Data Quality Dashboard – Suivi et Pilotage des Indicateurs de Qualité

Contexte

Ce projet a été conçu dans le cadre de mon alternance au Crédit Agricole Personal Finance & Mobility (CAPFM), au sein du Data Management Office (DMO).
Le DMO a pour rôle de superviser la qualité, la conformité et la fiabilité des données utilisées dans les processus métiers et réglementaires.

Le besoin exprimé par les équipes métiers était de disposer d’un outil de pilotage visuel centralisant les indicateurs de qualité de données (complétude, unicité, cohérence, conformité) issus de différentes sources.

Objectif du projet

Développer un tableau de bord Power BI connecté à Snowflake permettant de :

Suivre en temps réel les KPI de qualité pour chaque domaine métier (client, crédit, risque, conformité, référentiel).
Identifier rapidement les anomalies et écarts par rapport aux seuils de contrôle.
Fournir aux Data Stewards et managers une vision consolidée et dynamique de la qualité des données.
Faciliter la prise de décision et la priorisation des plans de remédiation.

Architecture fonctionnelle

Le système repose sur une chaîne automatisée d’alimentation, de calcul et de restitution des indicateurs.

Couche	Description
Source Snowflake	Tables alimentées par les contrôles de qualité issus des règles DQ automatisées.
ETL Python / SQL	Nettoyage, transformation et agrégation des résultats par domaine et KPI.
Data Mart Qualité	Structure normalisée dans Snowflake pour exposition vers Power BI.
Dashboard Power BI	Visualisation interactive des scores, tendances et anomalies.

Image 1 – Schéma d’architecture du dashboard Data Quality

architecture

Stack technique

Domaine	Outils / Technologies
Langages	Python, SQL
Cloud / Stockage	Snowflake
ETL & Automatisation	Python (pandas, openpyxl), procédures Snowflake
Visualisation	Power BI
Interopérabilité	Export CSV / Excel vers Collibra et reporting DMO
Méthodologie	Agile – sprints hebdomadaires avec Data Stewards

Modules fonctionnels

1. Calcul et consolidation des KPI

Extraction des règles de qualité exécutées dans Snowflake.
Calcul des scores de complétude, unicité, cohérence et conformité.
Agrégation par domaine, entité et type de donnée.

Image 2 – Exemple de tableau d’indicateurs consolidés

indicateurs

2. Modélisation du Data Mart

Création d’un modèle logique centré sur les entités “Règle”, “KPI”, “Domaine”, “Score”.
Construction de vues dynamiques pour les dashboards Power BI.
Historisation automatique des résultats par date et exécution.

Image 3 – Schéma du modèle de données

model

3. Dashboard Power BI – Suivi global de la qualité

Tableau de bord interactif affichant les scores par domaine, tendance temporelle et taux d’erreurs.
Navigation par filtres dynamiques (pays, entité, domaine, type de donnée).
Visualisation instantanée des règles en alerte ou non conformes.
Export PDF automatique pour diffusion en comité DMO.

Image 4 – Dashboard Power BI – Vue d’ensemble

dashboard

Résultats obtenus

Indicateur	Résultat
KPI suivis	40+ indicateurs automatisés
Domaines couverts	5 (Clients, Crédit, Risque, Conformité, Référentiels)
Fréquence de mise à jour	Quotidienne
Utilisateurs actifs	30 Data Stewards et Managers
Réduction du temps de reporting	-70 %

Impacts et valeur ajoutée

Visibilité consolidée sur la qualité de données à l’échelle du groupe.
Réactivité accrue dans la détection des anomalies.
Meilleure collaboration entre métiers et data teams autour des KPI communs.
Fiabilisation du reporting réglementaire (BCBS 239, RGPD).
Réduction des tâches manuelles grâce à l’automatisation du calcul et du suivi.

Contact

Tariq TAMRABET
Data Governance Manager & Data Engineer – Crédit Agricole PFM
📧 tariq.tamrabet@hotmail.com
🔗 LinkedIn

Prochain projet → DWFA – Dashboard mondial accès à l’eau

“Mesurer la qualité des données, c’est mesurer la confiance dans l’entreprise.”