DifficileChoix unique

Question d'entraînement DA0-002

Une grande entreprise de vente au détail intègre des données clients provenant de deux systèmes CRM distincts dans un nouveau data warehouse. Le Système A stocke les identifiants clients sous forme d'entiers (ex., 12345), tandis que le Système B les stocke sous forme de chaînes alphanumériques (ex., 'CUST-12345-X'). De plus, certains clients existent dans les deux systèmes mais avec de légères variations dans les noms (ex., 'John Smith' par rapport à 'Jon Smith'). Le data warehouse nécessite une table clients unifiée dotée d'un identifiant unique pour chaque client. L'analyste doit concevoir le processus d'acquisition des données. Laquelle des propositions suivantes constitue la première étape la plus appropriée ?

Choisissez la meilleure réponse.

Bonne réponse

  • CEffectuer un profilage des données pour analyser les distributions de données, les types de données et les problèmes de qualité dans chaque source

Explication

Le profilage des données est la première étape fondamentale de tout projet d'intégration de données. Il évalue systématiquement les types de données sources, les formats, l'exhaustivité et les problèmes de qualité (ex., ID entiers par rapport à alphanumériques, variations de noms) avant de concevoir la logique de transformation. Sans profilage, les étapes ultérieures telles que la correspondance floue (fuzzy matching) ou la standardisation des ID risquent de reposer sur des hypothèses incorrectes concernant les données.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utiliser une table de correspondance simple basée sur des correspondances exactes de noms pour lier les enregistrements

La correspondance exacte des noms échoue immédiatement parce que 'John Smith' et 'Jon Smith' diffèrent, et les formats d'ID sont incompatibles, de sorte que la table de correspondance ne peut pas lier les enregistrements. C'est tentant car une table de correspondance est le bon artefact pour mapper des identifiants hérités vers une clé unifiée une fois que la logique de correspondance est définie.

B

Fausse

Charger toutes les données des deux systèmes dans une table de staging, puis exécuter un algorithme de correspondance floue (fuzzy matching) pour identifier les doublons

La correspondance floue présume qu'une clé commune ou un champ comparable existe déjà ; ici, les identifiants diffèrent par leur type de données et leur format, de sorte qu'aucune jointure ou clé de correspondance fiable n'est encore disponible. C'est tentant car la correspondance floue est véritablement le bon outil pour réconcilier les variations de noms une fois que les enregistrements sont dotés de clés et standardisés.

C

Juste

Effectuer un profilage des données pour analyser les distributions de données, les types de données et les problèmes de qualité dans chaque source

Le profilage des données expose d'abord la divergence exacte de type entre les ID clients entiers et textuels, ainsi que l'échelle des noms quasi-doublons tels que 'John Smith' par rapport à 'Jon Smith'. Ces preuves, couvrant les distributions, les formats et la qualité, sont nécessaires avant de choisir une stratégie de correspondance ou de standardisation pour la table clients unifiée.

D

Fausse

Standardiser tous les ID clients vers un format commun (ex., UUID) puis fusionner les tables

L'attribution d'UUID crée de nouveaux identifiants mais ne détermine pas quels enregistrements représentent le même client, de sorte que les doublons persistent après la fusion. C'est tentant car la génération de clés de substitution est véritablement requise pour la table unifiée, mais elle doit suivre la résolution d'entités et non la précéder.

Pour aller plus loin

Le profilage des données est l'examen systématique des données sources pour comprendre les types de données, les distributions, les taux de valeurs nulles, les plages de valeurs et les problèmes de qualité avant de concevoir les transformations. Dans ce scénario, les deux systèmes CRM utilisent des formats d'ID incompatibles et présentent des variations de noms ; le profilage révèle donc exactement comment les ID sont structurés, à quelle fréquence les noms diffèrent et quelles règles de correspondance sont réalisables. Ce n'est qu'après le profilage que l'analyste peut choisir la standardisation, la correspondance floue ou une approche de table de correspondance (crosswalk). Ignorer le profilage risque de construire une correspondance floue sur des champs mal compris ou de standardiser des ID qui perdent leur sens. Un cas réaliste consiste à découvrir que la valeur 'CUST-12345-X' du Système B intègre l'entier du Système A, ce qui simplifie la conception de la table de correspondance.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement DA0-002 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.