Trouver, expliquer et corriger les problèmes de données avant rapports ou modèles. — Claude Skill
Une compétence Claude pour Claude Code par masterkram — exécuter /data-quality dans Claude·Mis à jour le 13 juin 2026·vmain@8b32590
Profile datasets pour valeurs manquantes, doublons, outliers et règles métier, puis vérifie si la correction améliore vraiment les données.
- Repère valeurs manquantes, doublons, outliers, valeurs invalides et violations de règles.
- Explique ce qui est bénin, gênant ou bloquant selon l'usage métier.
- Propose un ordre de réparation au lieu d'une liste brute d'erreurs.
- Relance les contrôles pour prouver l'amélioration avec des comptes avant/après.
L'équipe ouvre un CSV, corrige quelques lignes visibles et découvre les erreurs bloquantes seulement pendant migration ou reporting.
Lancez /data-quality pour classer les problèmes, décider ce qui bloque et prouver que les corrections ont fonctionné.
Pour qui
Ce qu'il fait
Décider si les données sont assez fiables pour rapport, migration ou modèle.
Trouver doublons clients, comptes, produits ou transactions et choisir comment les fusionner.
Vérifier champs obligatoires, valeurs permises, clés uniques et relations entre tables.
Fonctionnement
Fournissez dataset, extrait SQL, schéma, règles métier et usage prévu.
La compétence profile les champs et cherche les violations importantes.
Elle classe les problèmes par risque pour reporting, migration, ML, billing ou conformité.
Elle recommande les corrections et les checks à relancer pour valider la préparation.
Options d'entrée
CSV, spreadsheet, extrait SQL, dataframe, schéma ou lignes d'exemple.
Exemple
Dataset : customer_export.csv, 52 000 lignes. Usage : migrer les comptes vers un nouveau CRM la semaine prochaine. Règles : - email obligatoire pour les contacts, - account_id doit être unique, - country doit être un pays ISO valide, - annual_revenue ne doit pas être négatif. Inquiétude connue : noms d'entreprises en doublon et e-mails manquants. Besoin : décider si la migration est sûre et quoi corriger d'abord.
La compétence traite le cas comme une readiness migration, pas comme un nettoyage générique. Elle se concentre sur ce qui pourrait bloquer ou corrompre le CRM.
1 148 lignes sans email, 392 account_id en doublon, 86 valeurs country invalides et 14 lignes avec revenu négatif.
Les account_id en doublon sont bloquants car ils peuvent fusionner les mauvais comptes. Les emails manquants peuvent être acceptables pour comptes, mais pas pour contacts.
Corriger les doublons account_id d'abord, mapper les pays invalides ensuite, enrichir les emails manquants et investiguer les revenus négatifs au lieu de supprimer les lignes.
Relancer les mêmes checks et montrer les comptes avant/après pour que l'owner migration puisse signer.
Métriques améliorées
Compatible avec
Envie d'utiliser Qualité des données ?
Choisissez comment commencer.
Installez et exécutez cette compétence localement sur votre ordinateur.
Ouvrez un terminal sur votre ordinateur et collez cette commande :
Cela télécharge la compétence avec tous ses fichiers sur votre ordinateur :
Ajoutez -g à la fin pour le rendre disponible dans tous vos projets.
Démarrez Claude Code, puis tapez la commande :
Qualité des données
Commande : /data-quality
Quand l'utiliser
Profile datasets pour valeurs manquantes, doublons, outliers et règles métier, puis vérifie si la correction améliore vraiment les données.
Ce que la compétence produit
- Repère valeurs manquantes, doublons, outliers, valeurs invalides et violations de règles.
- Explique ce qui est bénin, gênant ou bloquant selon l'usage métier.
- Propose un ordre de réparation au lieu d'une liste brute d'erreurs.
- Relance les contrôles pour prouver l'amélioration avec des comptes avant/après.
Entrées attendues
- Dataset : CSV, spreadsheet, extrait SQL, dataframe, schéma ou lignes d'exemple.
- Règles : Champs requis, clés uniques, valeurs autorisées, relations et seuils acceptables.
- Usage métier : Reporting, ML, migration, facturation, conformité ou opérations.
Déroulé recommandé
- Fournissez dataset, extrait SQL, schéma, règles métier et usage prévu.
- La compétence profile les champs et cherche les violations importantes.
- Elle classe les problèmes par risque pour reporting, migration, ML, billing ou conformité.
- Elle recommande les corrections et les checks à relancer pour valider la préparation.
Exemple de sortie utile
Lecture de la demande
La compétence traite le cas comme une readiness migration, pas comme un nettoyage générique. Elle se concentre sur ce qui pourrait bloquer ou corrompre le CRM.
Constats
1 148 lignes sans email, 392 account_id en doublon, 86 valeurs country invalides et 14 lignes avec revenu négatif.
Risque migration
Les account_id en doublon sont bloquants car ils peuvent fusionner les mauvais comptes. Les emails manquants peuvent être acceptables pour comptes, mais pas pour contacts.
Ordre de correction
Corriger les doublons account_id d'abord, mapper les pays invalides ensuite, enrichir les emails manquants et investiguer les revenus négatifs au lieu de supprimer les lignes.
Preuve de readiness
Relancer les mêmes checks et montrer les comptes avant/après pour que l'owner migration puisse signer.
Garde-fous
- Conserver les chiffres, dates, noms d'outils, commandes, chemins, identifiants et URLs fournis par l'utilisateur.
- Ne pas inventer de source, de propriétaire, de métrique ou de décision qui n'apparaît pas dans les éléments fournis.
- Signaler clairement les points qui doivent être confirmés par un humain avant publication, mise à jour d'outil ou décision de pilotage.
Documents de référence
Compétence Qualité des données
Document de référence pour Qualité des données.
À quoi il sert
Décrit les checks de valeurs manquantes, doublons, outliers, règles et validation après correction.
Utilisation dans le catalogue
Présenter /data-quality à un utilisateur non technique : expliquer les entrées nécessaires, le résultat attendu, les vérifications humaines et les limites de la compétence.
Points à préserver
- Conserver les noms de produits, commandes, chemins, flags, IDs, URLs et clés JSON tels quels.
- Traduire le raisonnement métier en français clair, sans jargon inutile.
- Montrer ce que l'utilisateur obtient concrètement et ce qu'il doit encore valider.
Dimensions de qualité data
Document de référence pour Qualité des données.
À quoi il sert
Explique complétude, unicité, validité, cohérence, fraîcheur et exactitude.
Utilisation dans le catalogue
Présenter /data-quality à un utilisateur non technique : expliquer les entrées nécessaires, le résultat attendu, les vérifications humaines et les limites de la compétence.
Points à préserver
- Conserver les noms de produits, commandes, chemins, flags, IDs, URLs et clés JSON tels quels.
- Traduire le raisonnement métier en français clair, sans jargon inutile.
- Montrer ce que l'utilisateur obtient concrètement et ce qu'il doit encore valider.
Taxonomie des anomalies
Document de référence pour Qualité des données.
À quoi il sert
Classe les anomalies fréquentes et leur impact métier.
Utilisation dans le catalogue
Présenter /data-quality à un utilisateur non technique : expliquer les entrées nécessaires, le résultat attendu, les vérifications humaines et les limites de la compétence.
Points à préserver
- Conserver les noms de produits, commandes, chemins, flags, IDs, URLs et clés JSON tels quels.
- Traduire le raisonnement métier en français clair, sans jargon inutile.
- Montrer ce que l'utilisateur obtient concrètement et ce qu'il doit encore valider.
Stratégies de réparation
Document de référence pour Qualité des données.
À quoi il sert
Aide à choisir enrichissement, mapping, déduplication, exclusion ou escalade.
Utilisation dans le catalogue
Présenter /data-quality à un utilisateur non technique : expliquer les entrées nécessaires, le résultat attendu, les vérifications humaines et les limites de la compétence.
Points à préserver
- Conserver les noms de produits, commandes, chemins, flags, IDs, URLs et clés JSON tels quels.
- Traduire le raisonnement métier en français clair, sans jargon inutile.
- Montrer ce que l'utilisateur obtient concrètement et ce qu'il doit encore valider.