Crédit photo : Bastian Riccardi
Un cadre étape par étape pour les entreprises musicales de toutes tailles – car une infrastructure de données solide n’est pas une option, c’est la base de la croissance.
L’article suivant, rédigé par Equalizer Consulting, partenaire de DMN, propose un cadre étape par étape permettant aux entreprises de musique de développer une stratégie de métadonnées délibérée et documentée.
L’objectif de la stratégie est de régir la manière dont les données sont créées, validées, stockées et conservées, garantissant que les actifs musicaux sont protégés et reçoivent une compensation appropriée. Si vous souhaitez mettre à jour, remodeler ou réviser la pile de métadonnées de votre entreprise, c’est une lecture incontournable.
À propos de Natalie d’Equalizer Consulting
Depuis plus de 20 ans, Natalie Jacobs œuvre là où convergent la musique, les données et la technologie. Ayant supervisé un portefeuille de 17 millions de dollars de projets de technologie musicale et de données, elle a pu constater par elle-même avec quelle facilité les revenus disparaissent dans les « boîtes noires » d’infrastructures médiocres.
Elle a fondé Equalizer Consulting pour résoudre ce problème ; combler le fossé entre la vision créative et la précision opérationnelle, en construisant des systèmes de métadonnées et des stratégies de droits qui garantissent que les actifs musicaux sont protégés et reçoivent la compensation qui leur est due.
Dans cet article
I.Introduction
II. L’audit des données
III. Définissez (et documentez) vos normes
IV. Intégrer la validation dans le flux de travail
V. Attribuer la propriété entre les équipes
VI. Planifier la maintenance continue
Introduction
Les sociétés de musique ne cherchent pas à avoir un problème de données. C’est quelque chose qui s’accumule avec le temps. Un catalogue se développe plus rapidement que l’infrastructure qui le prend en charge. Les équipes se développent sans discussion ni documentation sur les normes partagées. Les systèmes sont ajoutés sans intégration ou planification de migration appropriée. Ce qui a commencé modestement se transforme en un énorme arriéré de métadonnées incohérentes sans une voie à suivre claire.
J’ai observé cette tendance dans des entreprises de différentes tailles – depuis les labels indépendants jusqu’aux catalogues à gros volume comportant des centaines de milliers d’actifs. Comme discuté dans mon article précédentessayer de nettoyer le désordre existant sans s’attaquer aux processus sous-jacents qui l’ont créé transforme le nettoyage en un tapis roulant. Les nouvelles données incorrectes entrent dans le système aussi vite (sinon plus rapidement) que les mauvaises données sont corrigées.
C’est là qu’intervient le développement d’une stratégie de métadonnées : un cadre délibéré et documenté qui régit la manière dont les données sont créées, validées, stockées et conservées dans l’ensemble de l’organisation. Examinons les étapes pour construire cela dans la pratique.
L’audit des données
Avant de pouvoir définir où vous allez, vous devez comprendre où vous vous trouvez. Un audit ne doit pas nécessairement être négatif : en examinant votre catalogue et votre infrastructure de données existants, vous pouvez identifier les lacunes et les incohérences les plus critiques. Quels champs sont incomplets ? Où le formatage est-il souvent incohérent ? Où les taux de correspondance sont-ils inférieurs aux seuils acceptables ? Quelles sources de données sont la principale cause d’une entrée de mauvaise qualité ?
Un audit cartographiera également vos flux de données : d’où proviennent les données, comment elles se déplacent entre les systèmes et les équipes, et où elles ont tendance à se dégrader. Il est essentiel d’examiner les intrants et les extrants, tant en amont qu’en aval. La source d’un problème de données n’est probablement pas là où il devient visible pour la première fois. Il est donc essentiel d’identifier le premier point d’entrée pour l’atténuer.
Par exemple : une équipe chargée des redevances effectue un audit de son catalogue en raison d’un écart qui persiste dans ses rapports trimestriels. Ils identifient un ensemble de données migré dont le format de date de publication est incorrect. En mettant en œuvre un changement de processus pour vérifier et normaliser la date de sortie lors de l’ingestion du catalogue, la boucle a été bouclée à l’avenir.
Définissez (et documentez) vos normes
L’absence de normes internes documentées est un problème de métadonnées courant, mais réparable. Les équipes d’une entreprise ont tendance à visualiser et à formater les données en fonction de leur travail particulier : conventions pour les noms légaux et de performance, dans quels champs les informations de version sont hébergées, quels formats de date sont capturés. La prochaine équipe qui recevra les données les examinera peut-être sous un angle différent et pourrait chercher à appliquer des règles alternatives en fonction de sa propre utilisation. Lorsqu’elle n’est pas écrite, il n’existe pas de référence cohérente à laquelle se référer ou à appliquer.
Un dictionnaire de données est un élément fondamental de la stratégie de métadonnées : un document qui définit les champs de données, la manière dont ils sont utilisés, les valeurs acceptables, les règles de formatage et le but de cet élément de données. Il convient de souligner qu’il s’agit d’un document évolutif qui nécessite une maintenance à mesure que votre entreprise et le secteur évoluent.
Par exemple : les équipes A&R/marketing d’un label utilisent des noms de scène tandis que les équipes juridiques utilisent des noms légaux. Les deux équipes ont raison dans leur contexte, mais la création de lignes directrices autour de la capture de nom permet une liaison transparente et autonome, garantissant que toutes les équipes font clairement référence au même accord, à la même stratégie de publication et aux mêmes bénéficiaires de redevances. Un dictionnaire de données spécifie les formats de nom pour chaque champ afin de supprimer toute ambiguïté avant qu’elle ne s’aggrave.
Intégrer la validation dans le flux de travail
Maintenant que vous avez défini les normes auxquelles tout le monde devra adhérer, elles doivent être appliquées au point d’entrée. Il est plus efficace d’intégrer la validation dans les flux de travail où les métadonnées sont créées – non pas après coup mais comme une étape obligatoire. Cela peut impliquer une évaluation des champs obligatoires et des valeurs déroulantes, des cases à cocher complétées ou une automatisation qui signale les anomalies de données avant qu’elles ne soient introduites dans le système.
L’objectif est de faciliter la saisie de données correctes et de rendre plus difficile la saisie de données incorrectes – en s’éloignant du cycle des entrées et sorties indésirables. De plus, lorsque les équipes comprennent mieux les données dont elles sont responsables, cela leur permet de prévenir en toute confiance et de manière proactive une mauvaise hygiène des données avant qu’elle ne devienne un problème qui nécessitera des mesures correctives coûteuses.
Par exemple : la validation ISRC obligatoire peut empêcher la saisie d’actifs sans identifiant, atténuant ainsi les problèmes de correspondance en aval avant qu’ils ne surviennent. Les soumissions de données incomplètes ou inexactes sont signalées et corrigées à la source, avant d’entrer dans le pipeline.
Attribuer la propriété entre les équipes
La gouvernance des données échoue lorsqu’elle est traitée comme le problème de quelqu’un d’autre. Chaque équipe qui touche aux données doit avoir des responsabilités clairement définies en ce qui concerne ce qu’elle crée, ce qu’elle valide, ce qu’elle transmet lorsqu’elle découvre un problème et à qui.
Cela ne nécessite pas nécessairement une équipe dédiée aux données, mais la clarté est nécessaire. Qui enregistre les ISRC ? Qui confirme la séparation des auteurs-compositeurs pour un nouvel album ? Et qui est responsable de la saisie des termes des contrats dans un système de redevances ? Lorsque chacun comprend clairement son rôle et une meilleure compréhension des données dont il est responsable, cela apporte à la fois responsabilité et efficacité.
Par exemple : une équipe d’administration A&R reçoit une copie d’étiquette d’un manager artistique, qui semble avoir un crédit de producteur incompatible. Bien que les données ne proviennent pas de l’entreprise, l’administrateur A&R est le propriétaire de ces données et doit clarifier avec l’équipe de direction avant de finaliser la saisie dans le système d’étiquetage.
Planifier la maintenance continue
Une stratégie de métadonnées n’a pas de date de fin. Les catalogues s’agrandissent, les offres changent, les normes évoluent et de nouveaux systèmes sont mis en place. Sans maintenance continue, la stratégie commencera à se détériorer.
Cela signifie planifier des audits et des contrôles de conformité continus, établir un processus de corrections et d’escalades et créer des boucles de rétroaction afin que les utilisateurs de données en aval puissent signaler les problèmes à la source, tandis que les utilisateurs de données en amont ont une meilleure compréhension des flux de données changeants qui peuvent affecter les données qu’ils traitent. Le maintien de la qualité des données est un investissement continu – nécessitant l’adhésion comme élément essentiel de l’entreprise plutôt que facultatif.
Construire une stratégie de métadonnées à partir de zéro peut sembler une tâche ardue, surtout s’il existe déjà un arriéré de données croissant qui nécessite une gestion. De manière très pratique, commencez par ce que vous pouvez contrôler, tirez parti des normes industrielles déjà en place, trouvez des gains rapides de grande valeur et construisez progressivement vers un cadre plus complet.
La clé est de commencer. Il n’est pas nécessaire d’avoir toutes les réponses pour faire le premier pas – et le coût de l’attente ne fera qu’augmenter.
Leave a Reply