Qualité des données
La qualité des données est une fonction de gestion de l’analytique à l’échelle du cloud. Elle réside dans la zone d’atterrissage de gestion des données et fait partie intégrante de la gouvernance.
Considérations relatives à la qualité des données
La qualité des données est la responsabilité de chaque personne qui crée et consomme des produits de données. Les créateurs doivent respecter les règles globales et les règles du domaine, tandis que les consommateurs doivent signaler toute incohérence dans les données au domaine de données propriétaire au moyen d’une boucle de commentaires.
Étant donné que la qualité des données concerne toutes les données fournies au conseil, le processus commence en principe en haut de l’organisation. Le conseil doit recevoir des insights sur la qualité des données qui leur sont communiquées.
Même en faisant preuve de proactivité, toutefois, vous devez disposer d’experts en qualité des données capables de nettoyer les compartiments de données à corriger. Évitez d’envoyer ce travail à une équipe centrale : ciblez plutôt le domaine de données, qui possède des connaissances spécifiques sur les données, pour les nettoyer.
Métriques de qualité des données
Les métriques de qualité des données sont essentielles à l’évaluation et à l’augmentation de la qualité des produits de données. Au niveau global et au niveau du domaine, vous devez décider de vos métriques de qualité. Nous vous recommandons au minimum les métriques suivantes.
| Mesures | Définition des métriques |
|---|---|
| Exhaustivité = % total des valeurs non Null + non vides | Mesure la disponibilité des données, les champs non vides du jeu de données et les valeurs par défaut qui ont été modifiées. Par exemple, si un enregistrement comprend la date de naissance 01/01/1900, il est très probable que le champ n’a jamais été rempli. |
| Unicité = % des valeurs non dupliquées | Mesure les valeurs distinctes dans une colonne donnée par rapport au nombre de lignes de la table. Par exemple, compte tenu de quatre valeurs de couleur distinctes (rouge, bleu, jaune et vert) dans une table comportant cinq lignes, ce champ est unique à 80 % (ou 4/5). |
| Cohérence = % des données comportant des modèles | Mesure, dans une colonne donnée, la conformité au type ou au format de données attendu, par exemple un champ d’adresse e-mail contenant des adresses e-mail mises en forme ou un champ de nom comportant des valeurs numériques. |
| Validité = % de correspondance à la référence | Mesure la réussite de la correspondance des données à leur ensemble de références du domaine. Par exemple, étant donné un champ de pays/région (conforme aux valeurs de taxonomie) dans un système d’enregistrements transactionnels, la valeur « US of A » n’est pas valide. |
| Précision = % des valeurs non modifiées | Mesure la réussite de la reproduction des valeurs prévues sur plusieurs systèmes. Par exemple, si une facture apparaître une référence SKU et un prix étendu qui diffère de la commande d’origine, l’article indiqué est incorrect. |
| Liaison = % des données bien intégrées | Mesure la réussite de l’association avec les informations de référence correspondantes dans un autre système. Par exemple, si une facture fait apparaître une référence SKU ou une description de produit incorrecte, l’article indiqué ne peut pas être lié. |
Profilage des données
Le profilage des données consiste à examiner les produits de données inscrits dans le catalogue de données et à collecter des statistiques et des informations sur ces données. Pour fournir des vues récapitulatives et des tendances sur la qualité des données au fil du temps, stockez ces données dans votre référentiel de métadonnées sur le produit de données.
Les profils de données aident les utilisateurs à répondre à des questions sur les produits de données :
- Ces données peuvent-elles m’aider à résoudre mon problème métier ?
- Les données sont-elles conformes à des normes ou modèles spécifiques ?
- La source de données comporte-t-elle des anomalies et, si oui, lesquelles ?
- Quelles sont les difficultés que je risque de rencontrer en intégrant ces données dans mon application ?
Les utilisateurs peuvent voir le profil de produit de données à l’aide d’un tableau de bord de création de rapports situé sur leur place de marché des données.
Vous pouvez créer un rapport sur différents éléments :
- Exhaustivité : indique le pourcentage de données qui ne sont pas vides ni Null.
- Unicité : indique le pourcentage de données qui ne sont pas dupliquées.
- Cohérence : indique les données dont l’intégrité est conservée.
Recommandations relatives à la qualité des données
Pour implémenter le processus de qualité des données, vous devez exploiter la puissance humaine et informatique comme suit :
Utilisez des solutions qui comprennent des algorithmes, des règles, un profilage des données et des métriques.
Faites appel à des experts du domaine qui peuvent intervenir si nécessaire pour effectuer l’apprentissage d’un algorithme en raison d’un grand nombre d’erreurs passant par la couche de calcul.
Effectuez une validation dès le début. Les solutions traditionnelles extraient, transforment et chargent les données avant d’appliquer le moindre processus de qualité de données. À ce stade, le produit de données est déjà consommé, et des erreurs apparaissent dans les produits de données en aval. Implémentez plutôt, au fur et à mesure que les données sont ingérées à partir de la source, des contrôles de qualité des données près des sources, et ce, avant que les consommateurs situés en aval n’utilisent les produits de données. En cas d’ingestion par lots à partir du lac de données, effectuez ces vérifications lors du passage des données de l’état brut à l’état enrichi.
Avant que les données ne soient déplacées vers la couche enrichie, leur schéma et leurs colonnes sont vérifiés par rapport aux métadonnées inscrites dans le catalogue de données.
Si les données contiennent des erreurs, le chargement s’arrête. L’équipe chargée de l’application de données est avertie de l’échec.
Si les vérifications de schéma et de colonne sont réussies, les données sont chargées dans les couches enrichies avec des types de données conformes.
Avant le passage à la couche enrichie, un processus de qualité des données vérifie la conformité par rapport aux algorithmes et aux règles.
Conseil
Définissez des règles de qualité des données au niveau global et au niveau du domaine. Cela permet à l’entreprise de fixer ses normes pour chaque produit de données créé et aux domaines de données de créer des règles supplémentaires liées à leur domaine.
Solutions de qualité des données
Depuis février 2022, Microsoft dépend de partenaires, de solutions open source et de solutions personnalisées pour fournir une solution de qualité des données. Nous vous encourageons à évaluer des partenaires comme Informatica, Talend, CluedIn et Ataccama ONE.
Du côté des solutions open source, des entreprises ont implémenté l’outil Great Expectations dans leurs pipelines de données.
Résumé de la qualité des données
Une mauvaise qualité des données peut avoir de graves conséquences pour une entreprise. Elle risque de conduire des unités commerciales à interpréter des produits de données de différentes façons. Cette mauvaise interprétation peut coûter cher à l’entreprise, qui fonde ses décisions sur des produits de données de qualité médiocre. La correction de produits de données pour lesquels il manque des attributs est une tâche potentiellement coûteuse, susceptible d’impliquer des rechargements complets de données de plusieurs périodes.
Validez la qualité des données dès le début et mettez en place des processus pour traiter de manière proactive les problèmes associés. Par exemple, un produit de données ne peut pas être mis en production tant qu’il n’a pas atteint un certain niveau d’exhaustivité.
Vous pouvez utiliser les outils librement. Assurez-vous toutefois qu’ils comprennent les attentes (règles), les métriques de données, le profilage et la possibilité de sécuriser les attentes pour pouvoir implémenter les exigences globales et les exigences propres à chaque domaine.