Comment nettoyer une base de données ERP industrielle avant une migration SAP ?

La date limite approche. SAP a confirmé la fin du support standard d’ECC 6.0 pour fin 2027, avec une extension payante jusqu’en 2030. Pourtant, selon l’étude SAPinsider 2025, seuls 28 à 33 % des clients SAP ECC ont achevé leur migration vers SAP S/4HANA. Pour la majorité des industriels, la transformation reste donc à mener, alors même que les exigences de performance, de traçabilité et d’exploitation des données continuent de croître.

Ces chiffres traduisent une réalité que les DSI et Directeurs Manufacturing connaissent bien : migrer sans nettoyer ses données, c’est déplacer le problème. Les doublons de Part Numbers, les BOMs figées sur des révisions obsolètes, les fournisseurs en double avec des adresses contradictoires, tous ces éléments migrent avec vous si vous ne les traitez pas en amont.

Le nettoyage d’une base de données ERP généraliste et celui d’un ERP industriel sont deux exercices fondamentalement différents. L’industrie manufacturière cumule des couches de complexité que les équipes IT classiques sous-estiment systématiquement.

À cela s’ajoute la dimension multi-systèmes propre à l’industrie : un ERP industriel dialogue avec des PLM (Teamcenter, Windchill, Enovia), des outils CAD/CAO, des MES et parfois des systèmes AS/400 hérités qui contiennent une logique métier enfouie dans des décennies de code. Nettoyer les données ERP sans cartographier ces dépendances revient à repeindre une façade sans inspecter les fondations.

Une opération de data cleansing ERP industriel efficace ne s’improvise pas. Elle suit un enchaînement logique allant du diagnostic à la validation, chaque phase conditionnant la suivante. Voici la structure que nous appliquons chez Kleria dans le cadre de notre méthode Zero-Backlog Engine™.

Avant toute intervention, cartographier l’état réel de la base : volumes par entité (articles, fournisseurs, BOMs, stocks, gammes, plans techniques, documents qualité), taux de complétude par champ, détection des doublons, identification des champs obligatoires vides. Cette phase produit un rapport de maturité données — le référentiel objectif de l’état de départ.

Toutes les données ne méritent pas d’être migrées. Cette étape définit ce qui doit être repris, archivé ou supprimé, avec les règles de validation métier associées. Sans règles formalisées et validées par les métiers, chaque consultant ou opérateur interprète différemment, et les incohérences s’accumulent.

La déduplication des Part Numbers est souvent la phase la plus chronophage dans un contexte industriel. Elle implique la comparaison sur les descriptions, la réconciliation des codifications entre sites, et la consolidation des variantes. Pour 50 000 articles, on estime en moyenne 15 à 30 % de doublons ou de données inexploitables dans les bases héritées, souvent issus de fusions, d’acquisitions ou de saisies manuelles répétées.

📋 Exemple — Même pièce, 4 références différentes
Dans une base ERP multi-sites après fusion, le même moteur électrique 125W existe sous quatre formes :

Pour l’ERP, il s’agissait de quatre composants distincts avec des stocks séparés. Résultat : 3 références supprimées, stock réunifié, 1 fiche article maître enrichie avec tous les attributs techniques consolidés.

Les nomenclatures sont le cœur opérationnel d’un ERP industriel. Cette phase traite les révisions obsolètes, les composants fantômes (référencés dans la BOM mais sans stock ni fournisseur actif), les liens cassés vers les plans CAD et les incohérences entre BOMs de production et BOMs d’ingénierie. Chaque BOM mal nettoyée est un risque de non-conformité et d’arrêt de ligne post-migration.

Normaliser les données fournisseurs, clients et sites selon le modèle de données cible SAP S/4HANA. Cette étape inclut aussi l’enrichissement des données manquantes et la mise en conformité réglementaire, particulièrement critique avec la double échéance 2026-2027 : généralisation de la facture électronique et fin du support SAP ECC.

📋 Exemple : Standardisation des unités de mesure
Dans une base multisite issue de 3 ERP fusionnés, la même unité de mesure « millimètre » apparaît sous 6 formes différentes :

Même logique appliquée à : familles produits, devises, Incoterms, formats d’adresses fournisseurs, TVA intracommunautaire. Résultat : zéro erreur de conversion lors de la migration SAP.

La validation ne se limite pas à un contrôle de surface. Elle comprend plusieurs cycles de tests de migration sur données réelles (pas des données de recette fictives), des rapprochements quantitatifs et qualitatifs entre système source et cible, et une certification de qualité par domaine. Seules les données ayant passé l’ensemble des règles de validation sont chargées en production.

Les projets d’intelligence artificielle dans l’industrie : maintenance prédictive, optimisation de planning, détection de non-conformités ou assistants technique, reposent tous sur un prérequis fondamental : des données fiables, cohérentes et gouvernées. Deloitte souligne que 70 % des entreprises expérimentent déjà l’IA générative, mais que moins d’un quart se considèrent prêtes à la déployer à grande échelle. La qualité et la gouvernance des données figurent parmi les principaux obstacles à cette industrialisation.

Ce n’est pas une question de technologie. Les modèles d’IA les plus sophistiqués échouent sur des données ERP dégradées. Une IA de maintenance prédictive entraînée sur des gammes de fabrication incomplètes produira des recommandations incorrectes. Un modèle de réapprovisionnement nourri de données de stock incohérentes génèrera des erreurs de commande coûteuses.

La migration SAP S/4HANA est donc une opportunité stratégique double : non seulement elle modernise votre système de gestion, mais elle crée, si elle est bien préparée, un socle de données propres sur lequel vos initiatives IA, BI et Industrie 4.0 pourront s’appuyer immédiatement. Rater cette fenêtre, c’est reporter de plusieurs années la capacité de votre organisation à exploiter la valeur de ses données industrielles.

Développée par les équipes VAGANET Group à partir de missions en environnements SAP, Teamcenter, Windchill et Opcenter, la méthode Zero-Backlog Engine™ structure le nettoyage de données ERP en phases tracées et mesurables. Elle part d’un constat simple : dans l’industrie, le backlog de données dégradées s’accumule silencieusement pendant des années — jusqu’au jour où une migration force à tout traiter d’un coup, dans l’urgence.

Notre approche anticipe cette réalité avec un séquençage rigoureux, des indicateurs de qualité par domaine, et un mode opératoire adapté aux contraintes terrain des équipes méthodes et IT industrielles.

Les outils ne font pas la méthode, mais ils l’accélèrent. Voici les catégories d’outils utilisés dans un projet de data cleansing ERP industriel, selon le contexte et le volume de données.