- Dimensions de la qualit\u00e9 des donn\u00e9es correspondant \u00e0 la hi\u00e9rarchie des donn\u00e9es<\/a><\/li>
- Dimensions intrins\u00e8ques de la qualit\u00e9 des donn\u00e9es<\/a>
- Pr\u00e9cision<\/a><\/li>
- Lign\u00e9e<\/a><\/li>
- S\u00e9mantique<\/a><\/li>
- Structure<\/a><\/li><\/ol><\/li>
- Dimensions contextuelles de la qualit\u00e9 des donn\u00e9es<\/a>
- Compl\u00e9tude<\/a><\/li>
- Coh\u00e9rence<\/a><\/li>
- Monnaie<\/a><\/li>
- Respect des d\u00e9lais<\/a><\/li>
- Caract\u00e8re raisonnable<\/a><\/li>
- Identifiabilit\u00e9<\/a><\/li><\/ol><\/li><\/ol><\/li>
- Quelles dimensions de la qualit\u00e9 des donn\u00e9es utiliser ?<\/a><\/li>
- Automatisation de la mesure de la qualit\u00e9 des donn\u00e9es avec DataMatch Enterprise<\/a>
- Performance de DME sur un jeu de donn\u00e9es de 2M d’enregistrements<\/a><\/li>
- G\u00e9n\u00e9ration et filtrage de profils d\u00e9taill\u00e9s de qualit\u00e9 des donn\u00e9es<\/a><\/li><\/ol><\/li><\/ol>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/10-DQ-metrics-1-752x1024.png\")
<\/figure>\n\n<\/div>\n\n\u00ab\u00a084 % des PDG sont pr\u00e9occup\u00e9s par la qualit\u00e9 des donn\u00e9es sur lesquelles ils fondent leurs d\u00e9cisions.\u00a0\u00bb<\/p> 2016 Global CEO Outlook, Forbes Insight et KPMG <\/cite><\/blockquote>\n\n
<\/div>\n\nPresque tous les processus dans le monde subissent une transformation num\u00e9rique. La valeur de l’information physique se d\u00e9pr\u00e9cie et l’information num\u00e9rique retient davantage l’attention, et donc la consommation. La num\u00e9risation des processus s’accompagne d’une forte augmentation de la production et de la collecte de donn\u00e9es. Les chercheurs et les sp\u00e9cialistes en informatique travaillent \u00e0 l’introduction de nouvelles unit\u00e9s de stockage de donn\u00e9es, telles que le Zettabyte (10^21 octets), le Yottabyte (10^24 octets), le Brontobyte (10^27 octets) et le Geopbyte (10^30 octets).<\/p>\n\n
<\/div>\n\nQualit\u00e9 des donn\u00e9es – Pouvez-vous utiliser les donn\u00e9es dont vous disposez ?<\/h2>\n\n
La situation devient complexe lorsqu’il s’agit d’utiliser les donn\u00e9es stock\u00e9es dans des sources disparates. La principale difficult\u00e9 rencontr\u00e9e au cours d’un processus de transformation num\u00e9rique consiste \u00e0 utiliser les donn\u00e9es et leurs attributs de mani\u00e8re efficace et aux fins pr\u00e9vues.<\/p>\n\n
La norme ISO\/IEC 25012 d\u00e9finit la qualit\u00e9 des donn\u00e9es comme le degr\u00e9 auquel les donn\u00e9es satisfont aux exigences de leur finalit\u00e9. Si les donn\u00e9es stock\u00e9es ne sont pas en mesure de r\u00e9pondre aux exigences de l’organisation, on dit qu’elles sont de mauvaise qualit\u00e9 ; et le co\u00fbt de la mauvaise qualit\u00e9 des donn\u00e9es<\/a> est fortement sous-estim\u00e9.<\/p>\n\n
<\/div>\n\nQuelles sont les dimensions de la qualit\u00e9 des donn\u00e9es ?<\/h2>\n\n
Cette d\u00e9finition propos\u00e9e par la norme ISO implique que la signification de la qualit\u00e9 des donn\u00e9es varie en fonction de l’utilisation que l’on souhaite en faire. Par exemple, dans certains cas, la pr\u00e9cision des donn\u00e9es est plus importante que leur exhaustivit\u00e9<\/a>, alors que dans d’autres cas, c’est l’inverse.<\/p>\n\n
Ce concept introduit l’id\u00e9e de dimensions de la qualit\u00e9 des donn\u00e9es – ce qui signifie simplement que la qualit\u00e9 des donn\u00e9es peut \u00eatre mesur\u00e9e de diff\u00e9rentes mani\u00e8res. Les dimensions de la qualit\u00e9 des donn\u00e9es pr\u00e9sentent une liste de mesures qui peuvent aider \u00e0 \u00e9valuer l’aptitude des donn\u00e9es pour toute utilisation pr\u00e9vue.<\/p>\n\n
<\/div>\n\nCombien y a-t-il de dimensions de la qualit\u00e9 des donn\u00e9es ?<\/h3>\n\n
Certains mettent en avant six dimensions de la qualit\u00e9 des donn\u00e9es, tandis que d’autres parlent de huit, voire de dix dimensions de qualit\u00e9 des donn\u00e9es. Techniquement parlant, toutes les mesures de la qualit\u00e9 des donn\u00e9es rel\u00e8vent de deux grandes cat\u00e9gories : la premi\u00e8re concerne les caract\u00e9ristiques intrins\u00e8ques des donn\u00e9es, tandis que la seconde porte sur leurs caract\u00e9ristiques contextuelles.<\/p>\n\n
<\/div>\n\nDimensions de la qualit\u00e9 des donn\u00e9es correspondant \u00e0 la hi\u00e9rarchie des donn\u00e9es<\/h4>\n\n
La hi\u00e9rarchie des donn\u00e9es dans toute organisation commence par une seule valeur de donn\u00e9es. Les valeurs de donn\u00e9es de divers attributs sont regroup\u00e9es pour une entit\u00e9 ou une occurrence sp\u00e9cifique afin de former un enregistrement de donn\u00e9es. Plusieurs enregistrements de donn\u00e9es (repr\u00e9sentant plusieurs occurrences du m\u00eame type) sont regroup\u00e9s pour former un ensemble de donn\u00e9es. Ces ensembles de donn\u00e9es peuvent r\u00e9sider dans n’importe quelle source ou application pour r\u00e9pondre aux besoins d’une organisation.<\/p>\n\n
Les dimensions de la qualit\u00e9 des donn\u00e9es se comportent et sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voir l’image suivante pour comprendre comment la qualit\u00e9 des donn\u00e9es est \u00e9valu\u00e9e \u00e0 chaque niveau.<\/p>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-hierarchy-and-DQ-dimensions.png\")
<\/figure>\n\n<\/div>\n\nDans cet article, nous allons couvrir ces dix dimensions de qualit\u00e9 des donn\u00e9es qui sont divis\u00e9es en deux cat\u00e9gories.<\/p>\n\n
<\/div>\n\nA. Dimensions intrins\u00e8ques de la qualit\u00e9 des donn\u00e9es<\/h4>\n\n
Ces dimensions permettent d’appr\u00e9cier et d’\u00e9valuer directement la valeur des donn\u00e9es – au niveau granulaire ; leur signification, leur disponibilit\u00e9, leur domaine, leur structure, leur format, leurs m\u00e9tadonn\u00e9es, etc. Ces dimensions ne tiennent pas compte du contexte dans lequel la valeur a \u00e9t\u00e9 stock\u00e9e, comme sa relation avec d’autres attributs ou l’ensemble de donn\u00e9es dans lequel elle r\u00e9side.<\/p>\n\n
Les quatre dimensions suivantes de la qualit\u00e9 des donn\u00e9es rel\u00e8vent de la cat\u00e9gorie intrins\u00e8que :<\/p>\n\n
1. Pr\u00e9cision<\/h5>\n\n
DANS QUELLE MESURE LES VALEURS DES DONN\u00c9ES REPR\u00c9SENTENT-ELLES LA R\u00c9ALIT\u00c9\/LA JUSTESSE ?<\/span><\/strong><\/p>\n\n
L’exactitude des<\/a> valeurs desdonn\u00e9es<\/a> est mesur\u00e9e en les v\u00e9rifiant par rapport \u00e0 une source connue d’informations correctes. Cette mesure peut \u00eatre complexe si plusieurs sources contiennent des informations correctes. Dans ce cas, vous devez s\u00e9lectionner celle qui correspond le mieux \u00e0 votre domaine et calculer le degr\u00e9 de concordance de chaque valeur de donn\u00e9es avec la source.<\/p>\n\n
Exemple de valeurs de donn\u00e9es pr\u00e9cises<\/h6>\n\n
Consid\u00e9rons une base de donn\u00e9es d’employ\u00e9s qui contient le num\u00e9ro de contact des employ\u00e9s comme attribut. Un num\u00e9ro de t\u00e9l\u00e9phone exact est celui qui est correct et qui existe dans la r\u00e9alit\u00e9. Vous pouvez v\u00e9rifier tous les num\u00e9ros de t\u00e9l\u00e9phone de votre base de donn\u00e9es des employ\u00e9s en les comparant \u00e0 une base de donn\u00e9es officielle contenant une liste de num\u00e9ros de t\u00e9l\u00e9phone valides.<\/p>\n\n
2. Lignage<\/h5>\n\n
DANS QUELLE MESURE LA SOURCE D’ORIGINE DES VALEURS DES DONN\u00c9ES EST-ELLE FIABLE ?<\/span><\/strong><\/p>\n\n
La lign\u00e9e des valeurs des donn\u00e9es est v\u00e9rifi\u00e9e ou test\u00e9e en validant la source d’origine, et\/ou toutes les sources qui ont mis \u00e0 jour les informations au fil du temps. Il s’agit d’une mesure importante car elle prouve la fiabilit\u00e9 des donn\u00e9es captur\u00e9es, et leur \u00e9volution dans le temps.<\/p>\n\n
Exemple de lign\u00e9e de valeurs de donn\u00e9es<\/h6>\n\n
Dans l’exemple ci-dessus, les num\u00e9ros de contact des employ\u00e9s sont dignes de confiance s’ils proviennent d’une source valide. Et la source la plus valable pour ce type d’information est l’employ\u00e9 lui-m\u00eame – que les donn\u00e9es soient saisies la premi\u00e8re fois ou mises \u00e0 jour au fil du temps. Par ailleurs, si les num\u00e9ros de contact ont \u00e9t\u00e9 d\u00e9duits d’un annuaire t\u00e9l\u00e9phonique public, cette source d’origine est certainement douteuse et peut potentiellement contenir des erreurs.<\/p>\n\n
3. S\u00e9mantique<\/h5>\n\n
LES VALEURS DES DONN\u00c9ES SONT-ELLES FID\u00c8LES \u00c0 LEUR SIGNIFICATION ?<\/span><\/strong><\/p>\n\n
Pour garantir la qualit\u00e9 des donn\u00e9es, la valeur des donn\u00e9es doit \u00eatre s\u00e9mantiquement correcte, c’est-\u00e0-dire li\u00e9e \u00e0 sa signification, notamment dans le contexte de l’organisation ou du service o\u00f9 elle est utilis\u00e9e. Les informations sont g\u00e9n\u00e9ralement \u00e9chang\u00e9es entre les diff\u00e9rents services et processus d’une entreprise. Dans ce cas, les parties prenantes et les utilisateurs des donn\u00e9es doivent s’accorder sur la signification de tous les attributs impliqu\u00e9s dans l’ensemble de donn\u00e9es, afin qu’ils puissent \u00eatre v\u00e9rifi\u00e9s s\u00e9mantiquement.<\/p>\n\n
Exemple de valeurs de donn\u00e9es s\u00e9mantiquement correctes<\/h6>\n\n
Votre base de donn\u00e9es des employ\u00e9s peut avoir deux attributs qui stockent les num\u00e9ros de contact des employ\u00e9s, \u00e0 savoir Num\u00e9ro de t\u00e9l\u00e9phone 1 et Num\u00e9ro de t\u00e9l\u00e9phone 2. Une d\u00e9finition convenue des deux attributs pourrait \u00eatre que le num\u00e9ro de t\u00e9l\u00e9phone 1 est le num\u00e9ro de portable personnel de l’employ\u00e9, tandis que le num\u00e9ro de t\u00e9l\u00e9phone 2 est son num\u00e9ro de t\u00e9l\u00e9phone r\u00e9sidentiel.<\/p>\n\n
Il est important de noter que la mesure d’exactitude validera l’existence et la r\u00e9alit\u00e9 de ces deux num\u00e9ros, mais que la mesure s\u00e9mantique garantira que ces deux num\u00e9ros sont fid\u00e8les \u00e0 leur d\u00e9finition implicite – c’est-\u00e0-dire que le premier est un num\u00e9ro de portable, tandis que le second est un num\u00e9ro de t\u00e9l\u00e9phone r\u00e9sidentiel.<\/p>\n\n
4. Structure<\/h5>\n\n
LES VALEURS DES DONN\u00c9ES EXISTENT-ELLES DANS LE MOD\u00c8LE ET\/OU LE FORMAT CORRECT ?<\/span><\/strong><\/p>\n\n
L’analyse structurelle consiste \u00e0 v\u00e9rifier la repr\u00e9sentation des valeurs des donn\u00e9es – c’est-\u00e0-dire que les valeurs ont un mod\u00e8le et un format valides. Il est pr\u00e9f\u00e9rable que ces contr\u00f4les soient effectu\u00e9s et appliqu\u00e9s lors de la saisie et de l’enregistrement des donn\u00e9es, de sorte que toutes les donn\u00e9es entrantes soient d’abord valid\u00e9es et, si n\u00e9cessaire, transform\u00e9es avant d’\u00eatre stock\u00e9es dans l’application.<\/p>\n\n
Exemple de valeurs de donn\u00e9es structurellement correctes<\/h6>\n\n
Dans l’exemple ci-dessus de la base de donn\u00e9es des employ\u00e9s, toutes les valeurs de la colonne du num\u00e9ro de t\u00e9l\u00e9phone 1 doivent \u00eatre correctement structur\u00e9es et format\u00e9es. Un exemple de num\u00e9ro de t\u00e9l\u00e9phone mal structur\u00e9 est le suivant : 134556-7(9080. Il est toutefois possible que le chiffre lui-m\u00eame (sans le trait d’union et les parenth\u00e8ses suppl\u00e9mentaires) soit exact et s\u00e9mantiquement correct. Mais le format et le mod\u00e8le corrects du num\u00e9ro devraient \u00eatre :
B. Dimensions contextuelles de la qualit\u00e9 des donn\u00e9es<\/h4>\n\n
Ces dimensions appr\u00e9cient et \u00e9valuent les donn\u00e9es dans leur contexte global – par exemple, en consid\u00e9rant toutes les valeurs de donn\u00e9es d’un attribut ensemble, ou les valeurs de donn\u00e9es regroup\u00e9es dans des enregistrements, etc. Ces dimensions se concentrent sur les relations entre les diff\u00e9rents composants des donn\u00e9es et leur ad\u00e9quation aux attentes en mati\u00e8re de qualit\u00e9 des donn\u00e9es.<\/p>\n\n
Les six dimensions suivantes de la qualit\u00e9 des donn\u00e9es rel\u00e8vent de la cat\u00e9gorie contextuelle :<\/p>\n\n
5. Compl\u00e9tude<\/h5>\n\n
VOS DONN\u00c9ES SONT-ELLES AUSSI COMPL\u00c8TES QUE VOUS LE SOUHAITEZ ?<\/span><\/strong><\/p>\n\n
L’exhaustivit\u00e9 d\u00e9finit le degr\u00e9 auquel les valeurs de donn\u00e9es n\u00e9cessaires sont remplies et ne sont pas laiss\u00e9es en blanc. Elle peut \u00eatre calcul\u00e9e verticalement (au niveau des attributs) ou horizontalement (au niveau des enregistrements). En g\u00e9n\u00e9ral, les champs sont marqu\u00e9s comme obligatoires\/exig\u00e9s pour garantir l’exhaustivit\u00e9 d’un ensemble de donn\u00e9es. Lors du calcul de l’exhaustivit\u00e9, ses trois diff\u00e9rents types doivent \u00eatre pris en compte pour garantir l’exactitude des r\u00e9sultats :<\/p>\n\n
- Champ obligatoire <\/strong>qui ne peut \u00eatre laiss\u00e9 vide ; par exemple, l’identifiant national d’un employ\u00e9.<\/li>
- Champ facultatif<\/strong> qui ne doit pas n\u00e9cessairement \u00eatre rempli ; par exemple, le champ \u00ab\u00a0Hobbies\u00a0\u00bb d’un employ\u00e9.<\/li>
- Champ inapplicable<\/strong> qui devient non pertinent en fonction du contexte de l’enregistrement et qui doit \u00eatre laiss\u00e9 vide ; par exemple, le nom du conjoint pour un individu non mari\u00e9.<\/li><\/ul>\n\n
Exemple de donn\u00e9es compl\u00e8tes<\/h6>\n\n
Un exemple d’exhaustivit\u00e9 verticale consiste \u00e0 calculer le pourcentage d’employ\u00e9s pour lesquels le num\u00e9ro de t\u00e9l\u00e9phone 1 est fourni. Et l’exemple d’exhaustivit\u00e9 horizontale consiste \u00e0 calculer le pourcentage d’informations compl\u00e8tes pour un employ\u00e9 particulier ; par exemple, les donn\u00e9es d’un employ\u00e9 peuvent \u00eatre compl\u00e8tes \u00e0 80 %, mais il manque son num\u00e9ro de contact et son adresse r\u00e9sidentielle.<\/p>\n\n
6. Coh\u00e9rence<\/h5>\n\n
DES MAGASINS DE DONN\u00c9ES DISPARATES ONT-ILS LES M\u00caMES VALEURS DE DONN\u00c9ES POUR LES M\u00caMES ENREGISTREMENTS ?<\/span><\/strong><\/p>\n\n
La coh\u00e9rence v\u00e9rifie si les valeurs des donn\u00e9es stock\u00e9es pour le m\u00eame enregistrement dans des sources disparates sont exemptes de toute contradiction et sont exactement les m\u00eames, tant en termes de signification que de structure et de format.<\/p>\n\n
Des donn\u00e9es coh\u00e9rentes permettent d’\u00e9tablir des rapports uniformes et pr\u00e9cis pour toutes les fonctions et op\u00e9rations de votre entreprise. La coh\u00e9rence ne concerne pas seulement la signification des valeurs des donn\u00e9es, mais aussi leur repr\u00e9sentation ; par exemple, lorsque des valeurs ne sont pas applicables ou sont indisponibles, des termes coh\u00e9rents doivent \u00eatre utilis\u00e9s pour repr\u00e9senter l’indisponibilit\u00e9 des donn\u00e9es dans toutes les sources.<\/p>\n\n
Exemples de donn\u00e9es coh\u00e9rentes<\/h6>\n\n
Les informations sur les employ\u00e9s sont g\u00e9n\u00e9ralement stock\u00e9es dans les applications de gestion des RH, mais la base de donn\u00e9es doit \u00eatre partag\u00e9e ou r\u00e9pliqu\u00e9e pour d’autres services, comme la paie ou les finances. Pour garantir la coh\u00e9rence, tous les attributs stock\u00e9s dans les bases de donn\u00e9es doivent avoir les m\u00eames valeurs. Sinon, une diff\u00e9rence dans le num\u00e9ro de compte bancaire ou d’autres champs critiques de ce type peut devenir un \u00e9norme probl\u00e8me.<\/p>\n\n
7. Monnaie<\/h5>\n\n
VOS DONN\u00c9ES SONT-ELLES RAISONNABLEMENT \u00c0 JOUR ?<\/span><\/strong><\/p>\n\n
L’actualit\u00e9 concerne la mesure dans laquelle les attributs des donn\u00e9es sont du bon \u00e2ge dans le contexte de leur utilisation. Cette mesure permet de maintenir les informations \u00e0 jour et en conformit\u00e9 avec le monde actuel, de sorte que vos instantan\u00e9s de donn\u00e9es ne datent pas de plusieurs semaines ou mois, ce qui vous conduirait \u00e0 pr\u00e9senter et \u00e0 fonder des d\u00e9cisions critiques sur des informations p\u00e9rim\u00e9es.<\/p>\n\n
Pour garantir l’actualit\u00e9 de votre ensemble de donn\u00e9es, vous pouvez d\u00e9finir des rappels pour la mise \u00e0 jour des donn\u00e9es, ou fixer des limites \u00e0 l’\u00e2ge d’un attribut, afin de garantir que toutes les valeurs sont soumises \u00e0 un examen et \u00e0 une mise \u00e0 jour dans un d\u00e9lai donn\u00e9.<\/p>\n\n
Exemple de donn\u00e9es actuelles<\/h6>\n\n
Les coordonn\u00e9es de votre employ\u00e9 doivent \u00eatre revues r\u00e9guli\u00e8rement pour v\u00e9rifier si quelque chose a \u00e9t\u00e9 r\u00e9cemment modifi\u00e9 et doit \u00eatre mis \u00e0 jour dans le syst\u00e8me.<\/p>\n\n
8. Respect des d\u00e9lais<\/h5>\n\n
DANS QUEL D\u00c9LAI LES DONN\u00c9ES DEMAND\u00c9ES SONT-ELLES MISES \u00c0 DISPOSITION ?<\/span><\/strong><\/p>\n\n
La rapidit\u00e9 d’ex\u00e9cution mesure le temps n\u00e9cessaire pour acc\u00e9der \u00e0 l’information demand\u00e9e. Si vos requ\u00eates de donn\u00e9es prennent trop de temps pour aboutir, il se peut que vos donn\u00e9es ne soient pas bien organis\u00e9es, reli\u00e9es, structur\u00e9es ou format\u00e9es.<\/p>\n\n
L’actualit\u00e9 mesure \u00e9galement la rapidit\u00e9 avec laquelle les nouvelles informations sont disponibles pour \u00eatre utilis\u00e9es dans toutes les sources. Si votre entreprise utilise des processus complexes et fastidieux pour stocker les donn\u00e9es entrantes, les utilisateurs peuvent finir par interroger et utiliser d’anciennes informations \u00e0 certains moments.<\/p>\n\n
Exemple de respect des d\u00e9lais<\/h6>\n\n
Pour garantir la rapidit\u00e9 d’ex\u00e9cution, vous pouvez v\u00e9rifier le temps de r\u00e9ponse de votre base de donn\u00e9es des employ\u00e9s. En outre, vous pouvez \u00e9galement tester le temps n\u00e9cessaire pour que les informations mises \u00e0 jour dans l’application RH soient reproduites dans l’application de paie, et ainsi de suite.<\/p>\n\n
9. Caract\u00e8re raisonnable<\/h5>\n\n
LES VALEURS DES DONN\u00c9ES ONT-ELLES LE TYPE ET LA TAILLE CORRECTS ?<\/span><\/strong><\/p>\n\n
Le caract\u00e8re raisonnable mesure la mesure dans laquelle les valeurs des donn\u00e9es ont un type et une taille raisonnables ou compr\u00e9hensibles. Par exemple, il est courant de stocker des nombres dans un champ de cha\u00eene alphanum\u00e9rique, mais la rationalit\u00e9 fera en sorte que si un attribut ne stocke que des nombres, il doit \u00eatre de type num\u00e9rique.<\/p>\n\n
De plus, reasonability impose \u00e9galement une limite maximale et minimale de caract\u00e8res aux attributs, de sorte qu’il n’y ait pas de cha\u00eenes de caract\u00e8res inhabituellement longues dans la base de donn\u00e9es. La mesure de raisonnabilit\u00e9 r\u00e9duit l’espace pour les erreurs en appliquant des contraintes sur le type de donn\u00e9es et la taille d’un attribut.<\/p>\n\n
Exemple de caract\u00e8re raisonnable<\/h6>\n\n
Le champ Num\u00e9ro de t\u00e9l\u00e9phone 1 – s’il est enregistr\u00e9 sans les traits d’union et les caract\u00e8res sp\u00e9ciaux – doit \u00eatre d\u00e9fini comme num\u00e9rique et comporter une limite maximale de caract\u00e8res afin que des caract\u00e8res alphanum\u00e9riques suppl\u00e9mentaires ne soient pas ajout\u00e9s par erreur.<\/p>\n\n
10. Identifiabilit\u00e9<\/h5>\n\n
CHAQUE ENREGISTREMENT REPR\u00c9SENTE-T-IL UNE IDENTIT\u00c9 UNIQUE ET N’EST-IL PAS UN DOUBLON ?<\/span><\/strong><\/p>\n\n
L’identifiabilit\u00e9 calcule le degr\u00e9 auquel les enregistrements de donn\u00e9es sont identifiables de mani\u00e8re unique et ne sont pas des doublons les uns des autres.<\/p>\n\n
Pour garantir l’identifiabilit\u00e9, un attribut d’identification unique est stock\u00e9 dans la base de donn\u00e9es pour chaque enregistrement. Mais dans certains cas, comme celui des organismes de sant\u00e9, les informations personnelles identifiables (PII) sont supprim\u00e9es pour pr\u00e9server la confidentialit\u00e9 des patients. C’est l\u00e0 que vous pouvez avoir besoin d’utiliser des techniques de rapprochement floues<\/a> pour comparer, rapprocher et fusionner des enregistrements.<\/p>\n\n
Exemple d’identifiabilit\u00e9<\/h6>\n\n
Un exemple d’identifiabilit\u00e9 consiste \u00e0 exiger que chaque nouvel enregistrement dans la base de donn\u00e9es des employ\u00e9s contienne un num\u00e9ro d’identification unique qui permettra de les identifier.<\/p>\n\n
<\/div>\n\nQuelles dimensions de la qualit\u00e9 des donn\u00e9es utiliser ?<\/h3>\n\n
Nous avons pass\u00e9 en revue les dix mesures de qualit\u00e9 des donn\u00e9es les plus couramment utilis\u00e9es. Chaque entreprise ayant ses propres exigences et indicateurs de performance cl\u00e9s, vous devrez peut-\u00eatre utiliser d’autres indicateurs ou en cr\u00e9er de nouveaux. La s\u00e9lection des dimensions de la qualit\u00e9 des donn\u00e9es d\u00e9pend de multiples facteurs, tels que le secteur d’activit\u00e9 de votre entreprise, la nature de vos donn\u00e9es et le r\u00f4le qu’elles jouent dans la r\u00e9ussite de vos objectifs.<\/p>\n\n
\u00c9tant donn\u00e9 que chaque secteur d’activit\u00e9 a ses propres r\u00e8gles en mati\u00e8re de donn\u00e9es, son propre m\u00e9canisme d’\u00e9tablissement de rapports et ses propres crit\u00e8res de mesure, un ensemble diff\u00e9rent de mesures de la qualit\u00e9 des donn\u00e9es est adopt\u00e9 pour r\u00e9pondre aux besoins de chaque cas, par exemple les agences gouvernementales, les d\u00e9partements des finances et des assurances, les instituts de soins de sant\u00e9, les ventes et le marketing, le commerce de d\u00e9tail ou les syst\u00e8mes \u00e9ducatifs, etc.<\/p>\n\n
<\/div>\n\nAutomatisation de la mesure de la qualit\u00e9 des donn\u00e9es avec DataMatch Enterprise<\/h2>\n\n
Compte tenu de la complexit\u00e9 de la mesure de la qualit\u00e9 des donn\u00e9es, il s’agit d’un processus que l’on attend g\u00e9n\u00e9ralement de la part de professionnels comp\u00e9tents en mati\u00e8re de technologie ou de donn\u00e9es. La non-disponibilit\u00e9 de capacit\u00e9s de profilage<\/a> avanc\u00e9es dans un outil de qualit\u00e9 des donn\u00e9es en libre-service est un d\u00e9fi commun\u00e9ment rencontr\u00e9.<\/p>\n\n
Un outil de qualit\u00e9 des donn\u00e9es en libre-service capable de produire une vue rapide \u00e0 360\u00b0 des donn\u00e9es et d’identifier les anomalies de base, telles que les valeurs vides, les types de donn\u00e9es des champs, les mod\u00e8les r\u00e9currents et d’autres statistiques descriptives, est une exigence de base pour toute initiative ax\u00e9e sur les donn\u00e9es. DataMatch Enterprise de Data Ladder est une solution de qualit\u00e9 des donn\u00e9es enti\u00e8rement optimis\u00e9e qui ne se contente pas d’offrir une \u00e9valuation de la qualit\u00e9 des donn\u00e9es, mais proc\u00e8de \u00e0 un nettoyage<\/a>, une mise en correspondance<\/a> et une fusion<\/a> d\u00e9taill\u00e9s des donn\u00e9es<\/a>.<\/p>\n\n
Performance de DME sur un jeu de donn\u00e9es de 2M d’enregistrements<\/h3>\n\n
Avec DataMatch Enterprise, vous pouvez effectuer rapidement des contr\u00f4les d’exactitude, d’exhaustivit\u00e9 et de validation<\/a>. Au lieu d’identifier et de marquer manuellement les divergences pr\u00e9sentes dans votre ensemble de donn\u00e9es, votre \u00e9quipe peut, \u00e0 elle seule, g\u00e9n\u00e9rer un rapport qui \u00e9tiquette et num\u00e9rote les diff\u00e9rentes mesures de qualit\u00e9 des donn\u00e9es en quelques secondes seulement, m\u00eame avec un \u00e9chantillon de 2 millions d’enregistrements.<\/p>\n\n
Les performances de DataMatch Enterprise sur un jeu de donn\u00e9es contenant 2M d’enregistrements ont \u00e9t\u00e9 enregistr\u00e9es comme suit :<\/p>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/DME-performance.png\")
<\/figure>\n\n<\/div>\n\nG\u00e9n\u00e9ration et filtrage de profils d\u00e9taill\u00e9s de qualit\u00e9 des donn\u00e9es <\/h4>\n\n
Voici un exemple de profil g\u00e9n\u00e9r\u00e9 \u00e0 l’aide de DME en moins de 10 secondes pour environ 2000 enregistrements : <\/p>\n\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/Data-profiling-in-DME-1-min-1024x474.png\")
<\/figure>\n\n<\/div>\n\nCe profil de donn\u00e9es concis met en \u00e9vidence les d\u00e9tails du contenu et de la structure de tous les attributs de donn\u00e9es choisis. En outre, vous pouvez \u00e9galement naviguer vers des \u00e9l\u00e9ments sp\u00e9cifiques, tels que la liste des 12% d’enregistrements auxquels il manque le deuxi\u00e8me pr\u00e9nom du contact. <\/p>\n\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/Data-filtering-in-DME-min-1024x597.png\")
<\/figure>\n\n<\/div>\n\nPour en savoir plus sur la fa\u00e7on dont notre solution peut vous aider \u00e0 r\u00e9soudre vos probl\u00e8mes de qualit\u00e9 des donn\u00e9es, inscrivez-vous \u00e0 un essai gratuit d\u00e8s aujourd’hui<\/a> ou organisez une d\u00e9monstration avec l’un de nos experts.<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
Dans ce blog : Qualit\u00e9 des donn\u00e9es – Pouvez-vous utiliser les donn\u00e9es dont vous disposez ? Quelles sont les dimensions de la qualit\u00e9 des donn\u00e9es ? Combien y a-t-il de dimensions de la qualit\u00e9 des donn\u00e9es ? Dimensions de la qualit\u00e9 des donn\u00e9es correspondant \u00e0 la hi\u00e9rarchie des donn\u00e9es Dimensions intrins\u00e8ques de la qualit\u00e9 des […]<\/p>\n","protected":false},"author":9,"featured_media":61320,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1212,1263,1342],"tags":[517],"acf":[],"yoast_head":"\n
Dimensions de la qualit\u00e9 des donn\u00e9es - 10 param\u00e8tres \u00e0 mesurer - Data Ladder<\/title>\n<meta name=\"description\" content=\"Les dimensions de la qualit\u00e9 des donn\u00e9es sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voyons les 10 mesures de qualit\u00e9 des donn\u00e9es sur lesquelles vous devriez vous concentrer.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Dimensions de la qualit\u00e9 des donn\u00e9es - 10 param\u00e8tres \u00e0 mesurer - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Les dimensions de la qualit\u00e9 des donn\u00e9es sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voyons les 10 mesures de qualit\u00e9 des donn\u00e9es sur lesquelles vous devriez vous concentrer.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\" \/>\n<meta property=\"og:site_name\" content=\"Data Ladder\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/web.facebook.com\/DataLadderSoftware\" \/>\n<meta property=\"article:published_time\" content=\"2021-12-17T00:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-01-07T12:55:23+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-quality-dimensions-10-data-quality-metrics-you-should-be-measuring.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1000\" \/>\n\t<meta property=\"og:image:height\" content=\"696\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"lbarrera\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"lbarrera\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"17 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Dimensions de la qualit\u00e9 des donn\u00e9es – 10 param\u00e8tres \u00e0 mesurer\",\"datePublished\":\"2021-12-17T00:00:00+00:00\",\"dateModified\":\"2022-01-07T12:55:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\"},\"wordCount\":3550,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\"},\"keywords\":[\"la qualit\u00e9 des donn\u00e9es\"],\"articleSection\":[\"Data quality management\",\"Gestion de la qualit\u00e9 des donn\u00e9es\",\"Mesures de la qualit\u00e9 des donn\u00e9es\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\",\"url\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\",\"name\":\"Dimensions de la qualit\u00e9 des donn\u00e9es - 10 param\u00e8tres \u00e0 mesurer - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#website\"},\"datePublished\":\"2021-12-17T00:00:00+00:00\",\"dateModified\":\"2022-01-07T12:55:23+00:00\",\"description\":\"Les dimensions de la qualit\u00e9 des donn\u00e9es sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voyons les 10 mesures de qualit\u00e9 des donn\u00e9es sur lesquelles vous devriez vous concentrer.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/fr\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Dimensions de la qualit\u00e9 des donn\u00e9es – 10 param\u00e8tres \u00e0 mesurer\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/dataladder.com\/fr\/#website\",\"url\":\"https:\/\/dataladder.com\/fr\/\",\"name\":\"Data Ladder\",\"description\":\"Enterprise Data Profiling, Cleansing, and Matching\",\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/dataladder.com\/fr\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\",\"name\":\"Data Ladder\",\"url\":\"https:\/\/dataladder.com\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"contentUrl\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"width\":413,\"height\":408,\"caption\":\"Data Ladder\"},\"image\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/dataladder-llc\/\",\"https:\/\/web.facebook.com\/DataLadderSoftware\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\",\"name\":\"lbarrera\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"caption\":\"lbarrera\"},\"url\":\"https:\/\/dataladder.com\/fr\/author\/lbarrera\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Dimensions de la qualit\u00e9 des donn\u00e9es - 10 param\u00e8tres \u00e0 mesurer - Data Ladder","description":"Les dimensions de la qualit\u00e9 des donn\u00e9es sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voyons les 10 mesures de qualit\u00e9 des donn\u00e9es sur lesquelles vous devriez vous concentrer.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/","og_locale":"fr_FR","og_type":"article","og_title":"Dimensions de la qualit\u00e9 des donn\u00e9es - 10 param\u00e8tres \u00e0 mesurer - Data Ladder","og_description":"Les dimensions de la qualit\u00e9 des donn\u00e9es sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voyons les 10 mesures de qualit\u00e9 des donn\u00e9es sur lesquelles vous devriez vous concentrer.","og_url":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2021-12-17T00:00:00+00:00","article_modified_time":"2022-01-07T12:55:23+00:00","og_image":[{"width":1000,"height":696,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-quality-dimensions-10-data-quality-metrics-you-should-be-measuring.jpg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"lbarrera","Dur\u00e9e de lecture estim\u00e9e":"17 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Dimensions de la qualit\u00e9 des donn\u00e9es – 10 param\u00e8tres \u00e0 mesurer","datePublished":"2021-12-17T00:00:00+00:00","dateModified":"2022-01-07T12:55:23+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/"},"wordCount":3550,"publisher":{"@id":"https:\/\/dataladder.com\/fr\/#organization"},"keywords":["la qualit\u00e9 des donn\u00e9es"],"articleSection":["Data quality management","Gestion de la qualit\u00e9 des donn\u00e9es","Mesures de la qualit\u00e9 des donn\u00e9es"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/","url":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/","name":"Dimensions de la qualit\u00e9 des donn\u00e9es - 10 param\u00e8tres \u00e0 mesurer - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/fr\/#website"},"datePublished":"2021-12-17T00:00:00+00:00","dateModified":"2022-01-07T12:55:23+00:00","description":"Les dimensions de la qualit\u00e9 des donn\u00e9es sont mesur\u00e9es diff\u00e9remment \u00e0 chaque niveau de la hi\u00e9rarchie des donn\u00e9es. Voyons les 10 mesures de qualit\u00e9 des donn\u00e9es sur lesquelles vous devriez vous concentrer.","breadcrumb":{"@id":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/fr\/dimensions-de-la-qualite-des-donnees-10-parametres-a-mesurer\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/fr\/"},{"@type":"ListItem","position":2,"name":"Dimensions de la qualit\u00e9 des donn\u00e9es – 10 param\u00e8tres \u00e0 mesurer"}]},{"@type":"WebSite","@id":"https:\/\/dataladder.com\/fr\/#website","url":"https:\/\/dataladder.com\/fr\/","name":"Data Ladder","description":"Enterprise Data Profiling, Cleansing, and Matching","publisher":{"@id":"https:\/\/dataladder.com\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/dataladder.com\/fr\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/dataladder.com\/fr\/#organization","name":"Data Ladder","url":"https:\/\/dataladder.com\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","contentUrl":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","width":413,"height":408,"caption":"Data Ladder"},"image":{"@id":"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/dataladder-llc\/","https:\/\/web.facebook.com\/DataLadderSoftware"]},{"@type":"Person","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b","name":"lbarrera","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","caption":"lbarrera"},"url":"https:\/\/dataladder.com\/fr\/author\/lbarrera\/"}]}},"modified_by":null,"_links":{"self":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/62250"}],"collection":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/comments?post=62250"}],"version-history":[{"count":3,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/62250\/revisions"}],"predecessor-version":[{"id":64549,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/62250\/revisions\/64549"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/media\/61320"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/media?parent=62250"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/categories?post=62250"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/tags?post=62250"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} - Champ facultatif<\/strong> qui ne doit pas n\u00e9cessairement \u00eatre rempli ; par exemple, le champ \u00ab\u00a0Hobbies\u00a0\u00bb d’un employ\u00e9.<\/li>
- G\u00e9n\u00e9ration et filtrage de profils d\u00e9taill\u00e9s de qualit\u00e9 des donn\u00e9es<\/a><\/li><\/ol><\/li><\/ol>\n\n
- Coh\u00e9rence<\/a><\/li>
- Lign\u00e9e<\/a><\/li>
- Dimensions intrins\u00e8ques de la qualit\u00e9 des donn\u00e9es<\/a>