Monte Carlo · 29 avril 2025
Douze métriques pour mesurer vraiment la qualité des données
- qualité des données
- bonnes pratiques
« Nos données sont-elles fiables ? » — la question reste vague tant qu'on ne la mesure pas. Monte Carlo propose douze métriques pour y répondre, organisées autour d'un concept fédérateur : le « data downtime », le temps pendant lequel les données sont fausses, incomplètes ou indisponibles.
Mesurer les pannes de données comme des pannes de service
L'idée-force est d'importer les réflexes de la production informatique : le data downtime se calcule en croisant le nombre d'incidents avec le temps de détection et le temps de résolution. Autour de ce noyau gravitent des métriques de suivi — nombre d'incidents par pipeline, disponibilité des tables, santé de chaque table — et des métriques de réactivité : à quelle vitesse détecte-t-on un problème, à quelle vitesse le corrige-t-on, les équipes tiennent-elles les statuts à jour.
Couverture, criticité et ménage
Le reste de la panoplie relève de l'hygiène : scorer l'importance métier de chaque actif pour proportionner l'effort, suivre la part des tables de production effectivement supervisées, ajouter des contrôles ciblés au-delà du socle, repérer les tables et tableaux de bord que plus personne n'utilise, et surveiller la dégradation progressive des requêtes. L'article insiste enfin sur l'équilibre entre fréquence et gravité des incidents — et sur la nécessité de doser les alertes pour ne pas noyer les équipes.
Ce que cela change pour une PME
Une PME n'a pas besoin de douze métriques. Mais deux ou trois, bien choisies, changent la conversation : combien d'erreurs de données ce trimestre, combien de temps avant de s'en apercevoir, combien de temps pour corriger ? Poser ces questions sur les fichiers critiques — facturation, clients, stocks — est un excellent point d'entrée de l'axe « qualité & fiabilité » de l'Audit Data : on ne pilote que ce qu'on mesure.