Définir un SLA qualité data pour les équipes BI

Pourquoi un SLA data est nécessaire

Sans engagement formel, les discussions qualité restent vagues:

• "les chiffres ont l'air faux"
• "la table n'est pas à jour"
• "ce dashboard n'est pas fiable"

Un SLA transforme ces perceptions en indicateurs objectifs.

Les 4 dimensions d'un SLA BI

1. Fraîcheur

Délai maximal entre l'événement source et sa disponibilité dashboard.

2. Exactitude

Taux d'erreur acceptable sur les métriques critiques.

3. Disponibilité

Temps de service des pipelines et vues analytiques.

4. Intégrité

Taux de conformité des contrôles (clés, doublons, nulls, référentiels).

Exemple de SLA simple

| Métrique | Fraîcheur | Exactitude | Disponibilité | | --- | --- | --- | --- | | CA journalier | < 2h | > 99.5% | 99.9% | | Pipeline CRM | < 4h | > 99.0% | 99.5% | | Churn mensuel | < 24h | > 99.7% | 99.9% |

Gouvernance des incidents

Quand un seuil est cassé:

1. détection automatique
2. qualification sévérité
3. communication métier standardisée
4. résolution + post-mortem

Tableau de bord SLA interne

Les équipes data doivent suivre:

• nombre d'incidents par sévérité
• MTTR (mean time to recovery)
• taux de respect SLA par domaine
• sources les plus instables

Conclusion

Un SLA data bien défini augmente la confiance des métiers et réduit les arbitrages subjectifs.
Il crée un langage commun entre opérations, finance et équipe data.