Contrôle de qualité des données
Découvrez comment DataQuality vérifie la qualité de vos données et identifie les anomalies selon 5 dimensions standardisées.
Articles de cette catégorie
Comprendre le contrôle DQA
Introduction à la démarche d'audit DQA (Data Quality Assessment) selon des pratiques courantes en contexte MEAL/DQA.
Complétude
Évaluation du taux de remplissage des variables obligatoires sans pénaliser les questions sautées légitimement.
Validité
Contrôle de la conformité des données aux types attendus, formats regex et plages de valeurs réalistes.
Cohérence
Vérification des liens logiques internes entre plusieurs réponses au sein d'une même observation.
Unicité
Détection des soumissions dupliquées (doublons stricts de lignes ou collisions sur la clé d'identification).
Intégrité
Évaluation de la validité et complétude des variables de désagrégation configurées.
Doublons (Lignes & Clés métier)
Procédure détaillée de traitement et suppression des soumissions multiples.
Valeurs manquantes
Comprendre et traiter les cellules non renseignées sur les questions applicables.
Valeurs aberrantes (Algorithme de Tukey)
Détection des outliers statistiques par l'intervalle interquartile 1.5×IQR.
Dates incohérentes
Contrôle de la chronologie des dates de collecte par rapport aux dates du projet et à la date du jour.
Valeurs impossibles (Âges et bornes)
Rejet des valeurs violant les lois biologiques ou les contraintes physiques du questionnaire.
Contrôles inter-variables
Validation des relations biologiques et logiques entre plusieurs colonnes du questionnaire.
Règles relationnelles
Guide complet des règles logiques configurables entre deux variables numériques ou de dates.
Skip Logic & Applicabilité
Comment DataQuality gère les questions conditionnelles sans fausser les scores de complétude.