contactez-nous

Un cadre de qualité des données clients piloté par des règles

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.

Entreprise de nutrition médicale confidentielle NDA 2026

Statut : livré et en production.

IT et data Nutrition médicale / FMCG Qualité et gouvernance des données
Les fiches clients passent par des règles SQL pour aboutir à des scores de qualité et à des preuves au niveau de la ligne.
Vue du processus. Ouvrir l'image entière

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.

Défi

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.

Approche

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 :

  • Entités de données métier. Une vue SQL par entité métier (clients, comptes, adresses, événements e-mail, commandes, etc.), qui combine les tables sources sous-jacentes. Chaque vue a une maille définie et des noms de colonnes compréhensibles par le métier. Les valeurs sont transmises telles quelles, y compris les valeurs fictives, les lacunes et les doublons, afin que les contrôles voient les données telles qu'elles sont réellement. Une entité inter-systèmes dédiée relie l'identité numérique de chaque client à sa fiche CRM par une clé partagée, et compare les noms et les codes postaux après normalisation.
  • Un catalogue de contrôles. Plus de 120 règles, chacune étant une expression SQL unique qui renvoie vrai pour un bon enregistrement et faux pour un mauvais. Les règles couvrent cinq dimensions : complétude, validité, unicité, cohérence et intégrité référentielle. Chaque règle est testée automatiquement sur des enregistrements corrects, incorrects et vides avant son déploiement. Chaque problème n'est signalé qu'une fois : une valeur manquante échoue au contrôle de complétude, sans échouer aussi à ceux de format et d'unicité.
  • Un moteur piloté par des règles. Une procédure stockée lit le catalogue, évalue chaque règle sur chaque ligne et distingue les erreurs des avertissements. Elle écrit les statistiques d'exécution par dimension, champ, pays et segment de clientèle. Pour chaque enregistrement en échec, elle ne consigne que les champs utiles à la règle concernée, de sorte que la preuve est immédiatement lisible.
  • Le reporting par-dessus. Une vue de statistiques unique alimente le rapport en DirectQuery : le rapport affiche donc la dernière exécution sans actualisation distincte. Aucune donnée n'est stockée dans Power BI : chaque requête interroge la couche gouvernée dans Snowflake, de sorte que les règles d'accès et les données restent au même endroit.
  • Conservation des données. Les résultats d'exécution et les détails d'erreurs anciens ou inutilisés sont purgés à intervalles réguliers : seules les données dont le rapport a besoin sont conservées.

Résultats

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

Snowflake SQL et Snowflake Scripting Power BI (DirectQuery)

Solutions : Fondations de données · Gouvernance des données

Envie de parler d'un défi similaire ?

Dites-nous où vous en êtes aujourd'hui et ce que vous cherchez à faire bouger. Nous partagerons ce que nous avons appris de missions comparables et proposerons une façon ciblée de démarrer.

Réservez un échange de 30 min