Défi
Les données clients divergeaient entre quatre systèmes, tandis que des règles enfouies dans un rapport masquaient les échecs et faussaient les scores.
Un cadre Snowflake gouverné contrôle les données clients de quatre systèmes et fournit aux responsables des données des scores et des preuves au niveau de l'enregistrement pour agir.

Défi
Les données clients divergeaient entre quatre systèmes, tandis que des règles enfouies dans un rapport masquaient les échecs et faussaient les scores.
Solution livrée
Des vues SQL par entité, un catalogue de règles testé, un moteur d'évaluation Snowflake et un reporting en DirectQuery.
Valeur métier
Des règles gouvernées, des scores honnêtes et des preuves au niveau de la ligne, que les responsables des données peuvent utiliser pour corriger les enregistrements.
Une entreprise de nutrition médicale gère les données de ses clients professionnels de santé dans quatre systèmes : une plateforme d'identité numérique, un CRM, une plateforme de marketing automation et une boutique e-commerce. Chaque système détient sa propre version du client : noms, e-mails, adresses et consentements peuvent donc diverger.
Le rapport de qualité des données existant s'était développé de façon organique. Ses règles étaient dispersées entre formules de rapport et transformations de données, et ses scores étaient calculés une fois par actualisation, de sorte qu'ils ne réagissaient pas aux filtres. Certains enregistrements étaient écartés avant d'être mesurés, ce qui donnait des scores meilleurs que la réalité. Le rapport pouvait aussi indiquer qu'un pourcentage était faible, mais pas quels enregistrements étaient erronés ni pourquoi.
Nous avons commencé par la rétro-ingénierie du rapport existant : chaque source, transformation et mesure a été documentée, et chaque problème de logique a été répertorié. Nous disposions ainsi d'une base de référence claire et de la liste de ce qui devait changer.
Nous avons ensuite reconstruit la qualité des données sous la forme d'un cadre, et non plus d'un rapport :
Quatre systèmes sources alimentent des vues SQL par entité métier dans Snowflake, sans écarter les lacunes, les valeurs fictives ni les doublons. Un catalogue testé de plus de 120 règles pilote l'évaluation des lignes. Le moteur distingue erreurs et avertissements et produit des statistiques d'exécution segmentées ainsi que des preuves d'échec au niveau de la ligne. Une vue de statistiques unique alimente Power BI en DirectQuery. Une purge planifiée supprime les résultats d'exécution et les détails d'erreurs anciens ou inutilisés.

Résultats qualitatifs du projet ; aucune économie mesurée n'est avancée.
Un lieu unique et gouverné pour les règles de qualité des données, au lieu d'une logique dispersée dans un rapport
Des scores honnêtes : rien n'est écarté avant d'être mesuré
Des preuves au niveau de la ligne pour chaque échec : les responsables des données peuvent corriger des enregistrements au lieu de débattre de pourcentages
Une cohérence inter-systèmes rendue visible : un même client a-t-il le même aspect dans la plateforme d'identité et dans le CRM ?
Des résultats ventilés par pays et par segment de clientèle, avec des totaux corrects pour calculer les taux d'erreur
Un nouveau contrôle s'ajoute sous la forme d'une ligne dans le catalogue ; aucune modification du code n'est nécessaire
Aucune copie des données clients dans l'outil de reporting et aucune accumulation de résultats obsolètes : les données restent dans Snowflake et ne sont conservées que le temps nécessaire
Solutions : Fondations de données · Gouvernance des données
Choisissez un échange de 30 minutes ou envoyez-nous une courte demande, selon ce qui vous convient.