Chapitre 2. Service de catalogue de métadonnées
Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com
Supposons qu'un utilisateur de données cherche à développer un tableau de bord des revenus. En discutant avec des analystes de données et des scientifiques, l'utilisateur tombe sur un ensemble de données contenant des détails relatifs aux enregistrements de facturation des clients. Dans cet ensemble de données, il tombe sur un attribut appelé "taux de facturation". Quelle est la signification de cet attribut ? Est-il la source de vérité ou provient-il d'un autre ensemble de données ? D'autres questions se posent, telles que : quel est le schéma des données ? Qui les gère ? Comment ont-elles été transformées ? Quelle est la fiabilité de la qualité des données ? Quand ont-elles été actualisées ? et ainsi de suite. Les données ne manquent pas au sein de l'entreprise, mais les consommer pour résoudre des problèmes commerciaux est un défi majeur aujourd'hui. En effet, la construction d'insights sous forme de tableaux de bord et de modèles ML nécessite une compréhension claire des propriétés des données (appelées métadonnées). En l'absence de métadonnées complètes, on peut faire des hypothèses inexactes sur la signification des données et sur leur qualité, ce qui conduit à des aperçus incorrects.
Obtenir des métadonnées fiables est un point douloureux pour les utilisateurs de données. Avant l'ère du big data, ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access