Monte Carlo · 1 octobre 2025
Surveiller la qualité des données : large ou profond, il faut les deux
- qualité des données
- bonnes pratiques
Concentrer toute sa surveillance sur les quelques « tables en or » de l'entreprise : l'approche paraît raisonnable, et c'est précisément l'erreur que dénonce cet article de Monte Carlo. En ignorant l'amont, on découvre les anomalies trop tard, une fois qu'elles ont contaminé les données critiques.
Deux niveaux de surveillance complémentaires
La réponse proposée superpose deux couches. Une surveillance « large » : des contrôles légers et peu coûteux — fraîcheur, volume, changements de schéma — appliqués à l'ensemble des tables de production. Et une surveillance « profonde », réservée aux données importantes : détection d'anomalies par apprentissage automatique et règles métier sur mesure pour repérer valeurs manquantes, doublons ou dérives de distribution. Troisième ingrédient : croiser ces signaux avec les journaux de la chaîne technique (SQL, orchestrateurs, outils de transformation, BI) pour relier chaque incident au changement de code qui l'a provoqué.
Une mise en œuvre par étapes
L'article décline la démarche en six étapes : prioriser les actifs selon le risque, activer les contrôles de base partout, approfondir sur le critique, router intelligemment les alertes grâce au lignage, corréler les journaux pour le diagnostic, et mesurer les progrès via les temps de détection et de résolution. Il esquisse enfin la suite : des agents IA capables de créer et d'ajuster les contrôles automatiquement.
Ce que cela change pour une PME
Transposée à l'échelle d'une PME, la leçon est simple : surveiller « un peu partout et beaucoup au bon endroit ». Un contrôle basique — le fichier a-t-il été mis à jour, le nombre de lignes est-il plausible ? — sur l'ensemble des données, et une vérification sérieuse sur les fichiers dont dépend la facturation ou la relation client. C'est une déclinaison directe de l'axe « qualité & fiabilité » de l'Audit Data, sans plateforme d'observabilité à acheter.