Data Quality
La Data Quality mesure l’aptitude d’une donnée à servir un usage. Elle s’évalue notamment par sa complétude, son exactitude, sa cohérence, sa fraîcheur, son unicité et sa validité.
Comment cela fonctionne
La qualité commence par des usages et des données critiques. Chaque règle traduit une attente vérifiable, par exemple un identifiant obligatoire, une date cohérente ou un délai de mise à jour maximal. Les contrôles produisent des résultats, des alertes et des plans de correction. Les causes doivent être traitées au plus près du processus source afin d’éviter une simple réparation répétée en aval.
Exemple concret
Pour améliorer la contactabilité, une entreprise contrôle le format, l’unicité et la fraîcheur des emails et téléphones. Elle distingue les erreurs techniques des coordonnées réellement invalides et suit les corrections par canal d’acquisition.
Principaux avantages
- Analyses plus fiables
- Moins de retraitements manuels
- Processus métier mieux sécurisés
Points de vigilance
- Qualité dépendante de l’usage
- Coûts de correction
- Seuil parfait rarement réaliste
Questions fréquentes
Une donnée doit-elle être parfaite ?
Non. Le niveau attendu dépend du risque et de l’usage. Une adresse de facturation n’a pas les mêmes exigences qu’un champ d’analyse exploratoire.
Qui corrige les anomalies ?
Le propriétaire du processus source doit participer à la correction. L’équipe Data détecte et mesure, mais ne peut pas toujours résoudre seule la cause métier.
Termes associés
Pour approfondir : Microsoft Purview - Data Quality