Utiliser la qualité des données auto

Cette page explique comment créer une analyse de la qualité des données Dataplex.

Pour en savoir plus sur les analyses de la qualité des données, consultez À propos de la qualité automatique des données.

Avant de commencer

Activez l'API Dataplex.

Activer l'API

Autorisations

• Pour exécuter une analyse de la qualité des données sur une table BigQuery, vous devez disposer de l'autorisation de lire la table BigQuery et de créer un job BigQuery dans le projet utilisé pour analyser la table.

  Remarque :Dataplex ne crée pas de tâche BigQuery dans votre projet. Toutefois, vous avez besoin de cette autorisation pour créer un job DryRun afin de vérifier les autorisations pour cette table.

• Si la table BigQuery et l'analyse de la qualité des données se trouvent dans des projets différents, vous devez accorder au compte de service Dataplex du projet contenant l'autorisation de lecture de l'analyse de la qualité des données pour la table BigQuery correspondante.

  Remarque :Si vous n'avez créé aucune analyse de qualité des données ou de profil de données, ou si vous n'avez pas de lac Dataplex dans ce projet, créez un identifiant de service en exécutant la commande suivante : gcloud beta services identity create --service=dataplex.googleapis.com. Cette commande renvoie un identifiant de service Dataplex s'il existe.

• Si les règles de qualité des données font référence à des tables supplémentaires, le compte de service du projet d'analyse doit disposer d'autorisations en lecture sur les mêmes tables.

• Pour obtenir les autorisations nécessaires pour exporter les résultats d'analyse vers une table BigQuery, demandez à votre administrateur d'attribuer au compte de service Dataplex le rôle IAM "Éditeur de données BigQuery" (roles/bigquery.dataEditor) sur l'ensemble de données et la table des résultats. Fournit les autorisations suivantes:

  • bigquery.datasets.get
  • bigquery.tables.create
  • bigquery.tables.get
  • bigquery.tables.getData
  • bigquery.tables.update
  • bigquery.tables.updateData

• Si les données BigQuery sont organisées dans un lac Dataplex, attribuez les rôles roles/dataplex.metadataReader et roles/dataplex.viewer au compte de service Dataplex. Vous avez également besoin des autorisations suivantes:

  • dataplex.lakes.list
  • dataplex.lakes.get
  • dataplex.zones.list
  • dataplex.zones.get
  • dataplex.entities.list
  • dataplex.entities.get
  • dataplex.operations.get

• Si vous analysez une table externe BigQuery à partir de Cloud Storage, attribuez au compte de service Dataplex le rôle Cloud Storage roles/storage.objectViewer pour le bucket. Vous pouvez également attribuer les autorisations suivantes au compte de service Dataplex:

  • storage.buckets.get
  • storage.objects.get

• Si vous souhaitez publier les résultats de l'analyse de la qualité des données sur les pages BigQuery et Data Catalog de la console Google Cloud pour les tables sources, vous devez disposer du rôle IAM Éditeur de données BigQuery (roles/bigquery.dataEditor) ou de l'autorisation bigquery.tables.update pour la table.

• Si vous devez accéder à des colonnes protégées par des règles d'accès au niveau des colonnes de BigQuery, attribuez les autorisations de compte de service Dataplex pour ces colonnes. L'utilisateur qui crée ou met à jour une analyse de données doit également disposer d'autorisations pour les colonnes.

• Si des règles d'accès BigQuery au niveau des lignes sont activées pour une table, vous ne pouvez analyser que les lignes visibles par le compte de service Dataplex. Notez que les droits d'accès de l'utilisateur individuel ne sont pas évalués pour les stratégies au niveau des lignes.

Autorisations et rôles pour l'analyse de données

Pour utiliser la qualité automatique des données, vous devez disposer des autorisations permettant d'exécuter des analyses de données ou d'un rôle doté d'autorisations prédéfinies pour exécuter des analyses de données.

Le tableau suivant présente les autorisations DataScan:

Nom de l'autorisation	Accorde l'autorisation d'effectuer les opérations suivantes:
dataplex.datascans.create	Créer un objet DataScan
dataplex.datascans.delete	Supprimer un objet DataScan
dataplex.datascans.get	Afficher les métadonnées opérationnelles telles que l'identifiant ou le calendrier, mais pas les résultats ni les règles
dataplex.datascans.getData	Afficher les détails de DataScan, y compris les règles et les résultats
dataplex.datascans.list	Répertorier les DataScan
dataplex.datascans.run	Exécuter un DataScan
dataplex.datascans.update	Mettre à jour la description d'une DataScan
dataplex.datascans.getIamPolicy	Afficher les autorisations IAM actuelles sur l'analyse
dataplex.datascans.setIamPolicy	Définir les autorisations IAM sur l'analyse

Attribuez aux utilisateurs un ou plusieurs des rôles suivants:

• roles/dataplex.dataScanAdmin: accès complet aux ressources DataScan.
• roles/dataplex.dataScanEditor: accès en écriture aux ressources DataScan.
• roles/dataplex.dataScanViewer: accès en lecture aux ressources DataScan à l'exclusion des règles et des résultats.
• roles/dataplex.dataScanDataViewer: accès en lecture aux ressources DataScan, y compris aux règles et aux résultats.

Définir des règles sur la qualité des données

Vous pouvez définir des règles de qualité des données à l'aide de règles intégrées ou de vérifications SQL personnalisées. Si vous utilisez Google Cloud CLI, vous pouvez définir ces règles dans un fichier JSON ou YAML.

Les exemples des sections suivantes montrent comment définir diverses règles de qualité des données. Les règles valident un exemple de table qui contient des données sur les transactions des clients. Supposons que la table présente le schéma suivant:

Nom de colonne	Type de colonne	Description de la colonne
transaction_timestamp	Code temporel	Horodatage de la transaction. La table est partitionnée en fonction de ce champ.
customer_id	Chaîne	Un numéro client au format 8 lettres suivis de 16 chiffres.
transaction_id	Chaîne	L'ID de transaction doit être unique dans la table.
currency_id	Chaîne	L'une des devises acceptées.Le type de devise doit correspondre à l'une des devises disponibles dans le tableau des dimensions dim_currency.
amount	float	Montant de la transaction.
discount_pct	float	Pourcentage de remise. Cette valeur doit être comprise entre 0 et 100.

Définir des règles de qualité des données à l'aide de types de règles intégrés

Les exemples de règles suivants sont basés sur des types de règles intégrés. Vous pouvez créer des règles basées sur des types de règles intégrés à l'aide de la console Google Cloud ou de l'API. Dataplex peut recommander certaines de ces règles.

Nom de la colonne	Type de règle	Dimension suggérée	Paramètres de la règle
transaction_id	Vérification de l'originalité	Unicité	"Threshold" (Seuil) : Not Applicable
amount	Vérification de la valeur nulle	Exhaustivité	"Threshold" (Seuil) : 100%
customer_id	Vérification d'expressions régulières	Validité	Expression régulière: ^[0-9]{8}[a-zA-Z]{16}$ Seuil: 100%
currency_id	Vérification de la valeur définie	Validité	Ensemble de: USD,JPY,INR,GBP,CAN Seuil: 100%

Définir des règles de qualité des données à l'aide de règles SQL personnalisées

Pour créer des règles SQL personnalisées, utilisez le framework suivant:

• Lorsque vous créez une règle qui évalue une ligne à la fois, créez une expression qui génère le nombre de lignes réussies lorsque Dataplex évalue la requête SELECT COUNTIF(CUSTOM_SQL_EXPRESSION) FROM TABLE. Dataplex vérifie le nombre de lignes réussies par rapport au seuil.

• Lorsque vous créez une règle qui évalue les lignes ou utilise une vérification SQL globale, créez une expression qui renvoie la réussite ou l'échec lorsque Dataplex évalue la requête SELECT IF(CUSTOM_SQL_EXPRESSION) FROM TABLE.

• Lorsque vous créez une règle qui évalue l'état non valide d'un ensemble de données, fournissez une instruction qui renvoie des lignes non valides. Si des lignes sont renvoyées, la règle échoue. Omettez le point-virgule à la fin de l'instruction SQL.

• Vous pouvez faire référence à une table de source de données et à tous ses filtres de conditions préalables en utilisant le paramètre de référence de données ${data()} dans une règle, au lieu de mentionner explicitement la table source et ses filtres. Les filtres de ligne, les pourcentages d'échantillonnage et les filtres incrémentiels sont des exemples de filtres de conditions préalables. Le paramètre ${data()} est sensible à la casse.

Les exemples de règles suivants sont basés sur des règles SQL personnalisées.

Type de règle	Description de la règle	Expression SQL
Condition de ligne	Vérifie si la valeur de discount_pct est comprise entre 0 et 100.	0 <discount_pct ET discount_pct < 100
Condition de ligne	Vérification de référence pour vérifier que currency_id est l'une des devises acceptées.	currency_id in (select id from my_project_id.dim_dataset.dim_currency)
Expression SQL d'agrégation	Vérifie si la discount_pct moyenne est comprise entre 30% et 50%.	30<avg(discount) AND avg(discount) <50
Condition de ligne	Vérifie si une date n'est pas postérieure à la date du jour.	TIMESTAMP(transaction_timestamp) < CURRENT_TIMESTAMP()
Expression SQL d'agrégation	Une fonction BigQuery définie par l'utilisateur (UDF) pour vérifier que le montant moyen des transactions est inférieur à une valeur prédéfinie par pays. Créez la UDF (JavaScript) en exécutant la commande suivante : CREATE OR REPLACE FUNCTION myProject.myDataset.average_by_country ( country STRING, average FLOAT64) RETURNS BOOL LANGUAGE js AS R""" if (country = "CAN" && average < 5000){ return 1 } else if (country = "IND" && average < 1000){ return 1 } else { return 0 } """;	Exemple de règle permettant de vérifier le montant moyen des transactions pour country=CAN myProject.myDataset.average_by_country( "CAN", (SELECT avg(amount) FROM myProject.myDataset.transactions_table WHERE currency_id = 'CAN' ))
Expression SQL d'agrégation	Une clause de prédiction BigQuery ML permettant d'identifier les anomalies dans discount_pct. Il vérifie si une remise doit être appliquée en fonction de customer, currency et transaction. La règle vérifie si la prédiction correspond à la valeur réelle, dans au moins 99% des cas. Hypothèse: le modèle de ML est créé avant d'utiliser la règle. Créez le modèle de ML à l'aide de la commande suivante : CREATE MODEL model-project-id.dataset-id.model-name OPTIONS(model_type='logistic_reg') AS SELECT IF(discount_pct IS NULL, 0, 1) AS label, IFNULL(customer_id, "") AS customer, IFNULL(currency_id, "") AS currency, IFNULL(amount, 0.0) AS amount FROM `data-project-id.dataset-id.table-names` WHERE transaction_timestamp < '2022-01-01';	La règle suivante vérifie si la justesse de la prédiction est supérieure à 99%. SELECT accuracy > 0.99 FROM ML.EVALUATE (MODEL model-project-id.dataset-id.model-name, ( SELECT customer_id, currency_id, amount, discount_pct FROM data-project-id.dataset-id.table-names WHERE transaction_timestamp > '2022-01-01'; ) )
Condition de ligne	Une fonction de prédiction BigQuery ML permettant d'identifier les anomalies dans discount_pct La fonction vérifie si une remise doit être appliquée en fonction de customer, currency et transaction. La règle identifie toutes les occurrences pour lesquelles la prédiction ne correspond pas. Hypothèse: le modèle de ML est créé avant d'utiliser la règle. Créez le modèle de ML à l'aide de la commande suivante : CREATE MODEL model-project-id.dataset-id.model-name OPTIONS(model_type='logistic_reg') AS SELECT IF(discount_pct IS NULL, 0, 1) AS label, IFNULL(customer_id, "") AS customer, IFNULL(currency_id, "") AS currency, IFNULL(amount, 0.0) AS amount FROM `data-project-id.dataset-id.table-names` WHERE transaction_timestamp < '2022-01-01';	La règle suivante vérifie si la prédiction de la remise correspond aux valeurs réelles pour chaque ligne. IF(discount_pct > 0, 1, 0) =(SELECT predicted_label FROM ML.PREDICT( MODEL model-project-id.dataset-id.model-name, ( SELECT customer_id, currency_id, amount, discount_pct FROM data-project-id.dataset-id.table-names AS t WHERE t.transaction_timestamp = transaction_timestamp LIMIT 1 ) ) )
Assertion SQL	Vérifie si la valeur discount_pct est supérieure à 30% pour aujourd'hui en vérifiant s'il existe des lignes avec un pourcentage de remise inférieur ou égal à 30.	SELECT * FROM my_project_id.dim_dataset.dim_currency WHERE discount_pct <= 30 AND transaction_timestamp >= current_date()
Assertion SQL (avec paramètre de référence de données)	Vérifie si la valeur discount_pct est supérieure à 30% pour toutes les devises acceptées à l'heure actuelle. Le filtre de date transaction_timestamp >= current_date() est appliqué en tant que filtre de ligne dans la table de la source de données. Le paramètre de référence de données ${data()} sert d'espace réservé pour my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date() et applique le filtre de ligne.	SELECT * FROM ${data()} WHERE discount_pct > 30

Définir des règles de qualité des données à l'aide de la gcloud CLI

L'exemple de fichier YAML suivant utilise les mêmes règles que les exemples de règles utilisant des types intégrés et les exemples de règles SQL personnalisées. Vous pouvez utiliser ce fichier YAML comme entrée dans la commande de gcloud CLI.

rules:
- uniquenessExpectation: {}
  column: transaction_id
  dimension: UNIQUENESS
- nonNullExpectation: {}
  column: amount
  dimension: COMPLETENESS
  threshold: 1
- regexExpectation:
  regex: '^[0-9]{8}[a-zA-Z]{16}$'
  column : customer_id
  ignoreNull : true
  dimension : VALIDITY
  threshold : 1
- setExpectation :
  values :
  - 'USD'
  - 'JPY'
  - 'INR'
  - 'GBP'
  - 'CAN'
  column : currency_id
  ignoreNull : true
  dimension : VALIDITY
  threshold : 1
- rowConditionExpectation:
    sqlExpression : 0 < `discount_pct` AND `discount_pct` < 100
  column: discount_pct
  dimension: VALIDITY
  threshold: 1
- rowConditionExpectation:
    sqlExpression : currency_id in (select id from `my_project_id.dim_dataset.dim_currency`)
  column: currency_id
  dimension: VALIDITY
  threshold: 1
- tableConditionExpectation:
    sqlExpression : 30 < avg(discount_pct) AND avg(discount_pct) < 50
  dimension: VALIDITY
- rowConditionExpectation:
    sqlExpression : TIMESTAMP(transaction_timestamp) < CURRENT_TIMESTAMP()
  column: transaction_timestamp
  dimension: VALIDITY
  threshold: 1

Créer une analyse de qualité des données

Console

1. Dans la console Google Cloud, accédez à la page Qualité des données.

   Accéder à la page "Qualité des données"

2. Cliquez sur Créer une analyse de la qualité des données.

3. Dans la fenêtre Define scan (Définir une analyse), renseignez les champs suivants:

   1. Saisissez un nom à afficher.

   2. L'ID d'analyse est généré automatiquement si vous ne fournissez pas votre propre ID. Consultez la convention d'attribution de noms des ressources.

   3. Facultatif : saisissez une Description.

   4. Dans le champ Table, cliquez sur Parcourir, choisissez votre table, puis cliquez sur Sélectionner. Dataplex n'accepte que les tables BigQuery standards.

      Pour les tables d'ensembles de données multirégionaux, choisissez une région dans laquelle créer l'analyse de données.

      Pour parcourir les tables organisées dans le lac Dataplex, cliquez sur Parcourir dans les lacs Dataplex.

   5. Dans le champ Portée, sélectionnez Incrémentiel ou Données entières.

      • Si vous choisissez Incrémentiel: dans le champ Colonne d'horodatage, sélectionnez une colonne de type DATE ou TIMESTAMP dans votre table BigQuery qui augmente de façon linéaire et permet d'identifier de nouveaux enregistrements. Il peut s'agir d'une colonne qui partitionne la table.

   6. Facultatif: ajoutez des étiquettes. Les étiquettes sont des paires key:value qui vous permettent de regrouper des objets associés ou de les combiner à d'autres ressources Google Cloud.

   7. Pour filtrer vos données, cliquez sur Filtres. Cochez la case Filtrer les lignes. La valeur d'entrée pour le filtre de ligne doit être une expression SQL valide pouvant être utilisée dans une clause WHERE dans la syntaxe SQL standard de BigQuery. Exemple :col1 >= 0 Le filtre peut être une combinaison de plusieurs conditions de colonne. Par exemple, col1 >= 0 AND col2 < 10.

   8. Pour échantillonner vos données, sélectionnez un pourcentage d'échantillonnage dans la liste Taille d'échantillonnage. Choisissez une valeur en pourcentage comprise entre 0,0% et 100,0 %, avec un maximum de trois chiffres décimaux. Pour les ensembles de données plus volumineux, choisissez un pourcentage d'échantillonnage plus faible. Par exemple, pour une table d'environ 1 Po, si vous saisissez une valeur comprise entre 0,1% et 1,0%, Dataplex échantillonne entre 1 et 10 To de données. Pour les analyses de données incrémentielles, Dataplex applique un échantillonnage au dernier incrément.

   9. Pour publier les résultats de l'analyse de la qualité des données sur les pages BigQuery et Data Catalog de la console Google Cloud pour la table source, cochez la case Publier les résultats dans l'interface utilisateur de BigQuery et de Dataplex Catalog. Vous pouvez afficher les derniers résultats d'analyse dans l'onglet Qualité des données des pages BigQuery et Data Catalog de la table source. Pour permettre aux utilisateurs d'accéder aux résultats d'analyse publiés, consultez la section Partager les résultats publiés. L'option de publication peut ne pas être disponible dans les cas suivants:

      • Vous ne disposez pas des autorisations requises sur la table.
      • Une autre analyse de la qualité des données est configurée pour publier les résultats.

      Pour en savoir plus sur les autorisations requises pour afficher les résultats publiés, consultez la section Autorisations.

   10. Cliquez sur Continuer.

4. Dans la fenêtre Planifier, sélectionnez l'une des options suivantes:

   • Répéter : exécutez la tâche d'analyse de la qualité des données selon un calendrier (quotidien, hebdomadaire, mensuel ou personnalisé). Spécifiez la fréquence et l'heure d'exécution de l'analyse. Si vous choisissez une planification personnalisée, utilisez le format cron pour spécifier la planification.

   • À la demande: exécutez le job d'analyse de la qualité des données à la demande.

   Cliquez sur Continuer.

5. Dans la fenêtre Règles de qualité des données, définissez les règles à configurer pour cette analyse de la qualité des données. Cliquez sur Ajouter des règles, puis sélectionnez l'une des options suivantes.

   • Recommandations basées sur le profil: créez des règles à partir des recommandations basées sur une analyse de profilage de données existante.

     1. Sélectionner des colonnes: sélectionnez les colonnes pour lesquelles vous souhaitez obtenir des règles recommandées.

     2. Scan project (Analyser le projet) : recommandations basées sur une analyse de profilage de données existante. Par défaut, Dataplex sélectionne les analyses de profilage du projet dans lequel vous créez l'analyse de la qualité des données. Si vous avez créé l'analyse dans un autre projet, vous devez spécifier le projet à partir duquel extraire les analyses de profil.

     3. Sélectionner les résultats de profil: plusieurs résultats de profil s'affichent en fonction des colonnes et du projet que vous sélectionnez.

     4. Sélectionnez un ou plusieurs résultats de profil, puis cliquez sur OK. Une liste de règles à sélectionner s'affiche.

     5. Sélectionnez les règles que vous souhaitez modifier en cochant les cases correspondantes et cliquez sur Sélectionner. Une fois sélectionnées, les règles sont ajoutées à votre liste de règles actuelle. Vous pouvez ensuite modifier les règles.

   • Types de règles intégrés: créez des règles à partir de règles prédéfinies. Consultez la liste des règles prédéfinies.

     1. Sélectionner des colonnes: sélectionnez les colonnes pour lesquelles vous souhaitez sélectionner des règles.

     2. Choisissez des types de règles: en fonction des colonnes sélectionnées, plusieurs types de règles s'affichent.

     3. Sélectionnez un ou plusieurs types de règles, puis cliquez sur OK. Une liste de règles à sélectionner s'affiche.

     4. Sélectionnez les règles que vous souhaitez modifier en cochant les cases correspondantes, puis cliquez sur Sélectionner. Une fois sélectionnées, les règles sont ajoutées à votre liste de règles actuelle. Vous pouvez ensuite modifier les règles.

   • Règle de vérification des lignes SQL: créez une règle SQL personnalisée à appliquer à chaque ligne (règle de vérification des lignes SQL personnalisée).

     1. Sous Dimension, choisissez une dimension.

     2. Dans Seuil de réussite, choisissez le pourcentage d'enregistrements qui doivent être validés.

     3. Dans Nom de la colonne, choisissez une colonne.

     4. Dans le champ Fournir une expression SQL, saisissez une expression SQL qui renvoie une valeur booléenne true (réussite) ou false (échec). Pour en savoir plus, consultez la section Types de règles SQL personnalisées compatibles et les exemples de la section Définir des règles de qualité des données de ce document.

     5. Cliquez sur Ajouter.

   • Règle de vérification d'agrégation SQL: créez une règle de vérification d'agrégation SQL personnalisée.

     1. Sous Dimension, choisissez une dimension.

     2. Dans Nom de la colonne, choisissez une colonne.

     3. Dans le champ Fournir une expression SQL, saisissez une expression SQL qui renvoie une valeur booléenne true (réussite) ou false (échec). Pour en savoir plus, consultez la section Types de règles SQL personnalisées compatibles et les exemples de la section Définir des règles de qualité des données de ce document.

     4. Cliquez sur Ajouter.

   • Règle d'assertion SQL: créez une règle d'assertion SQL personnalisée pour rechercher un état non valide dans les données.

     1. Sous Dimension, choisissez une dimension.

     2. Facultatif: Dans Nom de la colonne, choisissez une colonne.

     3. Dans le champ Fournir une instruction SQL, saisissez une instruction SQL qui renvoie les lignes correspondant à l'état non valide. Si des lignes sont renvoyées, cette règle échoue. Omettez le point-virgule à la fin de l'instruction SQL. Pour en savoir plus, consultez la section Types de règles SQL personnalisées compatibles et les exemples de la section Définir des règles de qualité des données de ce document.

     4. Cliquez sur Ajouter.

   Dataplex permet des noms personnalisés pour les règles de qualité des données à des fins de surveillance et d'alerte. Pour toute règle de qualité des données, vous pouvez éventuellement attribuer un nom et une description personnalisés à la règle. Pour ce faire, modifiez une règle et spécifiez les informations suivantes:

   • Nom de la règle: saisissez un nom de règle personnalisée comportant jusqu'à 63 caractères. Le nom de la règle peut inclure des lettres (a-z, A-Z), des chiffres (0-9) et des traits d'union (-). Il doit commencer par une lettre et se terminer par un chiffre ou une lettre.
   • Description: saisissez une description de la règle d'une longueur maximale de 1 024 caractères.

   Cliquez sur Continuer.

6. Facultatif: exportez les résultats d'analyse vers une table BigQuery standard. Cliquez sur Parcourir pour sélectionner un ensemble de données BigQuery existant dans lequel stocker les résultats de l'analyse de la qualité des données.

   Si la table spécifiée n'existe pas, Dataplex la crée pour vous. Si vous utilisez une table existante, assurez-vous qu'elle est compatible avec le schéma de table d'exportation.

   Remarque :Vous pouvez partager la même table de résultats pour enregistrer ou exporter les résultats de plusieurs analyses de qualité des données.

7. Cliquez sur Créer.

   Une fois l'analyse créée, vous pouvez l'exécuter à tout moment en cliquant sur Exécuter.

gcloud

Pour créer une analyse de la qualité des données, utilisez la commande gcloud dataplex datascans create data-quality.

Si les données sources sont organisées dans un lac Dataplex, incluez l'option --data-source-entity:

gcloud dataplex datascans create data-quality DATASCAN \
    --location=LOCATION \
    --data-quality-spec-file=DATA_QUALITY_SPEC_FILE \
    --data-source-entity=DATA_SOURCE_ENTITY

Si les données sources ne sont pas organisées dans un lac Dataplex, incluez l'option --data-source-resource:

gcloud dataplex datascans create data-quality DATASCAN \
    --location=LOCATION \
    --data-quality-spec-file=DATA_QUALITY_SPEC_FILE \
    --data-source-resource=DATA_SOURCE_RESOURCE

Remplacez les variables suivantes :

• DATASCAN: nom de l'analyse de la qualité des données.
• LOCATION: région Google Cloud dans laquelle créer l'analyse de la qualité des données.
• DATA_QUALITY_SPEC_FILE: chemin d'accès au fichier JSON ou YAML contenant les spécifications de l'analyse de la qualité des données. Il peut s'agir d'un fichier local ou d'un chemin d'accès Cloud Storage avec le préfixe gs://. Vous pouvez spécifier des champs supplémentaires dans ce fichier, tels que rules, rowFilter ou samplingPercent. Consultez la documentation sur la représentation JSON.
• DATA_SOURCE_ENTITY: entité Dataplex qui contient les données pour l'analyse de la qualité des données. Exemple : projects/test-project/locations/test-location/lakes/test-lake/zones/test-zone/entities/test-entity.
• DATA_SOURCE_RESOURCE: nom de la ressource contenant les données pour l'analyse de la qualité des données. Exemple : //bigquery.googleapis.com/projects/test-project/datasets/test-dataset/tables/test-table.

REST

Utilisez APIs Explorer pour créer une analyse de la qualité des données.

Remarque :Si votre table BigQuery est configurée avec le filtre de partition obligatoire défini sur true, utilisez la colonne de partition BigQuery comme filtre de ligne d'analyse de la qualité des données ou comme colonne d'horodatage.

Exporter le schéma de la table

Pour exporter les résultats de l'analyse de la qualité des données vers une table BigQuery existante, assurez-vous qu'elle est compatible avec le schéma de table suivant:

Nom de la colonne	Type de données de la colonne	Nom du sous-champ (le cas échéant)	Type de données du sous-champ	Mode	Exemple
data_quality_scan	struct/record	resource_name	string	nullable	//dataplex.googleapis.com/projects/test-project/locations/europe-west2/datascans/test-datascan
		project_id	string	nullable	dataplex-back-end-dev-project
		location	string	nullable	us-central1
		data_scan_id	string	nullable	test-datascan
data_source	struct/record	resource_name	string	nullable	Cas de l'entité: //dataplex.googleapis.com/projects/dataplex-back-end-dev-project/locations/europe-west2/lakes/a0-datascan-test-lake/zones/a0-datascan-test-zone/entities/table1 Majuscule en début de table : //bigquery.googleapis.com/projects/test-project/datasets/test-dataset/tables/test-table
		dataplex_entity_project_id	string	nullable	dataplex-back-end-dev-project
		dataplex_entity_project_number	integer	nullable	123456789
		dataplex_lake_id	string	nullable	(Valide uniquement si la source est une entité) test-lake
		dataplex_zone_id	string	nullable	(Valide uniquement si la source est une entité) test-zone
		dataplex_entity_id	string	nullable	(Valide uniquement si la source est une entité) test-entity
		table_project_id	string	nullable	test-project
		table_project_number	integer	nullable	987654321
		dataset_id	string	nullable	(Valide uniquement si la source est une table) test-dataset
		table_id	string	nullable	(Valide uniquement si la source est une table) test-table
data_quality_job_id	string			nullable	caeba234-cfde-4fca-9e5b-fe02a9812e38
data_quality_job_configuration	json	trigger	string	nullable	ondemand/schedule
		incremental	boolean	nullable	true/false
		sampling_percent	float	nullable	(0-100) 20.0 (indique 20%)
		row_filter	string	nullable	col1 >= 0 AND col2 < 10
job_labels	json			nullable	{"key1":value1}
job_start_time	timestamp			nullable	2023-01-01 00:00:00 UTC
job_end_time	timestamp			nullable	2023-01-01 00:00:00 UTC
job_rows_scanned	integer			nullable	7500
rule_name	string			nullable	test-rule
rule_type	string			nullable	Range Check
rule_evaluation_type	string			nullable	Per row
rule_column	string			nullable	Rule only attached to a certain column
rule_dimension	string			nullable	Uniqueness
job_quality_result	struct/record	passed	boolean	nullable	true/false
		score	float	nullable	90.8
job_dimension_result	json			nullable	{ "accuracy":{ "passed":true }, "consistency":{ "passed":false } }
rule_threshold_percent	float			nullable	(0,0-100,0) Rule-threshold-pct in API * 100
rule_parameters	json			nullable	{min: 24, max:5345}
rule_pass	boolean			nullable	True
rule_rows_evaluated	integer			nullable	7400
rule_rows_passed	integer			nullable	3
rule_rows_null	integer			nullable	4
rule_failed_records_query	string			nullable	"SELECT * FROM `test-project.test-dataset.test-table` WHERE (NOT((`cTime` >= '15:31:38.776361' and `cTime` <= '19:23:53.754823') IS TRUE));"

Lorsque vous configurez BigQueryExport pour une tâche d'analyse de la qualité des données, suivez les instructions ci-dessous:

• Pour le champ resultsTable, utilisez le format suivant : //bigquery.googleapis.com/projects/{project-id}/datasets/{dataset-id}/tables/{table-id}.
• Utilisez une table BigQuery standard.
• Si la table n'existe pas lors de la création ou de la mise à jour de l'analyse, Dataplex crée la table pour vous.
• Par défaut, la table est partitionnée quotidiennement dans la colonne job_start_time.
• Si vous souhaitez que la table soit partitionnée dans d'autres configurations ou si vous ne voulez pas de partition, recréez-la avec le schéma et les configurations requis, puis fournissez la table prédéfinie en tant que table de résultats.
• Assurez-vous que la table de résultats se trouve au même emplacement que la table source.
• Si VPC-SC est configuré sur le projet, la table de résultats doit se trouver dans le même périmètre VPC-SC que la table source.
• Si la table est modifiée lors de la phase d'exécution de l'analyse, la tâche en cours d'exécution est exportée vers la table de résultats précédente, et la modification de la table prend effet à partir de la tâche d'analyse suivante.
• Ne modifiez pas le schéma de la table. Si vous avez besoin de colonnes personnalisées, créez une vue sur la table.
• Pour réduire les coûts, définissez un délai d'expiration sur la partition en fonction de votre cas d'utilisation. Pour en savoir plus, découvrez comment définir la date d'expiration de la partition.

Analyser la qualité des données

Console

1. Dans la console Google Cloud, accédez à la page Qualité des données. Accédez à Qualité des données Dataplex
2. Cliquez sur l'analyse de la qualité des données pour l'exécuter.
3. Cliquez sur Exécuter maintenant.

gcloud

Pour exécuter une analyse de la qualité des données, utilisez la commande gcloud dataplex datascans run:

gcloud dataplex datascans run DATASCAN \
--location=LOCATION \

Remplacez les variables suivantes :

• LOCATION: région Google Cloud dans laquelle l'analyse de la qualité des données a été créée.
• DATASCAN: nom de l'analyse de la qualité des données.

REST

Utilisez APIs Explorer pour exécuter l'analyse de la qualité des données.

Afficher les résultats du job d'analyse de la qualité des données

Console

Les analyses de qualité des données que vous avez créées s'affichent sur la page Qualité des données.

Pour afficher les résultats détaillés d'une analyse, cliquez sur son nom.

• La section Présentation affiche des informations sur les sept dernières exécutions, y compris la date d'exécution de l'analyse, le nombre d'enregistrements analysés dans chaque tâche, si tous les contrôles de qualité des données ont réussi, si des échecs se sont produits, le nombre de contrôles de la qualité des données qui ont échoué et les dimensions ayant échoué.

• La section Configuration de l'analyse de la qualité des données affiche les détails de l'analyse.

Remarque :Si vous avez exporté les résultats d'analyse vers une table BigQuery, vous pouvez également accéder aux résultats d'analyse à partir de la table.

gcloud

Pour afficher les résultats d'une tâche d'analyse de la qualité des données, utilisez la commande gcloud dataplex datascans jobs describe:

gcloud dataplex datascans jobs describe JOB \
--location=LOCATION \
--datascan=DATASCAN \
--view=FULL

Remplacez les variables suivantes :

• JOB: ID de la tâche d'analyse de la qualité des données.
• LOCATION: région Google Cloud dans laquelle l'analyse de la qualité des données a été créée.
• DATASCAN: nom de l'analyse de la qualité des données à laquelle appartient la tâche.
• --view=FULL: pour afficher le résultat de la tâche d'analyse, spécifiez FULL.

REST

Utilisez APIs Explorer pour afficher les résultats d'une analyse de la qualité des données.

Afficher tous les jobs d'analyse de la qualité des données

Dataplex enregistre l'historique de l'analyse de la qualité des données pour les 300 derniers jobs ou pour l'année passée, selon la première échéance atteinte.

Console

L'onglet Historique des jobs fournit des informations sur les jobs passés. Il répertorie l'ensemble des tâches, le nombre d'enregistrements analysés dans chaque tâche, leur état, l'heure d'exécution de la tâche, l'état de réussite ou d'échec de chaque règle, etc.

Pour afficher des informations détaillées sur une tâche, cliquez sur l'une des tâches dans la colonne ID de tâche.

gcloud

Pour afficher toutes les tâches d'une analyse de la qualité des données, utilisez la commande gcloud dataplex datascans jobs list:

gcloud dataplex datascans jobs list \
--location=LOCATION \
--datascan=DATASCAN \

Remplacez les variables suivantes :

• LOCATION: région Google Cloud dans laquelle l'analyse de la qualité des données a été créée.
• DATASCAN: nom de l'analyse de la qualité des données pour laquelle afficher toutes les tâches.

REST

Utilisez APIs Explorer pour afficher toutes les tâches d'analyse.

Partager les résultats publiés

Lorsque vous créez une analyse de la qualité des données, si vous avez choisi de publier les résultats sur les pages BigQuery et Data Catalog de la console Google Cloud, les résultats les plus récents sont disponibles dans l'onglet Qualité des données de ces pages.

Vous pouvez autoriser les utilisateurs de votre organisation à accéder aux résultats d'analyse publiés. Pour accorder l'accès aux résultats d'analyse, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page Profil.

   Accéder au profil Dataplex

2. Cliquez sur l'analyse de la qualité des données dont vous souhaitez partager les résultats.

3. Accédez à l'onglet Autorisations.

4. Cliquez sur Accorder l'accès.

5. Dans le champ Nouveaux comptes principaux, ajoutez le compte principal auquel vous souhaitez accorder l'accès.

6. Dans le champ Sélectionnez un rôle, sélectionnez Lecteur de données Dataplex DataScan.

7. Cliquez sur Enregistrer.

Pour supprimer l'accès d'un compte principal aux résultats d'analyse publiés, procédez comme suit:

1. Dans la console Google Cloud, accédez à la page Profil.

   Accéder au profil Dataplex

2. Cliquez sur l'analyse de la qualité des données dont vous souhaitez partager les résultats.

3. Accédez à l'onglet Autorisations.

4. Sélectionnez le compte principal pour lequel vous souhaitez supprimer le rôle Lecteur de données Dataplex DataScan.

5. Cliquez sur Supprimer l'accès.

6. Cliquez sur Confirm (Confirmer).

Mettre à jour une analyse de la qualité des données

Console

1. Dans la console Google Cloud, accédez à la page Qualité des données.

   Accéder à la page "Qualité des données"

2. Sur la ligne contenant l'analyse à modifier, cliquez sur les trois points verticaux > Edit (Modifier).

3. Modifiez les valeurs.

4. Cliquez sur Enregistrer.

gcloud

Pour mettre à jour la description d'une analyse de la qualité des données, utilisez la commande gcloud dataplex datascans update data-quality:

gcloud dataplex datascans update data-quality DATASCAN \
--location=LOCATION \
--description=DESCRIPTION

Remplacez les éléments suivants :

• DATASCAN: nom de l'analyse de la qualité des données à mettre à jour.
• LOCATION: région Google Cloud dans laquelle l'analyse de la qualité des données a été créée.
• DESCRIPTION: nouvelle description de l'analyse de la qualité des données.

Remarque :Vous pouvez mettre à jour les champs de spécification, tels que rules, rowFilter ou samplingPercent, dans le fichier de spécifications de qualité des données. Consultez le format JSON.

REST

Utilisez APIs Explorer pour modifier l'analyse de la qualité des données.

Supprimer une analyse de la qualité des données

Console

1. Dans la console Google Cloud, accédez à la page Qualité des données.

   Accéder à la page "Qualité des données"

2. Cliquez sur l'analyse que vous souhaitez supprimer.

3. Cliquez sur Supprimer.

gcloud

Pour supprimer une analyse de la qualité des données, exécutez la commande gcloud dataplex datascans delete:

gcloud dataplex datascans delete DATASCAN \
--location=LOCATION \
--async

Remplacez les variables suivantes :

• DATASCAN: nom de l'analyse de la qualité des données à supprimer.
• LOCATION: région Google Cloud dans laquelle l'analyse de la qualité des données a été créée.

REST

Utilisez APIs Explorer pour supprimer l'analyse de la qualité des données.

Définir des alertes dans Cloud Logging

Pour définir des alertes pour les échecs de qualité des données à l'aide des journaux dans Cloud Logging, procédez comme suit:

Console

1. Dans la console Google Cloud, accédez à l'explorateur de journaux de Cloud Logging.

   Accéder à l'explorateur de journaux

2. Dans la fenêtre Requête, saisissez votre requête. Consultez des exemples de requêtes.

3. Cliquez sur Exécuter la requête.

4. Cliquez sur Créer une alerte. Un panneau latéral s'ouvre.

5. Saisissez le nom de votre règle d'alerte, puis cliquez sur Suivant.

6. Examinez la requête.

   1. Cliquez sur le bouton Prévisualiser les journaux pour tester votre requête. Les journaux avec des conditions de correspondance s'affichent.

   2. Cliquez sur Suivant.

7. Définissez le délai entre les notifications et cliquez sur Suivant.

8. Définissez les utilisateurs à informer de l'alerte, puis cliquez sur Enregistrer pour créer la règle d'alerte.

Vous pouvez également configurer et modifier vos alertes en accédant à Monitoring > Alertes dans la console Google Cloud.

gcloud

Non compatible.

REST

Utilisez APIs Explorer pour définir des alertes dans Cloud Logging.

Exemples de requêtes pour définir des alertes au niveau d'une tâche ou d'une dimension

• Exemple de requête permettant de définir des alertes sur les échecs globaux de qualité des données pour une analyse de la qualité des données:

  resource.type="dataplex.googleapis.com/DataScan"
  AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
  AND resource.labels.resource_container="projects/112233445566"
  AND resource.labels.datascan_id="a0-test-dec6-dq-3"
  AND NOT jsonPayload.dataQuality.passed=true
  

• Exemple de requête permettant de définir des alertes en cas d'échec de la qualité des données pour une dimension (unicité, par exemple) d'une analyse de la qualité des données:

  resource.type="dataplex.googleapis.com/DataScan"
  AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
  AND resource.labels.resource_container="projects/112233445566"
  AND resource.labels.datascan_id="a0-test-dec6-dq-3"
  AND jsonPayload.dataQuality.dimensionPassed.UNIQUENESS=false
  

• Exemple de requête permettant de définir des alertes en cas d'échec de la qualité des données pour une table

  • Définissez des alertes sur les échecs de qualité des données pour une table BigQuery qui n'est pas organisée dans un lac Dataplex:

    resource.type="dataplex.googleapis.com/DataScan"
    AND jsonPayload.dataSource="//bigquery.googleapis.com/projects/test-project/datasets/testdataset/table/chicago_taxi_trips"
    AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
    AND resource.labels.resource_container="projects/112233445566"
    AND NOT jsonPayload.dataQuality.passed=true
    

  • Définissez des alertes sur les échecs de qualité des données pour une table BigQuery organisée dans un lac Dataplex:

    resource.type="dataplex.googleapis.com/DataScan"
    AND jsonPayload.dataSource="projects/test-project/datasets/testdataset/table/chicago_taxi_trips"
    AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
    AND resource.labels.resource_container="projects/112233445566"
    AND NOT jsonPayload.dataQuality.passed=true
    

Exemples de requêtes à définir pour des alertes par règle

• Exemple de requête permettant de définir des alertes pour toutes les règles de qualité des données en échec avec le nom de règle personnalisée spécifié pour une analyse de la qualité des données:

  resource.type="dataplex.googleapis.com/DataScan"
  AND jsonPayload.ruleName="custom-name"
  AND jsonPayload.result="FAILED"
  

• Exemple de requête permettant de définir des alertes sur toutes les règles de qualité des données en échec d'un type d'évaluation spécifique pour une analyse de la qualité des données:

  resource.type="dataplex.googleapis.com/DataScan"
  AND jsonPayload.evalutionType="PER_ROW"
  AND jsonPayload.result="FAILED"
  

• Exemple de requête permettant de définir des alertes pour toutes les règles de qualité des données en échec pour une colonne de la table utilisée pour une analyse de la qualité des données:

  resource.type="dataplex.googleapis.com/DataScan"
  AND jsonPayload.column="CInteger"
  AND jsonPayload.result="FAILED"
  

Résoudre un problème de qualité des données

Pour chaque job dont les règles au niveau des lignes échouent, Dataplex fournit une requête permettant d'obtenir les enregistrements ayant échoué. Exécutez cette requête pour afficher les enregistrements qui ne correspondaient pas à votre règle.

Console

1. Dans la console Google Cloud, accédez à la page Qualité des données.

   Accéder à la page "Qualité des données"

2. Sélectionnez l'analyse à dépanner en cliquant sur son Nom à afficher.

3. Dans l'onglet Jobs history (Historique des tâches), recherchez l'exécution de l'analyse qui a échoué et cliquez sur le lien d'échec.

4. Dans la fenêtre de tâche qui s'ouvre, dans la section Rules (Règles), recherchez la colonne Query to get failed records (Requête pour obtenir des enregistrements ayant échoué).

5. Copiez la requête pour l'exécuter dans BigQuery et consultez les enregistrements ayant entraîné l'échec de la tâche.

gcloud

Non compatible.

REST

Utilisez APIs Explorer pour afficher la requête permettant d'obtenir les enregistrements ayant échoué pour les tâches ayant échoué.

Étape suivante

• Apprenez-en plus sur le profilage des données.
• Découvrez comment utiliser le profilage des données.
• Suivez un tutoriel pour gérer les règles de qualité des données sous forme de code avec Terraform.