Les dimensions de la qualité des données

« Les chiffres sont faux » : c’est la phrase qui ruine la confiance dans un tableau de bord. Derrière, les causes sont variées : un client compté deux fois, des ventes d’hier pas encore chargées, un code postal mal saisi. Pour agir, il faut d’abord nommer le problème et le mesurer. Les dimensions de la qualité des données donnent ce vocabulaire commun.

La qualité dépend de l’usage

Une donnée n’est pas bonne ou mauvaise dans l’absolu : elle est adaptée ou non à un usage. Un fichier clients sans numéro de téléphone convient à une campagne d’emailing, pas à une campagne d’appels. Avant de mesurer, on se demande donc : qui utilise cette donnée, pour quoi faire, et quelle erreur aurait des conséquences ?

Les six dimensions usuelles

Les référentiels ne listent pas tous exactement les mêmes dimensions, mais ces six reviennent partout :

Dimension	Question	Exemple de défaut
Complétude	La valeur est-elle renseignée ?	email vide
Validité	Respecte-t-elle le format ou le domaine attendu ?	code postal de 4 chiffres, email sans @
Exactitude	Correspond-elle à la réalité ?	mauvaise adresse, bien formée
Cohérence	Est-elle compatible avec les autres données ?	« France » ici, « FR » ailleurs ; date de livraison avant la commande
Unicité	Chaque objet réel est-il présent une seule fois ?	même client saisi deux fois
Fraîcheur (actualité)	Est-elle assez récente pour l’usage ?	ventes d’hier absentes à 9 h

Deux confusions fréquentes :

• validité et exactitude : marc@ex.fr est un email valide, mais s’il appartient à quelqu’un d’autre, il est inexact. La validité se vérifie par une règle ; l’exactitude demande souvent une source de référence ou une vérification humaine ;
• unicité et doublon technique : deux lignes identiques sont un doublon évident ; deux lignes « Marie Dupont » et « M. Dupont » avec le même email sont le même client, plus difficile à détecter.

Certaines équipes ajoutent l’intégrité (les références pointent vers des objets existants), la précision (le niveau de détail suffisant) ou l’accessibilité.

De l’exigence à la règle mesurable

Une exigence vague (« les données clients doivent être propres ») ne se mesure pas. On la traduit en règles :

• Complétude : « l’email est renseigné pour au moins 98 % des clients actifs » ;
• Validité : « le code postal français comporte exactement 5 chiffres » ;
• Plausibilité (une forme d’exactitude vérifiable) : « la date de naissance est dans le passé et après 1900 » ;
• Unicité : « aucun email n’est partagé par deux clients actifs » ;
• Fraîcheur : « les ventes de la veille sont disponibles chaque jour à 7 h ».

Chaque règle a un seuil (100 % n’est pas toujours réaliste ni nécessaire) et un responsable.

Calculer un indicateur

Un indicateur de qualité est un ratio simple : lignes conformes / lignes contrôlées. Attention au dénominateur : la validité d’un email se calcule sur les emails renseignés, sinon on mélange complétude et validité.

SELECT
  100.0 * COUNT(email) / COUNT(*)                                AS pct_email_renseigne,
  100.0 * SUM(CASE WHEN email LIKE '%_@_%' THEN 1 ELSE 0 END)
        / COUNT(email)                                          AS pct_email_valide
FROM clients;

En SQL, COUNT(colonne) ignore les NULL : c’est pratique pour la complétude. Attention aux chaînes vides, qui ne sont pas NULL : selon la source, un email absent peut être '', NULL ou 'n/a'.

Suivre la qualité dans le temps

Une mesure ponctuelle ne suffit pas : on calcule les indicateurs à chaque chargement et on les enregistre. Un graphique de l’évolution montre si la qualité se dégrade (nouvelle version d’un formulaire, nouvelle source) et si les actions correctives fonctionnent. Les outils de transformation (tests dbt) et les outils spécialisés (Great Expectations, Soda, ou les fonctions de qualité des plateformes cloud) automatisent ces contrôles. Mais le choix des règles et des seuils reste une décision métier, prise avec les utilisateurs des données.