Dimensions de la qualité des données pour les enregistrements abonnés et réseau

Un même abonné peut exister onze fois dans les systèmes d'un opérateur télécom : une fois dans le CRMCRMCustomer Relationship Management : logiciel et stratégie pour gérer et analyser les interactions clients tout au long de leur cycle de vie.Voir la définition complète → (customer relationship management), deux fois dans la facturation sous des orthographes légèrement différentes, trois fois dans le HLR (Home Location Register, la base qui suit le réseau sur lequel un abonné mobile est enregistré), et davantage encore dans des plateformes prépayées legacy que personne n'a totalement décommissionnées. Multipliez par des dizaines de millions d'abonnés et le désordre devient un problème de gouvernance avec de vraies conséquences financières et réglementaires, des factures mal routées aux demandes d'interception légale qui échouent.

Cette leçon vous donne un framework opérationnel pour noter les données télécom selon cinq dimensions, avec les types d'enregistrements précis où chaque mode de défaillance apparaît.

Pourquoi les données télécom se dégradent de façon particulière

Les opérateurs télécom fonctionnent sur une toile de systèmes interdépendants plus dense que dans la plupart des secteurs : OSS (Operations Support Systems, gestion de l'infrastructure réseau), BSS (Business Support Systems, gestion des clients et de la facturation), et bases de données d'éléments réseau qui se mettent à jour quasiment en temps réel.

Les jeux de données que vous rencontrerez :

• HLR/HSS : HLR pour la 2G/3G, HSS (Home Subscriber Server) pour la 4G/LTE, stockant l'identité de l'abonné, sa localisation et ses autorisations de service.
• Enregistrements CRM : nom, adresse, préférences de contact, statut du compte.
• Systèmes de facturation/CDR : les CDR (Call Detail Records) enregistrent chaque appel, SMS et session de données pour la tarification et la facturation.
• MSISDN : le Mobile Station International Subscriber Directory Number, en pratique le numéro de téléphone, est la clé de jointure de presque tous ces systèmes, ce qui explique précisément pourquoi des MSISDN dupliqués ou réattribués provoquent des erreurs en cascade.
• Inventaire réseau/registres d'actifs : localisation des sites cellulaires, identifiants d'équipement, attributions de spectre.

Comme ces systèmes ont été construits à différentes décennies par différents fournisseurs, ils partagent rarement une source de vérité unique. C'est la cause racine de la plupart des défaillances de qualité décrites ci-dessous.

Les cinq dimensions, appliquées

Complétude

Les champs obligatoires sont-ils renseignés ? Un enregistrement CRM sans adresse de facturation n'empêchera pas un appel d'aboutir, mais il bloquera une obligation réglementaire comme les demandes de portabilité du numéro ou les recherches d'adresse pour les services d'urgence (aux États-Unis, cela correspond aux exigences de localisation E911 de la FCC).

Vérification rapide : pourcentage d'enregistrements abonnés dont tous les champs obligatoires sont renseignés.

$$\text{Taux de complétude} = \frac{\text{enregistrements avec tous les champs obligatoires remplis}}{\text{total des enregistrements}} \times 100$$

Exemple : si 4,7 millions d'enregistrements postpayés sur 5 millions ont des champs d'adresse complets, la complétude est de 94 pour cent. La pratique du secteur considère généralement que tout ce qui est en dessous d'environ 95 pour cent sur les champs liés à la réglementation exige une remédiation, même si les seuils varient selon l'opérateur et l'usage.

Exactitude

La valeur est-elle correcte, et pas seulement présente ? Un champ adresse renseigné avec « 123 Main St » alors que l'abonné a déménagé il y a deux ans est complet mais faux. Les défauts d'exactitude sont les plus difficiles à détecter automatiquement parce que le champ paraît structurellement correct.

Défaillance d'exactitude classique en télécom : le mauvais rating des CDR, quand un appel est enregistré sur le mauvais plan tarifaire à cause d'un flag de plan tarifaire obsolète dans la facturation. Cela provoque directement du revenue leakage, terme désignant le revenu qu'un opérateur génère mais ne facture pas correctement. Le TM Forum, principal organisme de standardisation du secteur pour l'OSS/BSS, publie des frameworks de revenue assurance précisément parce que ce problème est endémique.

Fraîcheur

Les données télécom ont une durée de vie qui se mesure en secondes pour l'état du réseau et en jours pour l'état de facturation. Une entrée HLR indiquant qu'un abonné est enregistré sur une antenne qu'il a quittée il y a vingt minutes provoque des routages d'appel défaillants et des échecs de livraison de SMS.

La fraîcheur se mesure généralement en latence des données : l'écart entre le moment où un événement se produit et celui où il est reflété dans le système de référence.

• État du réseau (localisation, session active) : nécessite une latence inférieure à la seconde ou de quelques secondes.
• Données de facturation/usage : traitées en batch le plus souvent, généralement sous 24 à 48 heures, parfois en quasi temps réel pour les contrôles de solde prépayé.
• Mises à jour de profil CRM (changement d'adresse) : quelques jours sont généralement tolérables, pas quelques mois.

Une entrée HSS périmée qui affiche encore un abonné comme actif sur une tranche de réseau décommissionnée est une défaillance de fraîcheur avec un impact direct sur l'expérience clientexpérience clientLa perception globale qu'un client se construit de votre marque à travers chaque interaction, du premier contact au support après-vente.Voir la définition complète →.

Cohérence

Les mêmes faits concordent-ils d'un système à l'autre ? C'est le point de douleur classique en télécom : l'adresse d'un abonné indique « Apt 4B » dans le CRM, « Apartment 4-B » dans la facturation, et le champ est vide dans le système de détection de fraude. Aucune de ces valeurs n'est techniquement fausse, mais elles ne peuvent pas être jointes ou comparées de façon fiable.

Les problèmes de cohérence s'aggravent lors des intégrations post-fusion. Quand un opérateur en acquiert un autre (par exemple l'acquisition de Sprint par T-Mobile aux États-Unis, finalisée en 2020), réconcilier deux stacks BSS/OSS complètes, chacune avec ses conventions de formatage MSISDN, ses schémas d'adresse et ses structures de CDR, est un projet de gouvernance des données de plusieurs années, pas une migration de week-end.

Un contrôle de cohérence simple en pratique :

SELECT crm.msisdn, crm.address, billing.address
FROM crm
JOIN billing ON crm.msisdn = billing.msisdn
WHERE crm.address <> billing.address;

Chaque ligne retournée est une exception de cohérence qui exige une logique de réconciliation (fuzzy matching, bibliothèques d'adresses normalisées, ou revue manuelle).

Unicité

Chaque entité du monde réel est-elle représentée exactement une fois ? Les MSISDN dupliqués sont la défaillance d'unicité canonique en télécom : le même numéro apparaissant sous deux identifiants clients différents, souvent après un SIM swap, un événement de portabilité, ou une migration de système qui n'a pas dédupliqué.

Les doublons faussent presque toutes les métriques en aval : churn ratechurn rateLe churn rate est le pourcentage de clients ou de revenus perdus sur une période. Il mesure la vitesse à laquelle une entreprise perd sa base de clients existante.Voir la définition complète →, ARPU (Average Revenue Per User), et nombre d'abonnés actifs. Si un opérateur déclare 30 millions d'abonnés mais que 900 000 MSISDN sont dupliqués entre systèmes, la base réelle est plutôt de 29,1 millions, soit une surestimation de 3 pour cent qui trompe la planification interne et, si elle est communiquée à l'extérieur, les investisseurs et les régulateurs.

$$\text{Taux de doublons} = \frac{\text{enregistrements MSISDN dupliqués}}{\text{total des enregistrements MSISDN}} \times 100 = \frac{900{,}000}{30{,}000{,}000} = 3\%$$

Métriques de gouvernance et benchmarks

Les opérateurs suivent généralement un Data Quality Score (DQS), composite pondéré sur les cinq dimensions, reporté au niveau du jeu de données (par exemple séparément pour le CRM, la facturation et l'inventaire réseau).

Benchmarks approximatifs cités dans le secteur (à traiter comme des estimations, pas comme des chiffres audités, puisqu'aucun régulateur n'impose universellement leur publication) :

• Les opérateurs des marchés matures (États-Unis, Europe de l'Ouest) visent souvent une complétude et une exactitude supérieures à 95 à 98 pour cent sur les champs critiques d'un point de vue réglementaire (adresse de facturation, données de localisation d'urgence).
• Les taux de MSISDN dupliqués sont généralement attendus sous 1 à 2 pour cent après nettoyage ; au-delà de 5 pour cent, un programme de remédiation dédié est en général déclenché.
• Les SLASLAEngagement formel définissant le niveau de service qu'un fournisseur garantit à un client, avec des objectifs mesurables et des conséquences en cas de manquement.Voir la définition complète → (Service Level Agreements) de latence pour les données d'état réseau (mises à jour HLR/HSS) sont couramment spécifiés en secondes ; ceux de la facturation en heures.

En Europe, l'article 5(1)(d) du RGPDRGPDRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète → (Règlement général sur la protection des données) exige explicitement que les données personnelles soient « exactes et, si nécessaire, tenues à jour », ce qui fait de la qualité des données un sujet de conformité juridique directe, et pas un simple confort opérationnel. Aux États-Unis, les règles CPNI (Customer Proprietary Network Information) de la FCC imposent de la même façon aux opérateurs de maintenir des protections exactes autour des données abonnés, ce qui renforce indirectement la discipline de qualité.

🎬 [VIDEO: « What is Data QualityData QualityLe degré d'aptitude des données à l'usage prévu : exactes, complètes, cohérentes, à jour, valides et uniques. Une data quality faible fragilise l'analytics, le reporting et l'IA.Voir la définition complète →? (And Why It Matters) » - youtube.com - cherchez TM Forum ou les chaînes explicatives IBM Data Quality pour un parcours concis des dimensions fondamentales appliquées aux données d'entreprise]

Appliquer le framework

Un workflow d'audit pratique :

1. Choisir le jeu de données (CRM, facturation, extraction HLR/HSS).
2. Noter chacune des cinq dimensions avec une métrique simple en pourcentage.
3. Pondérer par criticité business (l'exactitude de la facturation compte plus qu'un flag d'opt-in marketing).
4. Fixer des seuils de remédiation et des responsables (équipes de gouvernance des données, souvent rattachées à un rôle de Chief Data Officer, de plus en plus répandu chez les grands opérateurs comme Vodafone et AT&T).

Points clés

• Notez les jeux de données télécom selon cinq dimensions : complétude, exactitude, fraîcheur, cohérence, unicité. Chacune a une cause racine et un correctif distincts.
• La duplication de MSISDN et les écarts d'adresse entre CRM et facturation sont les deux défaillances les plus fréquentes sur le terrain ; les deux faussent le nombre d'abonnés et l'exactitude de la facturation.
• Les exigences de fraîcheur varient fortement selon le système : secondes pour l'état réseau HLR/HSS, heures à jours pour la facturation et le CRM.
• Le RGPD (UE) et les règles CPNI (États-Unis) font de l'exactitude des données une exigence de conformité, pas une simple préférence opérationnelle.
• Des métriques simples en pourcentage (taux de complétude, taux de doublons) suffisent pour lancer un programme de gouvernance ; la sophistication vient ensuite.