Vous \u00eates-vous d\u00e9j\u00e0 retrouv\u00e9 au milieu d’une campagne ou d’un rapport de conformit\u00e9 r\u00e9glementaire pour constater que vos efforts \u00e9taient g\u00e2ch\u00e9s par le nombre de fautes de frappe, d’omissions, d’erreurs li\u00e9es au syst\u00e8me et de formats diff\u00e9rents dus \u00e0 l’absence de conventions de nom de fichier et de format dans vos sources de donn\u00e9es ? <\/p>\n\n\n\n
Vous n’\u00eates pas seul. <\/p>\n\n\n\n
Des donn\u00e9es CRM et de base de donn\u00e9es erron\u00e9es, dues \u00e0 des incoh\u00e9rences et \u00e0 des probl\u00e8mes de qualit\u00e9, peuvent rendre toute activit\u00e9 de reporting ou de campagne sans valeur et entra\u00eener la n\u00e9cessit\u00e9 de corriger r\u00e9guli\u00e8rement les donn\u00e9es \u00e0 l’\u00e9chelle. <\/p>\n\n\n\n
Pour cela, un logiciel de nettoyage des donn\u00e9es<\/a> peut aider les organisations \u00e0 am\u00e9liorer la qualit\u00e9 et la coh\u00e9rence de leurs donn\u00e9es afin de r\u00e9pondre \u00e0 une vari\u00e9t\u00e9 de r\u00e9sultats commerciaux. <\/p>\n\n\n\n Il s’agit d’un guide approfondi sur ce qu’est un outil d’\u00e9puration des donn\u00e9es, sur les \u00e9l\u00e9ments \u00e0 prendre en compte lors du choix d’un outil, ainsi que sur les erreurs et les meilleures pratiques \u00e0 garder \u00e0 l’esprit lors de la r\u00e9alisation d’un projet d’\u00e9puration des donn\u00e9es \u00e0 l’\u00e9chelle de l’entreprise. <\/p>\n\n\n\n L’\u00e9puration des donn\u00e9es, \u00e9galement appel\u00e9e nettoyage des donn\u00e9es, consiste \u00e0 \u00e9liminer ou \u00e0 corriger les erreurs de donn\u00e9es telles que les entr\u00e9es manquantes, invalides, incompl\u00e8tes, mal format\u00e9es ou en double. L’\u00e9puration des donn\u00e9es est essentielle pour aider les entreprises \u00e0 r\u00e9soudre les erreurs critiques et \u00e0 am\u00e9liorer la qualit\u00e9 et la coh\u00e9rence de leurs donn\u00e9es afin d’atteindre les r\u00e9sultats commerciaux escompt\u00e9s tels que :<\/p>\n\n\n\n L’\u00e9puration des donn\u00e9es implique l’utilisation d’une vari\u00e9t\u00e9 d’\u00e9tapes pour \u00e9purer ou supprimer les erreurs de donn\u00e9es, notamment : <\/p>\n\n\n\n Un outil de nettoyage des donn\u00e9es doit avoir les bonnes capacit\u00e9s pour r\u00e9pondre aux besoins de votre organisation et de votre sc\u00e9nario commercial. En voici quelques-unes que vous devriez envisager. <\/p>\n\n\n\n L’int\u00e9gration des donn\u00e9es est la premi\u00e8re \u00e9tape pour s’assurer que toute activit\u00e9 de nettoyage des donn\u00e9es peut \u00eatre effectu\u00e9e \u00e0 travers vos sources de donn\u00e9es et syst\u00e8mes connus. Les outils d’\u00e9puration des donn\u00e9es doivent avant tout \u00eatre capables d’ing\u00e9rer les fichiers (CSV, Excel, TXT) et les bases de donn\u00e9es (MySQL, SQL Server, Oracle, IBM DB2) pertinents, ainsi que les API pour se connecter aux applications web. <\/p>\n\n\n\n Avant de proc\u00e9der \u00e0 l’\u00e9puration des donn\u00e9es, il est essentiel que le logiciel dispose d’un module de profilage des donn\u00e9es<\/a> afin de pouvoir identifier et mettre en \u00e9vidence une grande vari\u00e9t\u00e9 d’erreurs et de probl\u00e8mes potentiels qui pourraient appara\u00eetre si les erreurs ne sont pas corrig\u00e9es. Cela peut permettre aux entreprises de raccourcir le cycle de mise en \u0153uvre en \u00e9conomisant des heures d’efforts pour trouver et corriger les erreurs apr\u00e8s avoir effectu\u00e9 des t\u00e2ches de d\u00e9doublonnage ou de r\u00e9solution d’entit\u00e9s<\/a>. <\/p>\n\n\n\n Les variations de formats sont dues au fait que chaque source de donn\u00e9es a ses propres r\u00e8gles de formatage (ou leur absence). C’est pourquoi les fonctions pr\u00eates \u00e0 l’emploi d’analyse syntaxique des noms et adresses<\/a> et de normalisation du texte peuvent permettre aux utilisateurs de normaliser imm\u00e9diatement les champs choisis. En outre, la possibilit\u00e9 de stocker et d’acc\u00e9der \u00e0 des biblioth\u00e8ques personnalis\u00e9es peut \u00e9galement acc\u00e9l\u00e9rer la normalisation des donn\u00e9es dans des ensembles de donn\u00e9es plus importants. <\/p>\n\n\n\n Un logiciel de nettoyage des donn\u00e9es peut contribuer \u00e0 r\u00e9duire les efforts manuels en raison de l’absence de codage ou de script. Toutefois, ce qui distingue un logiciel de nettoyage des autres, c’est la possibilit\u00e9 d’ex\u00e9cuter des t\u00e2ches par lots et en temps r\u00e9el. <\/p>\n\n\n\n Dans les travaux par lots, les activit\u00e9s de nettoyage des donn\u00e9es peuvent \u00eatre configur\u00e9es pour \u00eatre ex\u00e9cut\u00e9es de fa\u00e7on ponctuelle ou r\u00e9currente pour un grand ensemble de donn\u00e9es par lots. Les t\u00e2ches en temps r\u00e9el, quant \u00e0 elles, peuvent vous permettre d’automatiser les flux de travail bas\u00e9s sur les API afin de garantir que les t\u00e2ches sont ex\u00e9cut\u00e9es d\u00e8s que les donn\u00e9es sont extraites en temps r\u00e9el. <\/p>\n\n\n\n Il est vital pour les organisations de corriger les erreurs de donn\u00e9es en un minimum de temps. Toutefois, certaines erreurs ou maladresses peuvent entra\u00eener des retards inutiles dans l’\u00e9puration des donn\u00e9es. Il s’agit des \u00e9l\u00e9ments suivants. <\/p>\n\n\n\n 1. Proc\u00e9der au nettoyage des donn\u00e9es avant le profilage :<\/strong> Si vous vous lancez t\u00eate baiss\u00e9e dans la correction des erreurs de donn\u00e9es, vous risquez de n\u00e9gliger une longue liste d’incoh\u00e9rences qui pourraient poser des probl\u00e8mes lors des processus de rapprochement<\/a> et de d\u00e9duplication, ce qui vous fera perdre encore plus d’heures de travail. En cr\u00e9ant d’abord un profil d’erreurs, les utilisateurs peuvent s’attaquer en premier lieu aux probl\u00e8mes de qualit\u00e9 des donn\u00e9es et gagner du temps sans avoir \u00e0 it\u00e9rer entre les t\u00e2ches de d\u00e9duplication et de nettoyage.<\/p>\n\n\n\n 2.<\/strong> Laisser les t\u00e2ches d’\u00e9puration des donn\u00e9es au seul personnel informatique :<\/strong>les outils d’\u00e9puration des donn\u00e9es sont devenus plus intuitifs pour permettre aux utilisateurs professionnels non techniques d’effectuer des t\u00e2ches de qualit\u00e9 des donn\u00e9es avec peu ou pas de formation. Toutefois, si seuls les utilisateurs techniques sont charg\u00e9s du nettoyage des donn\u00e9es, leur manque de connaissance de ce qui constitue des donn\u00e9es pertinentes dans un domaine tel que le marketing ou les soins de sant\u00e9 peut les amener \u00e0 supprimer des champs qui peuvent s’av\u00e9rer pr\u00e9cieux \u00e0 l’avenir. Par exemple, un responsable marketing sera mieux inform\u00e9 sur les points de donn\u00e9es \u00e0 consid\u00e9rer comme pr\u00e9cieux, pertinents et pr\u00e9cis pour am\u00e9liorer les performances d’une campagne qu’un analyste ou un ing\u00e9nieur de donn\u00e9es. <\/p>\n\n\n\n 3. Ne pas ajouter les valeurs manquantes : <\/strong>les entreprises doivent \u00e9galement tenir compte des valeurs nulles lors du nettoyage des donn\u00e9es. La premi\u00e8re approche pourrait consister \u00e0 supprimer compl\u00e8tement les valeurs nulles, mais cela peut faire perdre aux entreprises des informations vitales qui peuvent s’av\u00e9rer utiles par la suite. Comme alternative, les valeurs manquantes peuvent \u00eatre remplac\u00e9es par une valeur disponible. <\/p>\n\n\n\n Pour tirer le meilleur parti de l’\u00e9puration des donn\u00e9es, il faut adopter un m\u00e9lange de changements de processus et de technologie. Voici quelques bonnes pratiques \u00e0 garder \u00e0 l’esprit avant de commencer un exercice d’\u00e9puration des donn\u00e9es. <\/p>\n\n\n\n D\u00e9finir la port\u00e9e de vos activit\u00e9s de nettoyage des donn\u00e9es dans le cadre d’un plan ou d’une strat\u00e9gie de qualit\u00e9 des donn\u00e9es plus large est votre meilleure chance d’obtenir les r\u00e9sultats escompt\u00e9s. Cela peut impliquer de d\u00e9finir les avantages souhait\u00e9s et le retour sur investissement attendu, les r\u00f4les et les responsabilit\u00e9s des responsables des donn\u00e9es et des experts en la mati\u00e8re, ainsi que les champs de donn\u00e9es \u00e0 nettoyer, \u00e0 supprimer ou \u00e0 conserver pour plus tard, \u00e0 court et \u00e0 long terme.<\/p>\n\n\n\n Une fois la feuille de route finalis\u00e9e, l’\u00e9tape suivante consiste \u00e0 cr\u00e9er des r\u00e8gles de qualit\u00e9 des donn\u00e9es comprenant des conventions de d\u00e9nomination et de format des fichiers. Il peut s’agir de questions telles que : <\/p>\n\n\n\n Une fois les r\u00e8gles d\u00e9finies, formez tous les employ\u00e9s \u00e0 stocker les informations en cons\u00e9quence. Les formulaires Web et les donn\u00e9es de contact dans les fichiers CRM et Excel doivent \u00eatre enregistr\u00e9s conform\u00e9ment \u00e0 la nouvelle politique afin de pr\u00e9venir toute variation de la qualit\u00e9 des donn\u00e9es. <\/p>\n\n\n\n Il est courant d’\u00e9purer les erreurs de donn\u00e9es dans une seule source de donn\u00e9es. Cependant, les entreprises ayant de multiples unit\u00e9s commerciales ou dont les op\u00e9rations s’\u00e9tendent sur diff\u00e9rents sites peuvent vouloir nettoyer des donn\u00e9es sales sur des millions d’enregistrements. Par exemple, le d\u00e9partement marketing d’un centre d’appels op\u00e9rant dans plusieurs villes, chacune ayant sa propre base de donn\u00e9es et sa liste Excel contenant des enregistrements de noms et d’adresses. <\/p>\n\n\n\n Assurez-vous de tenir compte de toutes les erreurs de donn\u00e9es r\u00e9sidant dans votre base de donn\u00e9es CRM, dans les fichiers Excel, dans les syst\u00e8mes de gestion de base de donn\u00e9es tels que SQL Server et Oracle ou m\u00eame dans les applications web. <\/p>\n\n\n\n Apr\u00e8s avoir import\u00e9 toutes les sources, effectuez une activit\u00e9 de profilage des donn\u00e9es pour mettre en \u00e9vidence les principaux probl\u00e8mes \u00e0 r\u00e9soudre avant de passer aux \u00e9tapes de nettoyage et d’\u00e9puration. Il peut s’agir des \u00e9l\u00e9ments suivants : <\/p>\n\n\n\n Sur la base de cet audit, vous pouvez ensuite proc\u00e9der au nettoyage des erreurs en utilisant l’une des fonctions de transformation ou de formatage des outils d’\u00e9puration des donn\u00e9es afin d’affiner les donn\u00e9es conform\u00e9ment \u00e0 vos objectifs de qualit\u00e9 des donn\u00e9es. <\/p>\n\n\n\n Les organisations rencontrent souvent des doublons lorsque les donn\u00e9es sont combin\u00e9es \u00e0 partir de plusieurs d\u00e9partements, clients, centres de co\u00fbts et unit\u00e9s op\u00e9rationnelles. <\/p>\n\n\n\n Identifiez les entr\u00e9es dupliqu\u00e9es en fonction des crit\u00e8res de correspondance que vous utilisez et du score de correspondance qui en r\u00e9sulte. Il est recommand\u00e9 d’\u00e9viter les faux positifs, car cela vous permet de v\u00e9rifier manuellement les enregistrements qui peuvent encore \u00eatre mis en \u00e9vidence comme des correspondances plus tard, apr\u00e8s quoi les bons enregistrements peuvent \u00eatre marqu\u00e9s comme dor\u00e9s ou dupliqu\u00e9s. <\/p>\n\n\n\n Un logiciel de nettoyage des donn\u00e9es<\/a> pr\u00eat \u00e0 l’emploi, tel que DataMatch Enterprise (DME<\/a> ) de Data Ladder, dispose d’une s\u00e9rie de fonctions permettant d’inspecter, de rapprocher et de supprimer les erreurs de donn\u00e9es \u00e0 grande \u00e9chelle, de mani\u00e8re intuitive et abordable. Pour obtenir une pr\u00e9sentation d\u00e9taill\u00e9e de la mani\u00e8re dont les DME peuvent rem\u00e9dier aux erreurs de qualit\u00e9 des donn\u00e9es, cliquez ici.<\/a> <\/p>\n","protected":false},"excerpt":{"rendered":" Vous \u00eates-vous d\u00e9j\u00e0 retrouv\u00e9 au milieu d’une campagne ou d’un rapport de conformit\u00e9 r\u00e9glementaire pour constater que vos efforts \u00e9taient g\u00e2ch\u00e9s par le nombre de fautes de frappe, d’omissions, d’erreurs li\u00e9es au syst\u00e8me et de formats diff\u00e9rents dus \u00e0 l’absence de conventions de nom de fichier et de format dans vos sources de donn\u00e9es ? […]<\/p>\n","protected":false},"author":9,"featured_media":60276,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1263,1329],"tags":[],"acf":[],"yoast_head":"\nQu’est-ce que l’\u00e9puration des donn\u00e9es ? <\/h2>\n\n\n\n
En quoi consiste l’\u00e9puration des donn\u00e9es ? <\/h3>\n\n\n\n
Exemple : normalisation du format de nom de Pr\u00e9nom Initiale_Nom de famille (‘J. Edwards’) en Pr\u00e9nom_Nom Moyen_Nom de famille (‘John Michael Edwards’). <\/li>
Exemple : remplacer \u00ab\u00a0MARGAREt\u00a0\u00bb par \u00ab\u00a0Margaret\u00a0\u00bb ou \u00ab\u00a0Thomav\u00a0\u00bb par \u00ab\u00a0Thomas\u00a0\u00bb ou \u00ab\u00a0Dav d\u00a0\u00bb par \u00ab\u00a0David\u00a0\u00bb. <\/li>
Exemple : supprimer l’entr\u00e9e \u00ab\u00a0Isaac Jones\u00a0\u00bb et conserver l’entr\u00e9e \u00ab\u00a0Isaac M. Jones\u00a0\u00bb comme fiche. <\/li><\/ul>\n\n\n\nQue faut-il prendre en compte lors du choix d’un logiciel de nettoyage des donn\u00e9es ? <\/h2>\n\n\n\n
1. Importer les fichiers et bases de donn\u00e9es pertinents<\/strong><\/h4>\n\n\n\n
2. V\u00e9rifier les erreurs et les incoh\u00e9rences des donn\u00e9es<\/strong><\/h4>\n\n\n\n
3. Normalisation des donn\u00e9es<\/strong><\/h4>\n\n\n\n
4. Effectuer l’\u00e9puration par lot ou en temps r\u00e9el<\/strong><\/h4>\n\n\n\n
3 erreurs de nettoyage des donn\u00e9es \u00e0 \u00e9viter <\/h2>\n\n\n\n
5 meilleures pratiques pour l’\u00e9puration des donn\u00e9es <\/h2>\n\n\n\n
1. Cr\u00e9er une feuille de route pour la qualit\u00e9 des donn\u00e9es<\/strong><\/h4>\n\n\n\n
2. D\u00e9finir les r\u00e8gles de qualit\u00e9 des donn\u00e9es<\/strong><\/h4>\n\n\n\n
3. Identifier et importer toutes les sources pertinentes connues<\/strong><\/h4>\n\n\n\n
4. Profilage et nettoyage des donn\u00e9es<\/strong><\/h4>\n\n\n\n
5. Identifier et supprimer les entr\u00e9es dupliqu\u00e9es<\/strong><\/h4>\n\n\n\n
Utilisation de DataMatch Enterprise pour l’\u00e9puration des donn\u00e9es <\/h2>\n\n\n\n