Transformer les données en opportunités : l'indicateur du mois – Niveau de maturité 2 – Qualité attendue
Des données de qualité représentent bien plus qu'une référence, elles sont essentielles d'un point de vue stratégique. Investir dans la qualité des données peut convertir les risques en opportunités et les inefficacités en avantages. Dans cette nouvelle série, Zornitsa Manolova, responsable de la gestion de la qualité des données et de la science des données de la GLEIF, explore les indicateurs clés du Système international de LEI. Dans ce blog, Zornitsa analyse le modèle de maturité défini dans le cadre de la qualité des données de la GLEIF, en se concentrant sur le rôle crucial joué par le niveau de maturité 2 (ou la qualité attendue des données) pour renforcer l'intégrité des données et garantir la confiance au sein de l'écosystème financier mondial.
Auteur: Zornitsa Manolova
Date: 2025-03-07
Vues:
Dans une économie mondiale toujours plus interconnectée, le degré de confiance que les organisations peuvent accorder aux données constitue le moteur de l'innovation, de la croissance et de la compétitivité.
La qualité des données devient donc plus qu'une référence, elle est une nécessité stratégique. Un écosystème de données de grande qualité engendre changements et innovations et assure aux organisations de pouvoir identifier et saisir de nouvelles opportunités, tandis que des données de piètre qualité entraînent des inefficacités et une exposition à des risques réglementaires et de réputation.
La GLEIF s'emploie à maximiser la qualité, la fiabilité et la convivialité des données LEI. Depuis 2017, elle publie chaque mois un rapport pour dévoiler en toute transparence le niveau général de la qualité des données du Système international de LEI.
Afin de promouvoir une meilleure compréhension et sensibilisation du secteur aux efforts de la GLEIF en faveur de la qualité des données, ces blogs s'intéressent aux principaux indicateurs mentionnés dans les rapports, en mettant en lumière que tout effort d'amélioration des données peut convertir les risques en opportunités et les inefficacités en atouts stratégiques.
L'article du blog de ce mois porte sur le niveau de maturité 2.
Comprendre les niveaux de maturité dans la qualité des données LEI
La maturité des données est une mesure clé qui reflète l'efficacité avec laquelle les ressources de données disponibles sont utilisées pour maximiser leur valeur et leur fiabilité. Afin de maintenir les normes de qualité des données LEI les plus strictes, la GLEIF utilise un modèle de maturité des données.
Dans ce modèle à trois niveaux, un niveau de maturité est attribué à chaque contrôle qualité des données. Cette méthodologie systématique renforce la fiabilité et la confiance des données en garantissant une approche progressive et par étapes vers une amélioration continue, faisant du Système international de LEI une source fiable pour les écosystèmes financiers et réglementaires du monde entier :
Niveau de maturité 1 - Qualité requise est la base de la qualité des données, qui permet de garantir l'application systématique des contrôles élémentaires. À ce stade, les données sont soumises à des contrôles de format pour s'assurer qu'elles sont correctement structurées et à des contrôles d'éléments obligatoires pour confirmer que tous les champs obligatoires sont correctement remplis.
Niveau de maturité 2 - Pour renforcer la fiabilité des données, Qualité attendue introduit des mesures avancées d'assurance qualité, notamment :
Contrôles de plausibilité : vérifient que les entrées de données sont logiques et crédibles.
Contrôles de la règle de gestion : garantissent la conformité aux normes de gouvernance établies.
Contrôles d'intégrité de la relation : confirment l'exactitude des relations entre les entités.
Contrôles d'éléments facultatifs : évaluent l'exactitude des champs de données non obligatoires mais utiles.
Niveau de maturité 3 - Excellente qualité représente le niveau le plus élevé de qualité des données LEI, garantissant que les données sont non seulement exactes, mais également à jour et bien gérées. À ce stade, les contrôles de représentation confirment que les données des entités sont cohérentes entre les enregistrements, et les contrôles de ponctualité garantissent que les informations sont régulièrement mises à jour et restent d'actualité. Les contrôles du cycle de vie et des anciens enregistrements s'assurent que les enregistrements de LEI historiques et actifs sont correctement conservés.
Au sein de la GLEIF, nous comparons le modèle de maturité des données à trois niveaux aux classes de cabine d'un avion. La Qualité requise représente l'attente fondamentale concernant le respect des normes minimales, comme atteindre votre destination en toute sécurité. La Qualité attendue reflète une expérience améliorée, tout comme le confort et les services supplémentaires d'un billet en classe affaires. L'Excellente qualité offre le plus haut niveau de fiabilité et de sophistication, comparable au luxe d'un voyage en première classe.
Pourquoi le niveau de maturité 2 (Qualité attendue) est-il important ?
En introduisant des mesures avancées d'assurance qualité, la Qualité attendue joue un rôle crucial pour renforcer l'intégrité des données et garantir la confiance au sein de l'écosystème financier.
Pourquoi il est important :
Évite les erreurs de données
Un cadre de qualité structuré élimine les données d'entité erronées, incomplètes ou incohérentes des systèmes financiers internationaux.
Assure la conformité réglementaire
L'atteinte du niveau Qualité attendue indique que les données LEI répondent aux critères de qualité essentiels, les rendant adaptées aux rapports réglementaires, à l'évaluation des risques financiers et à la prise de décision commerciale éclairée.
Favorise l'amélioration continue
La structure progressive des niveaux de maturité permet une amélioration continue de la précision des données et des méthodologies de validation. Par exemple, les émetteurs de LEI ayant atteint le taux de Qualité attendue en février 2025 ont affiché des performances constantes depuis décembre 2024. Ces progrès sont le résultat des efforts déployés pour améliorer la qualité et la fiabilité des données. En 2024, 50 % des émetteurs de LEI atteignaient systématiquement la Qualité requise, ce qui constitue une progression spectaculaire par rapport à 2020 et 2021, où seulement 22 % et 28 % des émetteurs atteignaient respectivement ce niveau de maturité.
Jette les bases de l'excellence
Le niveau Qualité attendue est une condition préalable pour atteindre le niveau Excellente qualité, le plus haut niveau de qualité des données. Sans atteindre au préalable le niveau Qualité attendue, l'intégrité et la fiabilité totales des données du système LEI seraient inatteignables.
Transformant les données en opportunités
En tant que référence clé en matière d'excellence des données LEI, le niveau de maturité 2 prend en charge une approche structurée et d'amélioration continue, permettant aux émetteurs de LEI d'améliorer la qualité des données et de renforcer la confiance, l'exactitude et la transparence dans l'ensemble de l'écosystème financier. Les organisations bénéficient ainsi d'une plus grande efficacité opérationnelle et d'atténuation plus efficace des risques. La croissance économique est par conséquent accélérée grâce à la plus grande transparence du marché et à la plus grande fluidité des échanges commerciaux à l'échelle mondiale.
Si vous souhaitez commenter une publication sur le blog, veuillez vous identifier à l'aide de votre prénom et de votre nom. Votre nom apparaîtra à côté de votre commentaire. Aucune adresse e-mail ne sera publiée. Veuillez noter qu'en accédant ou en contribuant au forum de discussion, vous acceptez de respecter les conditions de la Politique de la GLEIF en matière de blog ; veuillez donc les lire attentivement.
Zornitsa Manolova dirige l’équipe chargée de la gestion de la qualité des données et de la science des données au sein de la Global Legal Entity Identifier Foundation {GLEIF}. Depuis avril 2018, elle a pour mission d’améliorer le cadre établi pour la qualité et la gouvernance des données en introduisant des méthodes d’analyse de données innovantes. Auparavant, Zornitsa est chargée de la gestion des projets d’analyse de données médico-légales dans le cadre d’enquêtes financières internationales chez PwC Forensics. Elle possède un diplôme allemand en informatique avec une spécialisation en apprentissage automatique de l’Université Philipps de Marbourg.
