La qualité des données mesure leur adéquation à l'usage prévu. Elles doivent être exactes, complètes, cohérentes, à jour et valides. Les données erronées peuvent prendre de nombreuses formes : une valeur manquante, un enregistrement dupliqué, une date au format incorrect ou une adresse inexistante. Chaque défaut a un coût. Une campagne marketing envoie du courrier à des adresses invalides. Un rapport financier surestime le chiffre d'affaires à cause des doublons. Un modèle d'apprentissage automatique effectue des prédictions biaisées car les données d'entraînement sont incomplètes.

La qualité des données n'est pas une solution ponctuelle, mais un processus continu. Définissez des critères de qualité pour chaque ensemble de données, mesurez-les régulièrement et fixez des seuils de qualité acceptable. Analysez les baisses de qualité. Les causes profondes sont généralement des problèmes de processus, et non des problèmes technologiques. La saisie de données sans validation génère des erreurs. Les systèmes qui ne partagent pas d'identifiant client commun créent des doublons. Les processus qui tolèrent des enregistrements incomplets créent des lacunes. Corriger le processus permet d'éviter les erreurs. Corriger les données sans corriger le processus signifie que les erreurs réapparaîtront. Les outils de qualité des données facilitent le profilage, le nettoyage et la surveillance, mais ne dispensent pas de la responsabilité. Une personne doit être responsable de chaque ensemble de données. Sans cette responsabilité, la qualité se dégrade. Elle se dégrade toujours.

dimensions de la qualité des données

• Exactitude — les données reflètent la réalité
• Exhaustivité — aucune valeur manquante
• Cohérence — mêmes données dans tous les systèmes
• Actualité — les données sont à jour
• Validité — les données sont conformes aux règles
• Unicité — pas de doublons

La qualité des données est l'affaire de tous. Quand elle n'est l'affaire de personne, elle échoue.