Réconciliation source
Les dépenses doivent être rapprochées de la source financière avec des règles documentées pour frais, taxes, remises, crédits et production. Un écart inexpliqué devient un risque de rendement artificiel.
Analyse expert · Révisée le 22.08.2026
Qualité des données MMM : utiliser des portes bloquantes, pas une moyenne rassurante.
DÉCISION SOUTENUERefuser l’usage décisionnel tant qu’un contrôle bloquant de réconciliation, de continuité ou de définition reste sous son seuil, même si la moyenne de qualité paraît élevée.
Calcul reproductible
Spécification et limites du calcul publié.
Ce dossier vérifie l’arithmétique locale du modèle pédagogique. Il ne transforme pas les hypothèses saisies en preuve de marché ou de causalité.
- Spécification technique du registre qualité MMM (ouvre un nouvel onglet)
v1, 31 août 2026 · CC BY 4.0 · Spécification première partie d’un registre de contrôle fictif, vérifiant des seuils pédagogiques et non la qualité de données réelles.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Continuité sémantique
Un nom de canal stable peut masquer un changement de périmètre, d’outil ou d’achat. Les ruptures de taxonomie et de mesure sont des événements du modèle, pas de simples problèmes de nettoyage.
Correction traçable
Toute imputation ou reclassification conserve valeur initiale, règle, auteur, date et impact. Une correction opaque empêche la reproduction et rend la surveillance future impossible.
Méthode
Construire un contrôle qualité qui peut réellement arrêter le modèle
- 01Définir les contrôles
Pour chaque table, écrire dimension, formule, seuil, fréquence, responsable et action. Séparer contrôle informatif, alerte et porte bloquante.
- 02Rejouer l’historique
Appliquer les contrôles à toutes les périodes et localiser ruptures, retards, doublons, valeurs impossibles et écarts de réconciliation. Mesurer l’effet des corrections.
- 03Décider par usage
Un écart peut être acceptable pour une tendance globale et bloquant pour un rendement hebdomadaire par plateforme. Relier chaque défaut à l’usage affecté.
- 04Surveiller les nouvelles charges
Automatiser les contrôles stables, journaliser les exceptions et déclencher une revue lors d’un changement de source, de définition ou de dépassement de seuil.
ÉLÉMENT ORIGINAL
Le tableau de contrôle avec trois portes bloquantes
Six dimensions sont contrôlées, mais réconciliation financière, ruptures de série et stabilité taxonomique peuvent bloquer seules le modèle.
99,8 %Seuil 99 %
CONFORME98,7 %Seuil 99 %
À CORRIGER94 %Seuil 97 %
À CORRIGER7Seuil ≤ 2
À CORRIGER92 %Seuil 90 %
CONFORME0,03 %Seuil < 0,1 %
CONFORMEMOYENNE 96,1 %Allocation bloquée3 portes échouent
CSVTélécharger le registre de contrôle MMM↓EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Scénario pédagogique : une qualité moyenne de 96,1 % reste un no-go
Dans ce registre pédagogique fictif, le jeu couvre 104 semaines. Complétude : 99,8 %. Rapprochement des dépenses : 98,7 %. Stabilité de taxonomie : 94 %. Fraîcheur : 92 %. Sept ruptures de série ne sont pas documentées.
La moyenne simple des quatre pourcentages atteint 96,1 %, mais trois portes échouent : réconciliation exigée à 99 %, taxonomie à 97 % et au maximum deux ruptures non résolues. L’écart financier illustratif représente 52 k€.
Le modèle exploratoire peut servir à préparer les données, mais l’allocation est bloquée. La décision attend la réconciliation des 52 k€, la documentation des ruptures et une taxonomie supérieure à 97 %.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Chaque contrôle possède une formule, un seuil, un propriétaire et une action.
- 02
Les portes bloquantes ne sont pas compensées par une moyenne.
- 03
Les corrections conservent la valeur initiale et leur justification.
- 04
Les usages autorisés sont explicitement reliés aux défauts résiduels.
Limites
Ce que cette analyse ne prouve pas.
- Des données techniquement propres peuvent rester causalement insuffisantes.
- Les seuils doivent varier avec l’exposition de la décision.
- Une automatisation détecte mal les changements de sens métier non déclarés.
Références
Travaux mobilisés.
- Wang, R. Y. & Strong, D. M. (1996), « Beyond Accuracy: What Data Quality Means to Data Consumers », Journal of Management Information Systems, 12(4), 5–33.
- Batini, C. & Scannapieco, M. (2016), Data and Information Quality.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.