Retrouvez dès à présent l'ensemble des interventions du HUBDAY Data & AI For Business en vidéo !

Aujourd’hui, dans un monde « data dépendent », l’IA peut être la clé de la résolution des problématiques complexes. Cependant, pour atteindre les meilleurs résultats, et optimiser au mieux le fonctionnement des algorithmes, il est indispensable de disposer d'une donnée d’une bonne qualité.

“La mauvaise qualité des données, c’est la limite importante, la limite numéro 1 de l’IA.”

- Sahar Changuel, Société Générale, Senior Data Manager

D’après l’intervenante, les impacts d’une mauvaise qualité de données sont les suivants :

• Des processus plus longs et plus chers Des résultats des analyses peu fiables Une mauvaise gouvernance et le risque de non-conformité des données La perte de valeur de marque La prise de mauvaises décisions

Pour affiner la qualité des données, il faut adopter la méthodologie Data Quality Process basée sur 3 piliers (identifier, évaluer, devenir) et qui se réalise en 5 étapes :

• Le data profiling : l'appropriation des données
• La définition des règles et des critères de qualité de la donnée :
  La complétude des données
• La cohérence des données
• L’exactitude des données
• La validité des données
• La ponctualité ou la disponibilité des données pour l’utilisation
• L’unicité des données ou l’absence des doublons dans la base des données
• La définition des exigences de qualité ainsi que d’un seuil d’acceptabilité de la donnée
• La résolution des anomalies : l’identification du root code du problème
• Le contrôle et le monitoring de la qualité de la donnée

La data quality process permet de :

• Évoluer et améliorer la qualité de la donnée à long terme
• Prendre la décision basée sur les indicateurs fiables
• Anticiper les erreurs data dans l’avenir

Retrouvez dès à présent l'ensemble des interventions du HUBDAY Data & AI For Business en vidéo !