Le moyen le plus simple de savoir ce qui est \u00ab\u00a0acceptable\u00a0\u00bb est de comprendre les exigences de votre entreprise. Id\u00e9alement, les organisations doivent veiller \u00e0 ce que le mod\u00e8le de donn\u00e9es utilis\u00e9 par la plupart – sinon toutes – les applications soit conforme \u00e0 leurs besoins commerciaux. La meilleure fa\u00e7on de parvenir \u00e0 la normalisation des donn\u00e9es est d’aligner la repr\u00e9sentation, la structure et la d\u00e9finition de vos donn\u00e9es sur les exigences de l’organisation.<\/p>\n\n
Types et exemples d’erreurs de normalisation des donn\u00e9es<\/h2>\n\n
Voici quelques exemples de la fa\u00e7on dont des donn\u00e9es non normalis\u00e9es peuvent se retrouver dans le syst\u00e8me :<\/p>\n\n
- Le num\u00e9ro de t\u00e9l\u00e9phone du client <\/em>est enregistr\u00e9 sous forme de cha\u00eene de caract\u00e8res dans un syst\u00e8me alors qu’il ne peut \u00eatre qu’un num\u00e9ro \u00e0 8 chiffres dans un autre syst\u00e8me – ce qui entra\u00eene une incoh\u00e9rence dans le type de donn\u00e9es<\/strong>.<\/li>
- Le nom du client <\/em>est enregistr\u00e9 dans un seul champ dans un syst\u00e8me alors qu’il est couvert par trois champs distincts dans un autre syst\u00e8me pour le pr\u00e9nom, le second pr\u00e9nom et le nom de famille, ce qui entra\u00eene une incoh\u00e9rence structurelle<\/strong>.<\/li>
- La date de naissance du client<\/em> a le format MM\/JJ\/AAAA dans un syst\u00e8me, alors qu’elle a le format Mois Jour, Ann\u00e9e dans un autre syst\u00e8me – ce qui entra\u00eene une incoh\u00e9rence de format<\/strong>.<\/li>
- Le sexe du client<\/em> est enregistr\u00e9 en tant que Female ou Male dans un syst\u00e8me, alors qu’il est enregistr\u00e9 en tant que F ou M dans un autre syst\u00e8me – ce qui entra\u00eene une incoh\u00e9rence des valeurs du domaine<\/strong>.<\/li><\/ol>\n\n
Outre ces sc\u00e9narios courants, les fautes d’orthographe, les erreurs de transcription et l’absence de contraintes de validation peuvent accro\u00eetre les erreurs de normalisation des donn\u00e9es dans vos ensembles de donn\u00e9es.<\/p>\n\n
Pourquoi devez-vous normaliser les donn\u00e9es ?<\/h2>\n\n
Chaque syst\u00e8me a son propre ensemble de limitations et de restrictions, ce qui conduit \u00e0 des mod\u00e8les de donn\u00e9es uniques et \u00e0 leurs d\u00e9finitions. C’est pourquoi il peut \u00eatre n\u00e9cessaire de transformer les donn\u00e9es avant qu’elles ne puissent \u00eatre consomm\u00e9es correctement par un processus m\u00e9tier.<\/p>\n\n
En g\u00e9n\u00e9ral, on sait qu’il est temps de normaliser les donn\u00e9es quand on le souhaite :<\/p>\n\n
1. Conformer les donn\u00e9es entrantes ou sortantes<\/h3>\n\n
Une organisation poss\u00e8de de nombreuses interfaces qui permettent d’\u00e9changer des points de donn\u00e9es provenant de parties prenantes externes, telles que des fournisseurs ou des partenaires. Chaque fois que des donn\u00e9es entrent dans une entreprise ou sont export\u00e9es, il devient n\u00e9cessaire de les conformer \u00e0 la norme requise, sinon le fouillis de donn\u00e9es non normalis\u00e9es ne fait que s’amplifier.<\/p>\n\n
2. Pr\u00e9parer les donn\u00e9es pour la BI ou l’analytique<\/h3>\n\n
Les m\u00eames donn\u00e9es peuvent \u00eatre repr\u00e9sent\u00e9es de plusieurs fa\u00e7ons, mais la plupart des outils de BI ne sont pas sp\u00e9cialis\u00e9s pour traiter toutes les repr\u00e9sentations possibles des valeurs de donn\u00e9es et peuvent finir par traiter diff\u00e9remment des donn\u00e9es de m\u00eame signification. Cela peut conduire \u00e0 des r\u00e9sultats BI biais\u00e9s ou inexacts. Par cons\u00e9quent, avant de pouvoir alimenter vos syst\u00e8mes de BI en donn\u00e9es, celles-ci doivent \u00eatre nettoy\u00e9es, normalis\u00e9es et d\u00e9dupliqu\u00e9es<\/a>, afin que vous puissiez obtenir des informations correctes et utiles.<\/p>\n\n
3. Consolider les entit\u00e9s pour \u00e9liminer les doublons<\/h3>\n\n
La duplication des donn\u00e9es est l’un des plus grands risques pour la qualit\u00e9 des donn\u00e9es auxquels les entreprises sont confront\u00e9es. Pour des op\u00e9rations commerciales efficaces et sans erreur, vous devez \u00e9liminer les enregistrements en double<\/a> qui appartiennent \u00e0 la m\u00eame entit\u00e9 (qu’il s’agisse d’un client, d’un produit, d’un emplacement ou d’un employ\u00e9). Un processus efficace de d\u00e9duplication des donn\u00e9es<\/a> exige que vous vous conformiez aux normes de qualit\u00e9 des donn\u00e9es.<\/p>\n\n
4. Partager les donn\u00e9es entre les d\u00e9partements<\/h3>\n\n
Pour que les donn\u00e9es soient interop\u00e9rables entre les d\u00e9partements, elles doivent \u00eatre dans un format compr\u00e9hensible par tous. Dans la plupart des cas, les organisations disposent d’informations sur les clients dans les syst\u00e8mes de gestion de la relation client, qui sont comprises par les responsables des ventes et du marketing. Cela peut entra\u00eener des retards dans l’accomplissement des t\u00e2ches et bloquer la productivit\u00e9 de l’\u00e9quipe.<\/p>\n\n
Nettoyage des donn\u00e9es ou normalisation des donn\u00e9es<\/h2>\n\n
Les terminologies de nettoyage des donn\u00e9es<\/em> et de normalisation des donn\u00e9es<\/em> sont g\u00e9n\u00e9ralement utilis\u00e9es de mani\u00e8re interchangeable. Mais il y a une l\u00e9g\u00e8re diff\u00e9rence entre les deux.<\/p>\n\n
Le nettoyage des donn\u00e9es est le processus qui consiste \u00e0 identifier les donn\u00e9es incorrectes ou sales et \u00e0 les remplacer par des valeurs correctes, tandis que la normalisation des donn\u00e9es est le processus qui consiste \u00e0 transformer les valeurs des donn\u00e9es d’un format inacceptable en un format acceptable.<\/p>\n\n
L’objectif et le r\u00e9sultat de ces deux processus sont similaires : vous voulez \u00e9liminer les inexactitudes et les incoh\u00e9rences de vos ensembles de donn\u00e9es. Ces deux processus sont essentiels \u00e0 votre initiative de gestion de la qualit\u00e9 des donn\u00e9es et doivent aller de pair.<\/p>\n\n
Comment normaliser les donn\u00e9es ?<\/h2>\n\n
Un processus de normalisation des donn\u00e9es comporte quatre \u00e9tapes simples : d\u00e9finir, tester, transformer et retester. Examinons chaque \u00e9tape un peu plus en d\u00e9tail.<\/p>\n\n
1. D\u00e9finir une norme<\/h3>\n\n
Dans un premier temps, vous devez identifier la norme qui r\u00e9pond aux besoins de votre organisation. La meilleure fa\u00e7on de d\u00e9finir une norme est de concevoir un mod\u00e8le de donn\u00e9es pour votre entreprise. Ce mod\u00e8le de donn\u00e9es repr\u00e9sente l’\u00e9tat le plus id\u00e9al auquel les valeurs des donn\u00e9es d’une certaine entit\u00e9 doivent se conformer. Un mod\u00e8le de donn\u00e9es peut \u00eatre con\u00e7u comme :<\/p>\n\n
- Identifiez les donn\u00e9es <\/strong>essentielles au fonctionnement de votre entreprise. Par exemple, la plupart des entreprises saisissent et g\u00e8rent des donn\u00e9es relatives aux clients, aux produits, aux employ\u00e9s, aux sites, etc.<\/li>
- D\u00e9finissez les champs de donn\u00e9es <\/strong>de chaque actif identifi\u00e9 et d\u00e9cidez \u00e9galement des d\u00e9tails structurels. Par exemple, vous pouvez souhaiter stocker le nom, l’adresse, l’adresse \u00e9lectronique et le num\u00e9ro de t\u00e9l\u00e9phone d’un client, le champ Nom couvrant trois champs et le champ Adresse deux champs.<\/li>
- Attribuez un type de donn\u00e9es<\/strong> \u00e0 chaque champ identifi\u00e9 dans le poste. Par exemple, le champ Nom est une valeur de type cha\u00eene de caract\u00e8res, le champ Num\u00e9ro de t\u00e9l\u00e9phone est une valeur enti\u00e8re, et ainsi de suite.<\/li>
- D\u00e9finissez des limites de caract\u00e8res<\/strong> (minimum et maximum) pour chaque champ. Par exemple, un nom ne peut pas comporter plus de 15 caract\u00e8res et un num\u00e9ro de t\u00e9l\u00e9phone ne peut pas comporter plus de 8 chiffres, etc.<\/li>
- D\u00e9finissez le mod\u00e8le<\/strong> auquel les champs doivent se conformer – ce mod\u00e8le peut ne pas \u00eatre applicable \u00e0 tous les champs. Par exemple, l’adresse \u00e9lectronique de chaque client doit respecter le regex : [chars]@[chars].[chars].<\/li>
- D\u00e9finir le format<\/strong> dans lequel certains \u00e9l\u00e9ments de donn\u00e9es doivent \u00eatre plac\u00e9s dans un champ. Par exemple, la date de naissance d’un client doit \u00eatre sp\u00e9cifi\u00e9e sous la forme MM\/JJ\/AAAA.<\/li>
- D\u00e9finissez l’unit\u00e9 de mesure <\/strong>des valeurs num\u00e9riques (le cas \u00e9ch\u00e9ant). Par exemple, l’\u00e2ge du client est mesur\u00e9 en ann\u00e9es.<\/li>
- D\u00e9finissez le domaine de valeurs<\/strong> pour les champs qui doivent \u00eatre d\u00e9riv\u00e9s d’un certain ensemble de valeurs. Par exemple, l’\u00e2ge du client doit \u00eatre un chiffre compris entre 18 et 50, le sexe doit \u00eatre Masculin ou F\u00e9minin, et ainsi de suite.<\/li><\/ol>\n\n
Un mod\u00e8le de donn\u00e9es con\u00e7u peut ensuite \u00eatre plac\u00e9 dans un diagramme de classe ERD pour aider \u00e0 visualiser la norme d\u00e9finie pour chaque actif de donn\u00e9es et comment ils sont li\u00e9s les uns aux autres. Un exemple de mod\u00e8le de donn\u00e9es pour une entreprise de vente au d\u00e9tail est pr\u00e9sent\u00e9 ci-dessous :<\/p>\n
\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2022\/02\/Data-models.png\")
<\/figure><\/div>\n2. Test de la norme<\/h3>\n\n
Les techniques de normalisation des donn\u00e9es commencent \u00e0 la deuxi\u00e8me \u00e9tape, puisque la premi\u00e8re \u00e9tape se concentre sur la d\u00e9finition de ce qui devrait \u00eatre – quelque chose qui est fait une fois ou revu et mis \u00e0 jour de fa\u00e7on incr\u00e9mentielle de temps en temps.<\/p>\n\n
Vous avez d\u00e9fini la norme et il est maintenant temps de voir dans quelle mesure les donn\u00e9es actuelles s’y conforment. Nous examinons ci-dessous un certain nombre de techniques qui permettent de tester les valeurs de donn\u00e9es pour d\u00e9tecter les erreurs de normalisation et de cr\u00e9er un rapport de normalisation qui peut \u00eatre utilis\u00e9 pour r\u00e9soudre les probl\u00e8mes.<\/p>\n\n
a. Analyse syntaxique des enregistrements et des attributs<\/h4>\n\n
La conception d’un mod\u00e8le de donn\u00e9es est la partie la plus cruciale de la gestion des donn\u00e9es. Mais malheureusement, de nombreuses organisations ne con\u00e7oivent pas de mod\u00e8les de donn\u00e9es et ne d\u00e9finissent pas de normes de donn\u00e9es communes \u00e0 temps, ou encore les applications qu’elles utilisent ne disposent pas de mod\u00e8les de donn\u00e9es personnalisables – ce qui les conduit \u00e0 capturer des donn\u00e9es sous des noms de champs et des structures variables.<\/p>\n\n
Lorsque vous interrogez des informations provenant de diff\u00e9rents syst\u00e8mes, vous pouvez remarquer que certains enregistrements renvoient le nom d’un client sous la forme d’un champ unique, tandis que d’autres renvoient trois, voire quatre champs couvrant le nom du client. C’est pourquoi, avant de pouvoir rechercher les erreurs dans un ensemble de donn\u00e9es, vous devez commencer par analyser les enregistrements et les champs pour obtenir les composants qui doivent \u00eatre test\u00e9s pour la normalisation.<\/p>\n\n
b. Rapport sur le profil des donn\u00e9es du b\u00e2timent<\/h4>\n\n
L’\u00e9tape suivante consiste \u00e0 faire passer les composants analys\u00e9s par un syst\u00e8me de profilage. Un outil de profilage des donn\u00e9es<\/a> pr\u00e9sente diff\u00e9rentes statistiques sur les attributs des donn\u00e9es, telles que<\/p>\n\n
- Combien de valeurs dans une colonne respectent le type, le format et le mod\u00e8le de donn\u00e9es requis ?<\/li>
- Quel est le nombre moyen de caract\u00e8res pr\u00e9sents dans une colonne ?<\/li>
- Quelles sont les valeurs minimales et maximales pr\u00e9sentes dans une colonne num\u00e9rique ?<\/li>
- Quelles sont les valeurs les plus courantes pr\u00e9sentes dans une colonne et combien de fois apparaissent-elles ?<\/li><\/ul>\n\n
c. Correspondance et validation des mod\u00e8les<\/h4>\n\n
Bien que les outils de profilage des donn\u00e9es fassent \u00e9tat des correspondances de motifs, \u00e9tant donn\u00e9 qu’il s’agit d’une partie importante des tests de normalisation des donn\u00e9es, nous allons en parler un peu plus en profondeur. Pour faire correspondre des motifs, vous devez d’abord d\u00e9finir une expression r\u00e9guli\u00e8re standard pour un champ. Par exemple, une expression r\u00e9guli\u00e8re pour les adresses \u00e9lectroniques peut \u00eatre : ^[a-zA-Z0-9+_ .-]+@[a-zA-Z0-9 .-]+$. Toutes les adresses \u00e9lectroniques qui ne suivent pas le mod\u00e8le donn\u00e9 doivent \u00eatre signal\u00e9es pendant le test.<\/p>\n\n
d. Utilisation des dictionnaires<\/h4>\n\n
La normalisation de certains champs de donn\u00e9es peut \u00eatre test\u00e9e en comparant les valeurs avec des dictionnaires ou des bases de connaissances. Vous pouvez \u00e9galement les ex\u00e9cuter contre des dictionnaires cr\u00e9\u00e9s sur mesure. Il s’agit souvent de faire correspondre des fautes d’orthographe, des abr\u00e9viations ou des noms raccourcis. Par exemple, les noms de soci\u00e9t\u00e9s comprennent g\u00e9n\u00e9ralement des termes tels que LLC, Inc, Ltd, et Corp, etc. En les comparant \u00e0 un dictionnaire rempli de ces termes standard, vous pourrez identifier ceux qui ne respectent pas la norme requise ou qui sont mal orthographi\u00e9s.<\/p>\n\n
En savoir plus sur l’utilisation de wordsmith pour \u00e9liminer le bruit et normaliser les donn\u00e9es en vrac<\/a>.<\/p>\n\n
e. Adresses de test pour la normalisation<\/h4>\n\n
Lorsque vous testez des donn\u00e9es \u00e0 des fins de normalisation, vous pouvez \u00eatre amen\u00e9 \u00e0 tester des champs sp\u00e9cialis\u00e9s, tels que des lieux ou des adresses. La normalisation des adresses est le processus qui consiste \u00e0 v\u00e9rifier le format des adresses par rapport \u00e0 une base de donn\u00e9es faisant autorit\u00e9 – comme l’USPS aux \u00c9tats-Unis – et \u00e0 convertir les informations relatives aux adresses dans un format acceptable et normalis\u00e9.<\/p>\n\n
Une adresse normalis\u00e9e doit \u00eatre correctement orthographi\u00e9e, format\u00e9e, abr\u00e9g\u00e9e, g\u00e9ocod\u00e9e, ainsi que compl\u00e9t\u00e9e par des valeurs ZIP+4 pr\u00e9cises. Toutes les adresses qui ne sont pas conformes \u00e0 la norme requise (en particulier les adresses qui sont cens\u00e9es recevoir des livraisons et des envois) doivent \u00eatre signal\u00e9es afin qu’elles puissent \u00eatre transform\u00e9es si n\u00e9cessaire.<\/p>\n\n
Lire la suite : Un guide rapide de la normalisation et de la v\u00e9rification des adresses<\/a>.<\/p>\n\r\n
\r\n\r\n\r\n\r\n\r\nEnterprise Content Solutions uses DataMatch Enterprise<\/h1>\r\n
Enterprise Content Solutions found 24% higher matches than other vendors for inconsistent address records.<\/p>\r\n Read case study<\/a>\r\n <\/div>\r\n <\/div>\r\n <\/div>\r\n\r\n <\/div>\r\n <\/div>\n\n
3. Transformer<\/h3>\n\n
Dans la troisi\u00e8me \u00e9tape du processus de normalisation des donn\u00e9es, il est enfin temps de convertir les valeurs non conformes dans un format normalis\u00e9. Cela peut inclure :<\/p>\n\n
- Transformer les types de donn\u00e9es des champs<\/strong>, par exemple convertir le num\u00e9ro de t\u00e9l\u00e9phone d’une cha\u00eene de caract\u00e8res en un type de donn\u00e9es entier et \u00e9liminer tous les caract\u00e8res ou symboles pr\u00e9sents dans les num\u00e9ros de t\u00e9l\u00e9phone pour obtenir un num\u00e9ro \u00e0 8 chiffres.<\/li>
- Transformer les mod\u00e8les et les formats<\/strong>, par exemple en convertissant les dates pr\u00e9sentes dans l’ensemble de donn\u00e9es au format MM\/JJ\/AAAA.<\/li>
- Transformation des unit\u00e9s de mesure<\/strong>, comme la conversion des prix des produits en USD.<\/li>
- Expansion des valeurs abr\u00e9g\u00e9es<\/strong> pour compl\u00e9ter les formulaires, par exemple en rempla\u00e7ant les \u00e9tats am\u00e9ricains abr\u00e9g\u00e9s : NY pour New York, NJ pour New Jersey, et ainsi de suite.<\/li>
- Suppression du bruit <\/strong>pr\u00e9sent dans les valeurs des donn\u00e9es pour obtenir des informations plus significatives, par exemple en supprimant les termes LLC, Inc. et Corp. des noms de soci\u00e9t\u00e9s pour obtenir les noms r\u00e9els sans aucun bruit.<\/li>
- Reconstruire les valeurs <\/strong>dans un format standardis\u00e9 au cas o\u00f9 elles devraient \u00eatre mises en correspondance avec une nouvelle application ou un hub de donn\u00e9es, comme un syst\u00e8me de gestion des donn\u00e9es de base<\/a>.<\/li><\/ul>\n\n
Toutes ces transformations peuvent \u00eatre effectu\u00e9es manuellement – ce qui peut prendre du temps et \u00eatre improductif – ou vous pouvez utiliser des outils automatis\u00e9s qui peuvent vous aider \u00e0 nettoyer les donn\u00e9es en automatisant pour vous les phases de test et de transformation standard.<\/p>\n\n
4. Retester pour la norme<\/h3>\n\n
Une fois le processus de transformation termin\u00e9, il est bon de tester \u00e0 nouveau l’ensemble de donn\u00e9es pour d\u00e9tecter les erreurs de normalisation. Les rapports avant et apr\u00e8s normalisation peuvent \u00eatre compar\u00e9s pour comprendre dans quelle mesure les erreurs de donn\u00e9es ont \u00e9t\u00e9 corrig\u00e9es par les processus configur\u00e9s et comment ils peuvent \u00eatre am\u00e9lior\u00e9s pour obtenir de meilleurs r\u00e9sultats.<\/p>\n\n
Utilisation d’outils de normalisation des donn\u00e9es en libre-service<\/h2>\n\n
Aujourd’hui, les donn\u00e9es sont saisies manuellement, mais aussi captur\u00e9es et g\u00e9n\u00e9r\u00e9es automatiquement. Dans le cadre du traitement de grands volumes de donn\u00e9es, les organisations se retrouvent avec des millions d’enregistrements contenant des mod\u00e8les, des types de donn\u00e9es et des formats incoh\u00e9rents. Et chaque fois qu’elles veulent utiliser ces donn\u00e9es, les \u00e9quipes sont bombard\u00e9es d’heures de v\u00e9rification manuelle du format et de correction des moindres d\u00e9tails avant que les informations puissent \u00eatre jug\u00e9es utiles.<\/p>\n\n
De nombreuses entreprises se rendent compte de l’importance de fournir \u00e0 leurs \u00e9quipes des outils de normalisation des donn\u00e9es<\/a> en libre-service, avec des fonctions int\u00e9gr\u00e9es de nettoyage des donn\u00e9es<\/a>. L’adoption de tels outils peut aider votre \u00e9quipe \u00e0 ex\u00e9cuter des techniques complexes de nettoyage et de normalisation des donn\u00e9es sur des millions d’enregistrements en quelques minutes.<\/p>\n\n
DataMatch Enterprise<\/a> est l’un de ces outils qui aide les \u00e9quipes charg\u00e9es des donn\u00e9es \u00e0 rectifier les erreurs de normalisation des donn\u00e9es avec rapidit\u00e9 et pr\u00e9cision, et leur permet de se concentrer sur des t\u00e2ches plus importantes. Pour en savoir plus sur la fa\u00e7on dont DataMatch Enterprise peut vous aider, vous pouvez t\u00e9l\u00e9charger un essai gratuit aujourd’hui<\/a> ou r\u00e9server une d\u00e9monstration<\/a> avec un expert.<\/p>\n","protected":false},"excerpt":{"rendered":"
Lorsque vous extrayez des donn\u00e9es de diverses applications install\u00e9es dans toute l’entreprise, vous vous attendez \u00e0 recevoir une d\u00e9finition et un format coh\u00e9rents de ces m\u00eames informations. Mais en r\u00e9alit\u00e9, c’est rarement le cas. Les variations pr\u00e9sentes dans les ensembles de donn\u00e9es – entre les applications et m\u00eame au sein d’une m\u00eame application – rendent […]<\/p>\n","protected":false},"author":9,"featured_media":68254,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1329],"tags":[517,561,473,638,842],"acf":[],"yoast_head":"\n
Guide de la normalisation des donn\u00e9es : Types, avantages et processus - Data Ladder<\/title>\n<meta name=\"description\" content=\"Dans ce blog, nous allons tout apprendre sur la normalisation des donn\u00e9es : ce qu'elle est, pourquoi et quand vous en avez besoin, et comment vous pouvez la faire.\" \/>\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\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Guide de la normalisation des donn\u00e9es : Types, avantages et processus - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Dans ce blog, nous allons tout apprendre sur la normalisation des donn\u00e9es : ce qu'elle est, pourquoi et quand vous en avez besoin, et comment vous pouvez la faire.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\" \/>\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=\"2022-09-05T15:03:59+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-09-13T09:01:10+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Group-42313.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1440\" \/>\n\t<meta property=\"og:image:height\" content=\"538\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\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=\"15 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Guide de la normalisation des donn\u00e9es : Types, avantages et processus\",\"datePublished\":\"2022-09-05T15:03:59+00:00\",\"dateModified\":\"2022-09-13T09:01:10+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\"},\"wordCount\":3131,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\"},\"keywords\":[\"la qualit\u00e9 des donn\u00e9es\",\"mise en correspondance des donn\u00e9es\",\"Nettoyage des donn\u00e9es\",\"normalisation des adresses\",\"normalisation des donn\u00e9es\"],\"articleSection\":[\"Nettoyage et normalisation des donn\u00e9es\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\",\"url\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\",\"name\":\"Guide de la normalisation des donn\u00e9es : Types, avantages et processus - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#website\"},\"datePublished\":\"2022-09-05T15:03:59+00:00\",\"dateModified\":\"2022-09-13T09:01:10+00:00\",\"description\":\"Dans ce blog, nous allons tout apprendre sur la normalisation des donn\u00e9es : ce qu'elle est, pourquoi et quand vous en avez besoin, et comment vous pouvez la faire.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/fr\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Guide de la normalisation des donn\u00e9es : Types, avantages et processus\"}]},{\"@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":"Guide de la normalisation des donn\u00e9es : Types, avantages et processus - Data Ladder","description":"Dans ce blog, nous allons tout apprendre sur la normalisation des donn\u00e9es : ce qu'elle est, pourquoi et quand vous en avez besoin, et comment vous pouvez la faire.","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\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/","og_locale":"fr_FR","og_type":"article","og_title":"Guide de la normalisation des donn\u00e9es : Types, avantages et processus - Data Ladder","og_description":"Dans ce blog, nous allons tout apprendre sur la normalisation des donn\u00e9es : ce qu'elle est, pourquoi et quand vous en avez besoin, et comment vous pouvez la faire.","og_url":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2022-09-05T15:03:59+00:00","article_modified_time":"2022-09-13T09:01:10+00:00","og_image":[{"width":1440,"height":538,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Group-42313.png","type":"image\/png"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"lbarrera","Dur\u00e9e de lecture estim\u00e9e":"15 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Guide de la normalisation des donn\u00e9es : Types, avantages et processus","datePublished":"2022-09-05T15:03:59+00:00","dateModified":"2022-09-13T09:01:10+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/"},"wordCount":3131,"publisher":{"@id":"https:\/\/dataladder.com\/fr\/#organization"},"keywords":["la qualit\u00e9 des donn\u00e9es","mise en correspondance des donn\u00e9es","Nettoyage des donn\u00e9es","normalisation des adresses","normalisation des donn\u00e9es"],"articleSection":["Nettoyage et normalisation des donn\u00e9es"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/","url":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/","name":"Guide de la normalisation des donn\u00e9es : Types, avantages et processus - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/fr\/#website"},"datePublished":"2022-09-05T15:03:59+00:00","dateModified":"2022-09-13T09:01:10+00:00","description":"Dans ce blog, nous allons tout apprendre sur la normalisation des donn\u00e9es : ce qu'elle est, pourquoi et quand vous en avez besoin, et comment vous pouvez la faire.","breadcrumb":{"@id":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/fr\/guide-de-la-normalisation-des-donnees-types-avantages-et-processus\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/fr\/"},{"@type":"ListItem","position":2,"name":"Guide de la normalisation des donn\u00e9es : Types, avantages et processus"}]},{"@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\/68426"}],"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=68426"}],"version-history":[{"count":1,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/68426\/revisions"}],"predecessor-version":[{"id":68428,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/68426\/revisions\/68428"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/media\/68254"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/media?parent=68426"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/categories?post=68426"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/tags?post=68426"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} - Transformer les mod\u00e8les et les formats<\/strong>, par exemple en convertissant les dates pr\u00e9sentes dans l’ensemble de donn\u00e9es au format MM\/JJ\/AAAA.<\/li>
- Transformer les types de donn\u00e9es des champs<\/strong>, par exemple convertir le num\u00e9ro de t\u00e9l\u00e9phone d’une cha\u00eene de caract\u00e8res en un type de donn\u00e9es entier et \u00e9liminer tous les caract\u00e8res ou symboles pr\u00e9sents dans les num\u00e9ros de t\u00e9l\u00e9phone pour obtenir un num\u00e9ro \u00e0 8 chiffres.<\/li>
- D\u00e9finissez les champs de donn\u00e9es <\/strong>de chaque actif identifi\u00e9 et d\u00e9cidez \u00e9galement des d\u00e9tails structurels. Par exemple, vous pouvez souhaiter stocker le nom, l’adresse, l’adresse \u00e9lectronique et le num\u00e9ro de t\u00e9l\u00e9phone d’un client, le champ Nom couvrant trois champs et le champ Adresse deux champs.<\/li>
- Le nom du client <\/em>est enregistr\u00e9 dans un seul champ dans un syst\u00e8me alors qu’il est couvert par trois champs distincts dans un autre syst\u00e8me pour le pr\u00e9nom, le second pr\u00e9nom et le nom de famille, ce qui entra\u00eene une incoh\u00e9rence structurelle<\/strong>.<\/li>