Le guide du Data Quality Management
pour les entreprises data-driven
Nicolas Boisnic - Product Manager - Zeenea
"J'ai rédigé cet ebook comme un guide pour répondre à toutes vos questions sur la discipline du Data Quality Management (DQM). Bonne lecture."
🔸 Qu'est-ce que la Data Quality ?
🔸 Quels sont les enjeux du DQM ?
🔸 Quelles sont les fonctionnalités des outils de DQM du marché ?
🔸 Comment un data catalog peut-il contribuer au DQM ?
Overview
Data Quality usually refers to a company’s ability to ensure the longevity of its data. At Zeenea (a data catalog provider), we believe Data Quality is ensured through the 9 following dimensions - all essential to extract value to your company:
🔸 Completeness
🔸 Accuracy
🔸 Validity
🔸 Uniqueness
🔸 Consistency
🔸 Timeliness
🔸 Traceability
🔸 Clarity
🔸 Availability
We will detail these dimensions with the help of a simple example in part one. We will then elaborate on how Data Quality management is an important challenge for organizations seeking to extract maximum value from their data.
We will also draw parallels between these different Data Quality dimensions and the different risk management phases to overcome - identification, analysis, evaluation, and processing. This will enable you to hone your risk management reflexes by tying in Data Quality improvement processing to a company objective (and evaluating the ROI on each quality dimension).
Once we have established the main features of an enterprise Data Quality management tool, we will detail how a Data Catalog - though not a Data Quality tool - can contribute towards Data Quality improvement (through the clarity, availability, and traceability dimensions mentioned above).
Présentation
La qualité des données fait généralement référence à la capacité d’une entreprise à maintenir la pérennité de ses données à travers le temps. Chez Zeenea, et en tant que fournisseur de data catalog, nous pensons que la qualité de la donnée se traduit à travers neuf dimensions - toutes essentielles pour extraire la valeur des données de votre entreprise :
🔸 La complétude
🔸 La précision
🔸 La conformité
🔸 L'unicité
🔸 La cohérence
🔸 La fraîcheur
🔸 La traçabilité
🔸 La clarté
🔸 La disponibilité
Nous expliquerons dans le détail ces dimensions en nous appuyant sur un exemple très simple dans la première partie. Dans un second temps, nous verrons en quoi la gestion de la qualité des données, ou Data Quality Management, est devenue un enjeu important pour les entreprises qui cherchent à extraire le maximum de valeur de leur patrimoine data.
Nous ferons ensuite le parallèle entre les différentes dimensions de la Data Quality et les différentes phases de gestion des risques – à savoir leur identification, leur analyse, leur évaluation et leur traitement. Vous pourrez ainsi acquérir des automatismes de Risk Manager, en associant les traitements d’amélioration de la qualité de la donnée à un objectif de votre entreprise, tout en évaluant le retour sur investissement sur chacune des dimensions de la qualité.
Après avoir donné un aperçu des principales fonctionnalités d’un outil de Data Quality Management, nous clôturerons cet ebook en nous au data catalog. S’il ne doit pas être considéré comme un outil de qualité à part entière, le catalogue de données peut y contribuer fortement, notamment via les dimensions de clarté, de disponibilité et de traçabilité.