1) Identifier les données clés

2) Identifier les règles et modèles existants

1) Identifier et prioriser les problèmes

2) Analyse des causes profondes des problèmes d'exécution

1) Prioriser les actions en fonction de leur impact business

2) Développer des mesures préventives et correctives

3) Confirmer les actions planifiées

1) Élaborer des règles de fonctionnement de la qualité des données

2) Corriger les défauts de qualité des données

3) Mesurer et surveiller la qualité des données

4) Rapporter les niveaux de qualité des données et les résultats

La gestion de la qualité des données doit se concentrer sur les données les plus importantes pour l'entreprise et ses clients, et les améliorations doivent être priorisées en fonction de l'importance des données et du niveau de risque si les données sont incorrectes.

La gestion de la qualité des données doit couvrir l'ensemble du cycle de vie des données, depuis leur création ou leur création jusqu'à leur élimination, y compris la gestion des données lorsqu'elles circulent au sein et entre les systèmes (chaque maillon de la chaîne de données doit garantir que les données produisent des résultats de haute qualité) .

Un programme de qualité des données doit se concentrer sur la prévention des erreurs de données et des situations qui réduisent la disponibilité des données, et non sur la simple correction des enregistrements.

Améliorer la qualité des données ne se limite pas à corriger les erreurs. Étant donné que les problèmes de qualité des données sont souvent liés à la conception des processus ou des systèmes, l'amélioration de la qualité des données nécessite souvent de modifier les processus et les systèmes qui les prennent en charge, et pas seulement de les comprendre et de les résoudre.

Les activités de gouvernance des données doivent soutenir le développement de données de haute qualité, et les activités de planification de la qualité des données doivent soutenir et maintenir un environnement de données gouverné.

Toutes les parties prenantes du cycle de vie des données auront des exigences en matière de qualité des données. Dans la mesure du possible, des exigences quantifiables en matière de qualité des données doivent être définies sous la forme de normes et d’attentes mesurables.

Les niveaux de qualité des données doivent être mesurés de manière objective et cohérente. Les processus et méthodes de mesure doivent être discutés et partagés avec les parties prenantes car ce sont elles qui sont les arbitres de la qualité.

Les propriétaires de processus métier sont responsables de la qualité des données générées par leurs processus et doivent mettre en œuvre des normes de qualité des données dans leurs processus.

Les propriétaires du système doivent appliquer les exigences de qualité des données sur le système.

Les rapports sur la qualité des données et la gestion des problèmes doivent être intégrés dans les accords de niveau de service (SLA).

1. Rapports réglementaires

2. Rapports financiers

3. Politique commerciale

4. Continuité de l'exploitation

5. Stratégie commerciale, notamment stratégie concurrentielle différenciée

Le cadre Strong-Wang se concentre sur les perspectives des consommateurs de données sur les données.

Dans son livre « Data Quality in the Information Age », Thomas Redman a développé un ensemble de dimensions de qualité des données basées sur la structure des données. Redman définit un élément de données comme un « triple représentable » : une collection d'attributs et de valeurs d'entité.

Dans son livre « Improving Data Warehousing and Business Information Quality », Larry English a proposé un ensemble d'indicateurs complets, divisés en deux catégories : les caractéristiques inhérentes et les caractéristiques pratiques. Les fonctionnalités intrinsèques n'ont rien à voir avec l'utilisation des données. Les fonctionnalités pratiques sont dynamiques et liées à l'expression des données. Leur valeur de qualité dépend de l'utilisation des données.

1) Complétude. Volume de données stockées en pourcentage du volume de données potentiel

2) Unicité. Les instances d'entités (choses) ne doivent pas être enregistrées plusieurs fois sur la base d'une reconnaissance d'objet satisfaisante.

3) Rapidité. La mesure dans laquelle les données représentent la réalité à partir du moment demandé.

4) Efficacité. Les données sont valides si elles sont conformes à leur syntaxe définie (format, type, plage).

5) Précision. La mesure dans laquelle les données décrivent avec précision l'objet ou l'événement du « monde réel » décrit.

6) Cohérence. Comparez les différences entre diverses expressions et définitions de choses.

Le cercle de Deming est un modèle de résolution de problèmes connu sous le nom de « planifier-faire-vérifier-agir ».

P : planifier

D : Exécuter

C : Vérifier

A : Action/processus

Confirmer que les définitions de données sont comprises de manière identique et sont mises en œuvre et utilisées correctement dans toute l'organisation ;

Règles définissant si les valeurs manquantes sont acceptables

Une valeur attribuée à un élément de données selon un modèle spécifié, tel qu'une norme de formatage des numéros de téléphone

L'affectation de l'élément de données spécifié doit être incluse dans la valeur d'énumération d'un certain champ de valeur de données. Par exemple, la valeur raisonnable du champ d'état est le code postal américain à 2 caractères.

L'attribution des éléments de données doit se situer dans un nombre, un dictionnaire ou une plage de temps définie, telle qu'une plage de nombres supérieure à 0 et inférieure à 100.

Représente une valeur attribuée à un élément de données qui doit correspondre à une valeur sélectionnée qui correspond à une autre plage de valeurs correspondante équivalente.

Fait référence à la détermination conditionnelle de la relation entre deux (ou plusieurs) attributs en fonction des valeurs réelles de ces attributs.

Comparez la valeur des données à la valeur correspondante dans le système d'enregistrement ou dans une autre source de vérification (telle que des données marketing achetées auprès du fournisseur) pour vérifier que les valeurs correspondent.

Règles qui spécifient quelles entités doivent avoir des représentations uniques et avoir exactement un enregistrement pour chaque représentation d'un objet du monde réel.

Règles indiquant les caractéristiques censées être associées à l’accessibilité et à la convivialité des données.