Modélisation sémantique des données

Chapitre 9. Mauvaise gestion de la qualité

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Si tu donnes à un manager un objectif chiffré, il l'atteindra, même s'il doit détruire l'entreprise au passage.

W. Edwards Deming

La qualité d'un modèle de données sémantiques (et de tout produit, d'ailleurs) n'est pas seulement affectée par les erreurs commises lors de sa spécification et de son développement, mais aussi par les mauvaises pratiques suivies lors de la mesure et de la gestion de cette qualité. Les dimensions que nous choisissons de mesurer, les mesures que nous utilisons pour ces mesures et la façon dont nous interprétons les valeurs de ces mesures peuvent faire une grande différence entre un modèle réussi et un modèle qui ne l'est pas. Ce chapitre décrit quelques pratiques problématiques courantes liées à la qualité et propose des moyens de les éviter.

Ne pas traiter la qualité comme un ensemble de compromis

Nous voulons tous que les modèles sémantiques soient 100 % exacts, complets, opportuns et pertinents, mais le plus souvent, ce n'est ni possible ni réaliste. L'une des principales raisons (outre le fait que la modélisation sémantique est une activité humaine, par et pour les humains) est qu'il existe plusieurs compromis entre les dimensions de la qualité que nous avons vues au chapitre 4 (exactitude, exhaustivité, cohérence, etc.) qui font qu'il est difficile de maximiser la qualité ...