Le problème à résoudre
Les décisions et les reportings reposent sur des données truffées d’erreurs, de doublons et d’incohérences. Personne n’est garant de leur qualité, et la confiance dans la donnée — donc dans les décisions — est entamée.
La promesse pour la direction
Votre analyste devient garant de la qualité : il définit des règles, automatise les contrôles, met en place un catalogue et une gouvernance — faisant de la donnée un actif fiable et de confiance.
Ce que le parcours débloque
Élevée
Confiance dans la donnée
Automatique
Détection des anomalies
Complète
Traçabilité (lignage)
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | Analyste / gestionnaire de données |
| Prérequis | SQL, compréhension métier des données |
| Durée | 5 mois |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
Great Expectations · dbt tests · OpenMetadata · DataHub · SQL · Soda
Les jalons
Une trajectoire pour un collaborateur déjà en poste. Chaque mois est validé par un livrable et un critère d’acceptation écrit à l’avance.
| Mois | Thème | Atelier | Validation |
|---|---|---|---|
| M1 | Dimensions qualité Cadre de référence | Définir les règles de qualité métier | ✔ Référentiel de qualité établi |
| M2 | Contrôles automatisés Data quality testing | Automatiser les contrôles de qualité | ✔ Anomalies détectées en continu |
| M3 | Profilage & nettoyage Data profiling | Profiler et fiabiliser un jeu de données | ✔ Données fiabilisées |
| M4 | Catalogue & lignage Data catalog | Cataloguer les données et leur lignage | ✔ Origine des données traçable |
| M5 | Gouvernance Rôles & propriété | Définir les responsabilités sur la donnée | ✔ Propriétaires de données désignés |
| M6 | Projet qualité Domaine réel | Fiabiliser un domaine de données critique | ✔ Soutenance + confiance restaurée |