Wikipédia

Qualité des données

conformité des données aux usages prévus

Cet article est une ébauche concernant l’informatique.

La qualité des données (en anglais data quality) désigne la capacité des données à répondre aux besoins de ceux qui les utilisent. Elle dépend de l'usage auquel elles sont destinées, et des données adaptées à une tâche peuvent se révéler insuffisantes pour une autre[1].

Si ce bandeau n'est plus pertinent, retirez-le. Cliquez ici pour en savoir plus.
Si ce bandeau n'est plus pertinent, retirez-le. Cliquez ici pour en savoir plus.

Cet article ne cite pas suffisamment ses sources ().

Page d’aide sur l’homonymie

Pour les articles homonymes, voir qualité.

Tableau de six lignes aux colonnes identifiant, âge, ville, code postal et année de mise à jour ; six cellules surlignées en bleu sont reliées par des traits aux noms des dimensions, chacun accompagné d'une courte explication.
Exemple fictif de défauts dans un jeu de données correspondant à six dimensions de la qualité des données : une valeur manquante (complétude), une ville et un code postal incompatibles (cohérence), un code postal au format non conforme (validité), un identifiant en double (unicité), un âge inexact (exactitude) et une mise à jour ancienne (actualité).

La qualité des données s'apprécie selon plusieurs critères, appelés dimensions, notamment l'exactitude, la complétude, la cohérence et l'actualité[2]. Leur importance varie selon l'usage, et certaines exigences peuvent entrer en concurrence. C’est le cas de la rapidité de diffusion et du temps consacré aux vérifications[1].

L'évaluation de la qualité des données repose à la fois sur des mesures calculées sur les données (comme la proportion de valeurs manquantes), et sur l'appréciation des personnes qui les produisent, les gèrent ou les utilisent[3][4]. Son amélioration mobilise des contrôles, des corrections et une organisation du travail visant à prévenir les défauts et à répartir les responsabilités[5]. La documentation de l'origine, du contenu et des limites des données contribue également à leur compréhension et à leur bonne utilisation[6].

Principes généraux

modifier

La qualité des données repose sur la notion d'adéquation à l'usage (fitness for use), c'est-à-dire leur capacité à satisfaire les besoins des utilisateurs dans un contexte donné[7]. Elle n'est donc pas une propriété intrinsèque des données mais une relation entre celles-ci et leur usage. Elle englobe également des aspects comme leur accessibilité ou leur facilité d'interprétation[8].

Les données doivent aussi refléter correctement ce qu'elles décrivent. Elles ne sont pas une simple copie de la réalité, mais des représentations qui reposent sur des définitions et des catégories fixées par convention. Ces catégories peuvent vieillir et ne plus correspondre à ce qu'elles sont censées décrire[9][10]. Des erreurs peuvent également survenir lors de la collecte ou du traitement des données. En statistique, on distingue par exemple les erreurs d'échantillonnage, de couverture, de mesure, de non-réponse et de traitement[11].

La qualité dépend ainsi à la fois des conditions de production des données, qui fixent leurs définitions et leurs contrôles, et des exigences de leurs usages, qui peuvent être multiples. Les unes et les autres peuvent diverger, notamment lorsque des données sont réutilisées à d'autres fins, et évoluent dans le temps, si bien que l'appréciation de la qualité n'est jamais définitive[12].

Dimensions

modifier

Principales dimensions

modifier

La qualité des données s'apprécie selon plusieurs critères, appelés dimensions, qui permettent de distinguer différents aspects de leur qualité. Il n'existe pas de liste universelle et les dimensions retenues et leurs définitions varient selon les modèles et les domaines d'application. Une revue de douze cadres généraux publiée en 2019 souligne la diversité des dimensions retenues et la nécessité d’en apprécier la pertinence selon le contexte[13].

Le tableau suivant présente six dimensions couramment utilisées dans la gestion de la qualité des données. Il ne constitue pas une liste exhaustive[14].

Six dimensions de la qualité des données[14]
DimensionDéfinition
Complétude Présence des enregistrements attendus et des informations nécessaires dans chacun d'eux.
Unicité Absence de doublons non souhaités, lorsqu'une même entité ne doit être représentée qu'une seule fois.
Cohérence Absence de contradictions entre des valeurs liées, au sein d'un même jeu de données ou entre plusieurs sources.
Actualité Caractère suffisamment récent des données et disponibilité dans un délai adapté à leur utilisation.
Validité Conformité des valeurs aux formats, types, plages de valeurs et règles définis.
Exactitude Correspondance entre les valeurs enregistrées et la réalité qu'elles décrivent.

Ces dimensions permettent de distinguer des défauts qui ne sont pas toujours liés. Un jeu de données peut être complet tout en contenant des valeurs inexactes. De même, une date de naissance peut respecter le format attendu sans correspondre à la date réelle, notamment lorsque le jour et le mois ont été inversés[14]. Les doublons ne se repèrent pas toujours par de simples contraintes informatiques. Une personne enregistrée sous deux identifiants différents peut satisfaire les règles d'unicité des identifiants tout en étant représentée deux fois dans la base[15].

Concurrence entre dimensions

modifier

Les différentes dimensions de qualité peuvent entrer en concurrence. Une diffusion rapide peut limiter le temps disponible pour vérifier les données, tandis que des contrôles supplémentaires peuvent retarder leur mise à disposition. L'amélioration d'une dimension peut ainsi se faire au détriment d'une autre[1]. Il n'est donc pas toujours possible, ni nécessaire, de maximiser toutes les dimensions simultanément. Les exigences doivent être hiérarchisées selon les usages, les conséquences possibles des défauts et les ressources disponibles. Les compromis retenus doivent être explicites afin que les utilisateurs puissent apprécier les limites des données[16].

Diversité des cadres

modifier

Les modèles de qualité des données diffèrent par les dimensions qu'ils retiennent et la manière dont ils les organisent. Wang et Strong (1996) distinguent quinze dimensions regroupées en quatre familles : qualité intrinsèque, contextuelle, représentationnelle et accessibilité[8]. La norme internationale ISO/IEC 25012 (2008) propose quinze caractéristiques pour les données structurées conservées dans un système informatique, en distinguant celles inhérentes aux données de celles dépendant du système[17].

Les dimensions varient également selon les domaines. Dans les statistiques européennes, la qualité comprend notamment la pertinence, l'exactitude, l'actualité, la ponctualité, la cohérence, la comparabilité, l'accessibilité et la clarté. Ces critères tiennent compte des spécificités de la production et de la diffusion des statistiques[18].

Évaluation de la qualité des données

modifier

L'évaluation de la qualité des données consiste à déterminer dans quelle mesure elles satisfont des exigences définies en fonction de leurs usages. Elle commence par l'identification des données importantes, des dimensions pertinentes et des niveaux de qualité attendus. Les contrôles sont généralement concentrés sur les données dont les défauts auraient les conséquences les plus importantes[19]. L'évaluation associe des mesures calculées sur les données et l'appréciation des personnes qui les produisent, les gèrent ou les utilisent, dont les expériences peuvent révéler des difficultés que les contrôles automatiques ne détectent pas[3].

Contrôle et mesure

modifier

Le profilage des données (data profiling) consiste à examiner un jeu de données pour en caractériser les propriétés : valeurs manquantes, formats, distributions statistiques, valeurs distinctes ou relations entre variables. Il permet de repérer des anomalies et de découvrir des régularités, notamment dans des sources mal documentées[20]. La validation des données vérifie quant à elle leur conformité à des règles explicites, telles que l'unicité d'un identifiant, l'appartenance à une nomenclature ou la cohérence entre deux dates. Ces règles peuvent être traduites en requêtes ou en tests automatisés, exécutés lors de la collecte, des transformations ou avant la diffusion des données[15][21][22].

Les résultats sont quantifiés à l'aide d’indicateurs de qualité, comme la proportion de valeurs renseignées ou conformes à une règle. Leur interprétation dépend du périmètre et des méthodes de calcul retenus[4]. La norme ISO/IEC 25024 propose des mesures quantitatives de qualité des données, sans fixer de seuils universels, ceux-ci dépendant du contexte et des besoins des utilisateurs[23]. Enfin, la conformité à des règles informatiques ne garantit pas l'exactitude des informations, qui peut également nécessiter une comparaison avec une source de référence ou une vérification indépendante.

Surveillance continue

modifier

Lorsque les données sont régulièrement mises à jour, leur qualité peut faire l'objet d'une surveillance automatisée. Les contrôles sont exécutés périodiquement ou intégrés aux chaînes de traitement, et leurs résultats sont suivis dans le temps. L'observabilité des données (data observability) recouvre des dispositifs de suivi de la fraîcheur, du volume, de la distribution, de la structure et de la traçabilité des données[24].

Aux règles explicites peuvent s'ajouter des méthodes statistiques et d'apprentissage non supervisé capables de signaler des changements inhabituels sans avoir défini à l'avance chaque défaut possible. Une anomalie statistique ne constitue toutefois pas nécessairement une erreur : elle peut correspondre à une évolution réelle du phénomène observé. Inversement, un défaut ancien ou systématique peut échapper à ces méthodes. Les alertes doivent donc être interprétées en tenant compte du contexte de production des données[25].

Gestion de la qualité des données

modifier

La gestion de la qualité des données regroupe les pratiques destinées à prévenir les défauts, à les corriger et à maintenir un niveau de qualité adapté aux usages. Elle combine des interventions sur les données elles-mêmes, des améliorations de leurs processus de production et des dispositions organisationnelles[26].

Prévention et correction des défauts

modifier

Les défauts peuvent apparaître à toutes les étapes de la production des données : erreurs de saisie, informations manquantes, valeurs obsolètes ou transformations incorrectes. Le rapprochement de plusieurs sources peut également faire apparaître des incompatibilités de formats, des divergences de définition et des doublons[15].

Le nettoyage des données consiste à corriger les défauts des informations déjà enregistrées. Il comprend notamment l'harmonisation des formats, la correction de valeurs et le rapprochement d'enregistrements décrivant une même entité. Ces opérations peuvent être automatisées, mais les corrections ambiguës nécessitent parfois une vérification humaine. Leur mise en œuvre doit également permettre de contrôler les transformations effectuées et, lorsque cela est nécessaire, de retrouver les valeurs d'origine[27].

L'amélioration durable de la qualité suppose toutefois d'agir sur les causes des défauts. Des contraintes de saisie, des contrôles à la source, des tests automatisés des transformations ou une modification des procédures de collecte peuvent empêcher leur réapparition. Lorsqu'un incident est détecté, son traitement comprend l'identification des données affectées, la recherche de ses causes et, si nécessaire, la correction des données historiques. L'analyse des causes permet ainsi de privilégier les corrections à la source plutôt que la répétition de nettoyages ponctuels[19][26].

Documentation et traçabilité

modifier

La documentation contribue à la compréhension et à l'évaluation des données. Les métadonnées décrivent notamment leur contenu, leurs définitions, leurs unités, leur périmètre, leur période de référence et leur fréquence de mise à jour. Elles peuvent également préciser les méthodes de collecte, les traitements effectués et les limites connues. Ces informations peuvent être rassemblées dans des dictionnaires de données, des catalogues ou des fiches descriptives[28].

Dans le domaine de l'apprentissage automatique, Timnit Gebru et ses coauteurs ont proposé en 2021 les Datasheets for Datasets, des fiches décrivant notamment la finalité, la composition, les conditions de collecte, les traitements et les usages recommandés des jeux de données. Cette démarche vise à améliorer leur transparence et à faciliter leur évaluation par les utilisateurs[29].

La traçabilité, ou lignée des données (data lineage), permet de retracer les sources, les transformations successives et les dépendances entre jeux de données. Elle facilite la recherche de l'origine d'un défaut et l'identification des résultats susceptibles d'être affectés.

Responsabilités et organisation

modifier

La gestion de la qualité fait partie de la gouvernance des données. Elle repose sur la répartition des responsabilités pour définir les exigences, effectuer les contrôles et corriger les défauts. La série de normes ISO 8000 traite de la qualité des données[30], notamment de l'organisation des rôles et responsabilités dans sa partie 150[31].

Les exigences peuvent être traduites en règles de contrôle, en objectifs chiffrés ou en engagements de niveau de service. Le suivi des indicateurs et des anomalies permet de prioriser les corrections et de mesurer les progrès dans une démarche d'amélioration continue[19].

Historique

modifier

La plupart des technologies sur les données informatiques sont nées du désir d'envoyer des informations par courrier. Avant l'émergence de serveurs bon marché, les ordinateurs centraux étaient utilisés pour mettre à jour les données (noms, adresses, et autres attributs) afin que les courriers électroniques arrivent correctement à leur destination. Les mainframes utilisaient des règles métiers pour corriger les défauts dans les données (fautes sur les champs nom et date, défauts de structuration), ainsi que pour suivre les clients qui avaient changé d'adresse, disparu, fusionné, ou expérimenté d'autres événements.

Aux États-Unis, les agences de gouvernement commencèrent à mettre à disposition des données postales à quelques sociétés de service pour gérer les entreprises selon le registre de changement d'adresse national (NCOA). Cette technique a fait économiser à de grandes entreprises de grandes sommes d'argent (millions de dollars) en comparaison de la gestion manuelle des données client. Les grandes entreprises ont réduit leurs frais postaux, les factures et courriers atteignant leurs destinataires plus précisément. Vendue à l'origine comme un service, la qualité des données s'est intégrée au sein des organisations grâce à la disponibilité de technologies serveurs abordables.

Bien que la plupart des entreprises pensent au nom et à l'adresse quand elles se préoccupent de qualité des données, on reconnaît aujourd'hui que la qualité des données est la façon d'améliorer tous les types de données, comme les données sur la chaîne logistique, les données des progiciels de gestion intégrée, les données transactionnelles, etc. Par exemple, mettre en conformité les données de la chaîne d'approvisionnement à un certain standard a une valeur pour une organisation en :

  1. évitant de surstocker des stocks similaires mais légèrement différents
  2. améliorant la compréhension d'achats en négociant des remises en quantité
  3. évitant les coûts logistiques en stockant et envoyant des pièces détachées à travers une grande organisation.

Alors que les données sur les noms et adresses ont un standard clair avec les définitions des autorités postales, les autres types de données ont peu de standards reconnus. Il y a une tendance de fond aujourd'hui dans l'industrie pour standardiser certaines données qui ne sont pas des adresses. Le groupe GS1 fait partie des groupes qui sont fers de lance dans ce mouvement.

Importance de la qualité des données

modifier

La qualité des données est très importante pour réaliser l'interopérabilité de systèmes complexes. En particulier, elle intervient dans les exigences de traçabilité, qui se manifestent dans plusieurs secteurs économiques :

Dans le même ordre d'idées, la qualité des données intervient aussi dans l'analyse du cycle de vie des produits.

La qualité des données revêt une grande importance également dans le Direct Marketing ou plus globalement la gestion de la relation client (en anglais Customer Relationship Management, CRM) où les données client représentent une source de valeur importante pour les entreprises.

Sous un angle plus directement lié à la sécurité des données, elle intervient dans la gestion des documents d'archive, pour l'imputabilité.

La qualité des informations est l'un des 11 facteurs du modèle d'intelligence économique (AFDIE).

D'après le rapport du CIGREF sur le capital immatériel, la fiabilité et l'audibilités des données conditionnent l'évaluation du capital immatériel des entreprises, et le calcul du retour sur investissement des projets d'ingénierie des connaissances. Il est donc nécessaire de disposer de référentiels de données normalisés pour évaluer la qualité des données.

On peut dire aussi que l'objectif poursuivi par la gestion de contenu de parvenir à une convergence des systèmes de gestion de contenu participe d'une démarche qualité dans le domaine des données.

Qualité des informations dans le modèle d'intelligence économique

modifier

Le modèle d'intelligence économique de l'AFDIE identifie six critères de qualité de l'information :

1. Coût et valeur de l'information :

La mise en œuvre des normes IAS/IFRS comporte la comptabilisation du capital immatériel en immobilisations incorporelles ; elle pousse l'entreprise à mieux évaluer la valeur de l'information dans sa stratégie.

2. Connaissances capitalisées et validées,

Le moyen de capitaliser et de valider les connaissances se fait par des projets d'ingénierie des connaissances.

3. Mémoire vivante et accessible,

La mémoire peut être gérée efficacement par une démarche de gestion de contenu, qui visera à unifier les différents systèmes de gestion de contenu présents dans l'entreprise.

4. Informations et connaissances mieux partagées et protégées,

Il s'agit de mettre en place des communautés de pratique, avec des critères permettant de protéger le patrimoine informationnel.

5. Informations écrites et orales indispensables avant la prise de décision,

6. Information prospective et historique.

Il s'agit de disposer d'un référentiel historisé et permettant de faire des analyses prospectives selon des axes d'analyse.

Qualité des données et système décisionnel

modifier

Le système décisionnel a pour objet d’aider les décideurs à effectuer des choix pertinents à partir de données historiques. Ceci implique généralement de prendre en charge de grandes quantités de données disparates afin de les calibrer en information suffisamment précise et sûre pour qu’en confiance des actions puissent être définies et lancées. Ce défi classique pour les architectes de systèmes décisionnels est amplifié ces derniers temps par l’augmentation des exigences en matière de variété, de profondeur et de fraîcheur des données historiques à gérer. Dans ce contexte, la vitesse avec laquelle des données peuvent être « nettoyées », « transformées » et intégrées dans un entrepôt de données devient essentielle pour la compétitivité des entreprises.

La qualité d’une donnée dépend d’abord du contexte dans lequel elle a été initialement saisie, mais d’un point de vue décisionnel son intérêt dépend de l’usage qu’un utilisateur peut en faire. La qualité d’une donnée ne doit donc pas être appréciée dans l’absolu mais de façon relative à son intérêt métier. Les besoins métiers évoluant, l’appréciation de la qualité d’une donnée ne peut donc jamais être fixée de façon définitive. Les programmes d’amélioration de la qualité des données doivent être ciblés en fonction des intérêts métier, sinon il y a un fort risque de se créer une charge de travail digne de Sisyphe.

Le danger des données inexactes:

Alors que la qualité des données est le processus de maintenir la fiabilités et la cohérence des valeurs dans le système informatique. Dans nos jours la avec la propagation intense de numérique dans le monde, plus la quantité de données augmente. C'est une opportunité de choix pour qui sait s'en saisir, mais également c'est un risque majeur en cas de négligence. Donc la qualité de données est aujourd'hui une problématique majeure pour la société.

Bibliographie

modifier
  • AFDIE, Modèle d'intelligence économique, préface d'Alain Juillet, collection L'intelligence économique, Economica, 2004.
  • Christophe Brasseur, Data Management : qualité des données et compétitivité, éditions Hermes Science, Collection Management et informatique, 2005.
  • Michel Fournel, Accroitre la qualité et la valeur des données de vos clients, éditions Publibook, 2007, (ISBN 978-2-7483-3847-8).

Notes et références

modifier
  1. 1 2 3 Isabelle Boydens, « Évaluer et améliorer la qualité des bases de données », Techno, Bruxelles, Smals-MvM, no 7,‎ , p. 1-11 (lire en ligne, consulté le ), p. 2.
  2. ↑ Julien Karachehayas, « La qualité des données : un levier stratégique pour l'entreprise », sur France Num, (consulté le ), section « Qu'est-ce que la qualité des données ? ».
  3. 1 2 (en) Leo L. Pipino, Yang W. Lee et Richard Y. Wang, « Data Quality Assessment », Communications of the ACM, vol. 45, no 4,‎ , p. 211-218 (DOI 10.1145/505248.506010), p. 211.
  4. 1 2 (en) Leo L. Pipino, Yang W. Lee et Richard Y. Wang, « Data Quality Assessment », Communications of the ACM, vol. 45, no 4,‎ , p. 211-218 (DOI 10.1145/505248.506010), p. 213.
  5. ↑ Julien Karachehayas, « La qualité des données : un levier stratégique pour l'entreprise », sur France Num, (consulté le ), sections « De la qualité à la gouvernance des données » et « Une feuille de route en 5 étapes ».
  6. ↑ Statistique Canada, « Chapitre 1.5 : Gestion de la qualité », sur statcan.gc.ca, (consulté le ), section « Contexte » et encadré 1.5.1.
  7. ↑ (en) Richard Y. Wang et Diane M. Strong, « Beyond Accuracy: What Data Quality Means to Data Consumers », Journal of Management Information Systems, vol. 12, no 4,‎ , p. 5-34 (DOI 10.1080/07421222.1996.11518099), p. 6.
  8. 1 2 (en) Richard Y. Wang et Diane M. Strong, « Beyond Accuracy: What Data Quality Means to Data Consumers », Journal of Management Information Systems, vol. 12, no 4,‎ , p. 5-34 (DOI 10.1080/07421222.1996.11518099), p. 20 (figure 2) et p. 22.
  9. ↑ (en) Yair Wand et Richard Y. Wang, « Anchoring Data Quality Dimensions in Ontological Foundations », Communications of the ACM, vol. 39, no 11,‎ , p. 86-95 (DOI 10.1145/240455.240479), p. 87-88.
  10. ↑ (en) Isabelle Boydens et Seth van Hooland, « Hermeneutics applied to the quality of empirical databases », Journal of Documentation, vol. 67, no 2,‎ , p. 279-289 (DOI 10.1108/00220411111109476), p. 282.
  11. ↑ Insee, « Principe 12 : Exactitude et fiabilité », sur insee.fr, (consulté le ), indicateurs 12.1 à 12.3.
  12. ↑ Erreur de référence : Balise <ref> incorrecte : aucun texte n’a été fourni pour les références nommées "qd-boydens-1999"
  13. ↑ (en) Corinna Cichy et Stefan Rass, « An Overview of Data Quality Frameworks », IEEE Access, vol. 7,‎ , p. 24634-24648 (DOI 10.1109/ACCESS.2019.2899751), section VII « Conclusion ».
  14. 1 2 3 (en) Government Data Quality Hub, « The Government Data Quality Framework », sur GOV.UK, (consulté le ), section « Data quality dimensions - how to measure your data quality ».
  15. 1 2 3 (en) Erhard Rahm et Hong Hai Do, « Data Cleaning: Problems and Current Approaches », IEEE Data Engineering Bulletin, vol. 23, no 4,‎ , p. 3-13 (lire en ligne, consulté le ), § 2.1 et 2.2 « Data cleaning problems ».
  16. ↑ (en) Government Data Quality Hub, « The Government Data Quality Framework », sur GOV.UK, (consulté le ), section « User needs and trade-offs ».
  17. ↑ (en) Organisation internationale de normalisation, « ISO/IEC 25012:2008 — Software engineering — Software product Quality Requirements and Evaluation (SQuaRE) — Data quality model », sur iso.org, (consulté le ), notice officielle.
  18. ↑ Parlement européen et Conseil de l'Union européenne, « Règlement (CE) no 223/2009 du Parlement européen et du Conseil du 11 mars 2009 relatif aux statistiques européennes », Journal officiel de l'Union européenne, no L 87,‎ , p. 164 (lire en ligne, consulté le ), article 12.
  19. 1 2 3 (en) Government Data Quality Hub, « The Government Data Quality Framework: guidance », sur GOV.UK, (consulté le ), section « Data quality action planning ».
  20. ↑ (en) Ziawasch Abedjan, Lukasz Golab et Felix Naumann, « Profiling relational data: a survey », The VLDB Journal, vol. 24,‎ , p. 557-581 (DOI 10.1007/s00778-015-0389-y), p. 557-558.
  21. ↑ (en) Great Expectations, « GX Core overview », sur Great Expectations (consulté le ), sections « Define Expectations » et « Run Validations ».
  22. ↑ (en) dbt Labs, « Add data tests to your DAG », sur dbt Developer Hub (consulté le ).
  23. ↑ (en) Organisation internationale de normalisation, « ISO/IEC 25024:2015 — Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Measurement of data quality », sur iso.org, (consulté le ), notice officielle, résumé.
  24. ↑ (en) Barr Moses, Lior Gavish et Molly Vorwerck, Data Quality Fundamentals : A Practitioner's Guide to Building Trustworthy Data Pipelines, O'Reilly Media, (ISBN 978-1-098-11204-2), p. 132.
  25. ↑ (en) Jeremy Stanley et Paige Schwartz, Automating Data Quality Monitoring : Scaling Beyond Rules with Machine Learning, O'Reilly Media, (lire en ligne), p. 20, 37 et 39–40.
  26. 1 2 (en) Carlo Batini, Cinzia Cappiello, Chiara Francalanci et Andrea Maurino, « Methodologies for Data Quality Assessment and Improvement », ACM Computing Surveys, vol. 41, no 3,‎ , p. 16:1-16:52, article no 16 (DOI 10.1145/1541880.1541883), § 2.1 et 2.2.
  27. ↑ (en) Erhard Rahm et Hong Hai Do, « Data Cleaning: Problems and Current Approaches », IEEE Data Engineering Bulletin, vol. 23, no 4,‎ , p. 3-13 (lire en ligne, consulté le ), sections 3 et 4.
  28. ↑ (en) Government Data Quality Hub, « The Government Data Quality Framework: guidance », sur GOV.UK, (consulté le ), section « Data quality and metadata ».
  29. ↑ (en) Timnit Gebru et al., « Datasheets for Datasets », Communications of the ACM, vol. 64, no 12,‎ , p. 86-92 (DOI 10.1145/3458723).
  30. ↑ (en) Organisation internationale de normalisation, « ISO 8000-1:2022 — Data quality — Part 1: Overview », sur iso.org, (consulté le ).
  31. ↑ (en) Organisation internationale de normalisation, « ISO 8000-150:2022 — Data quality — Part 150: Data quality management: Roles and responsibilities », sur iso.org, (consulté le ).

Voir aussi

modifier

Source

modifier
Ce document provient de « https://fr.wikipedia.org/w/index.php?title=Qualité_des_données&oldid=240808769 ».