🎧 L’épisode est maintenant disponible ! Écoutez-le sur la plateforme de votre choix : RUclips : bit.ly/4flxXFA Apple Podcast : bit.ly/4hEDzMT Spotify : bit.ly/3UMk3o1 Deezer : bit.ly/3O2k0At Bonne écoute et n’hésitez pas à partager vos retours ! 🎙
Pour rester à jour sur la data gouvernance :: charlotteledoux.substack.com/ Recommandation de Charlotte : Charlotte recommande le blog Modern Data Stack, qui publie régulièrement des articles sur des sujets avancés liés au data mesh et à la gouvernance des données: moderndatastack.substack.com/ Retrouvez Charlotte sur LinkedIn : www.linkedin.com/in/charlotteledoux/?originalSubdomain=fr
Je me prépare à écouter l'entièreté du postcast, rien que le titre me donne envie😊. Merci déjà pour cette œuvre et cette lumière que tu nous apporte ❤❤❤
Merci pour ce recapitulatif tres exhaustif. Je ne serais pas contre un appendice qui explique les couts ou des aspects plus pratiques de la data governance. Les entreprises moyennes (moins de 500 employes) peuvent etre tres en retard car le personnel qualifie et les solutions ne sont pas toujours accessibles ou connues. En tout cas c'est un podcast tres pro, tres smart, tres agreable. :)
Waoh ! Toujours avec des surprises. Je me demandais toujours concrètement c'est quoi la Data gouvernance en application dans une entreprise. Tout est clair aujourd'hui. Merci encore Natacha
Si le modèle mathématique n'est pas de bonne qualité, peu importe les données d'entrées, les sorties ont forte chance d'être erronées. Par ailleurs, le cadre de l'interview est juste top, just amazing, juste classe!
On peut aussi dire que peut importe l'efficacité et la fiabilité du modèle mathématique utilisé si les données en entrée ne sont pas bonnes les résultats aussi , le pourquoi du "garbage in , garbage out " au début de la vidéo. Mieux vaut dès la base avoir des données de qualités . Que ce soit le modèle utilisé ou les données chacun à son importance mais la données encore plus.
@@luciengodjan3128 C'est "quality In" de la donnée qui ne garantit pas "quality out". Si on a de la bonne donnée mais avec un mauvais modèle mathématique, la qualité de la donnée peut ne pas avoir d'effet escompté. Et encore, même si la donnée et le modèle mathématiques sont bons, on peut commettre des erreurs d'implémentation (au moment de la programmation). D'où la gouvernance ne doit pas se limiter aux données, mais il faut aussi gouverner les mathématiciens, les développeurs... Il faudrait peut-être élargir le rôle de la gouvernance des données à la gouvernances des modèles (mathématiques, numérique) ou créer un rôle similaire dans ces derniers domaines. Par ailleurs, j'apprécie votre politesse à exprimer votre point de vu avec le plus grand respect.
🎧 L’épisode est maintenant disponible !
Écoutez-le sur la plateforme de votre choix :
RUclips : bit.ly/4flxXFA
Apple Podcast : bit.ly/4hEDzMT
Spotify : bit.ly/3UMk3o1
Deezer : bit.ly/3O2k0At
Bonne écoute et n’hésitez pas à partager vos retours ! 🎙
Très intéressant, merci à toutes les deux.
La data gouvernance et le data mesh sont beaucoup plus clairs maintenant 👍
Merci à vous 😊
Pour rester à jour sur la data gouvernance :: charlotteledoux.substack.com/
Recommandation de Charlotte : Charlotte recommande le blog Modern Data Stack, qui publie régulièrement des articles sur des sujets avancés liés au data mesh et à la gouvernance des données: moderndatastack.substack.com/
Retrouvez Charlotte sur LinkedIn : www.linkedin.com/in/charlotteledoux/?originalSubdomain=fr
Merci beaucoup pour cette interview pertinente 👌...Natacha et un grand merci Charlotte pour ce partage 😊
Avec plaisir 😊
Je me prépare à écouter l'entièreté du postcast, rien que le titre me donne envie😊.
Merci déjà pour cette œuvre et cette lumière que tu nous apporte ❤❤❤
N’hésite pas à partager tes retours ☺️ bon écoute et bon début de semaine
@LeCoinStat Merci
Merci pour ce recapitulatif tres exhaustif. Je ne serais pas contre un appendice qui explique les couts ou des aspects plus pratiques de la data governance. Les entreprises moyennes (moins de 500 employes) peuvent etre tres en retard car le personnel qualifie et les solutions ne sont pas toujours accessibles ou connues. En tout cas c'est un podcast tres pro, tres smart, tres agreable. :)
Waoh ! Toujours avec des surprises. Je me demandais toujours concrètement c'est quoi la Data gouvernance en application dans une entreprise.
Tout est clair aujourd'hui.
Merci encore Natacha
Avec plaisir 😇
Très bon sujet, J'apprécie bcp . Merci Natacha
Avec plaisir 😊
Avec plaisir 😊
Si le modèle mathématique n'est pas de bonne qualité, peu importe les données d'entrées, les sorties ont forte chance d'être erronées. Par ailleurs, le cadre de l'interview est juste top, just amazing, juste classe!
On peut aussi dire que peut importe l'efficacité et la fiabilité du modèle mathématique utilisé si les données en entrée ne sont pas bonnes les résultats aussi , le pourquoi du "garbage in , garbage out " au début de la vidéo. Mieux vaut dès la base avoir des données de qualités . Que ce soit le modèle utilisé ou les données chacun à son importance mais la données encore plus.
@@luciengodjan3128 C'est "quality In" de la donnée qui ne garantit pas "quality out". Si on a de la bonne donnée mais avec un mauvais modèle mathématique, la qualité de la donnée peut ne pas avoir d'effet escompté. Et encore, même si la donnée et le modèle mathématiques sont bons, on peut commettre des erreurs d'implémentation (au moment de la programmation). D'où la gouvernance ne doit pas se limiter aux données, mais il faut aussi gouverner les mathématiciens, les développeurs... Il faudrait peut-être élargir le rôle de la gouvernance des données à la gouvernances des modèles (mathématiques, numérique) ou créer un rôle similaire dans ces derniers domaines. Par ailleurs, j'apprécie votre politesse à exprimer votre point de vu avec le plus grand respect.
Merci Aliou