plus valides, ou vous avez des codes articles en double, l’un ayant du stock et l’autre non.
• Résultat : l’IA détecte des incohérences. Elle vous conseille d’acheter des actions dont vous n’avez pas besoin, ou pire, vous assure que vous êtes en sécurité alors que vos réserves sont sur le point d’être épuisées.

L'expression « Données erronées en entrée, résultats catastrophiques en sortie » n'est plus une simple métaphore. Si vos données ne sont pas propres, votre investissement coûteux en IA est vain. La migration est votre meilleur filtre. Si un enregistrement n'est pas suffisamment propre pour être intégré au modèle, il n'a pas sa place dans votre stratégie d'IA. Supprimez-le.

D'après Gartner, la mauvaise qualité des données est la principale cause de 40 % des échecs de projets d'entreprise. À l'ère de l'IA, cet impact est amplifié car les modèles amplifient les biais et les erreurs présents dans les données.

Source : Gartner – Solutions de qualité des données

Les fondations sont posées

Nous avons la stratégie (définie avec précision). Nous avons les données propres (enrichies et validées).

Il nous faut maintenant déplacer les bits et les octets. Attention cependant : un fichier Excel vierge ne signifie pas nécessairement que des données sont présentes dans le système.

Dans la prochaine partie, nous quittons la salle de réunion pour entrer dans la salle des machines. Nous parlerons des outils de migration, la (DAL) , ainsi que de la manière de gérer les inévitables faux positifs qui terrifient les non-initiés.

Écrit par Andrea Guaccio 

18 mars 2025