La traçabilité des données est une fonctionnalité de Dataplex qui vous permet de suivre la façon dont les données transitent par vos systèmes: d'où elles proviennent, où elles sont transmises et les transformations qui leur sont appliquées.
Pourquoi avez-vous besoin de la traçabilité des données ?
Le traitement de grands ensembles de données implique souvent de transformer les données en entités adaptées aux besoins d'un projet spécifique: fichiers texte, tables, rapports, tableaux de bord, modèles.
Par exemple, imaginez que vous disposez d'une boutique en ligne dans laquelle vous enregistrez chaque achat dans une seule table SQL. Pour permettre à vos analystes de travailler plus facilement avec les données, vous commencez à exécuter des tâches qui extraient les informations de cette table unique et produisent des tables plus petites par région, par marque ou par prix soldé. Vos analystes commencent alors à faire de même: ils effectuent d'autres transformations, en fusionnant ces petites tables avec d'autres sources de données pour générer encore plus de tables.
Cela peut devenir un grand défi pour vos partenaires:
- Les consommateurs de données ne peuvent pas utiliser d'outil en libre-service pour déterminer si les données proviennent d'une source faisant autorité.
- Les ingénieurs de données ne peuvent pas être la cause des problèmes en l'absence de moyen fiable de suivre toutes les transformations de données.
- Les ingénieurs et analystes de données ne peuvent pas évaluer pleinement l'impact possible avant de modifier ou de supprimer des tables.
- Les gouverneurs de données ne peuvent pas comprendre comment les données sensibles sont utilisées dans l'organisation ni veiller au respect des exigences réglementaires.
La traçabilité des données est une solution qui offre un moyen pratique de:
- Découvrez comment les données sont extraites et transformées à l'aide de visualisations de graphiques de traçabilité.
- Retracez les erreurs liées aux entrées et aux opérations de données jusqu'à leur cause racine.
- Améliorez la gestion du changement grâce à l'analyse d'impact: évitez les temps d'arrêt ou les erreurs inattendues, comprenez les entrées dépendantes et collaborez avec les personnes concernées.
Graphique de visualisation de la traçabilité
Les graphiques de traçabilité représentent les informations collectées par l'API Data Lineage pour une entrée Data Catalog spécifique:
Dataplex utilise l'API Data Lineage pour identifier les entrées dont le nom complet correspond aux entités reconnues par la traçabilité des données. Pour les entrées Dataplex correspondantes, vous pouvez accéder à l'onglet Traçabilité sur leur page de détails et afficher le graphique.
Les graphiques de traçabilité affichent deux types d'éléments:
- Boutons larges et rectangulaires qui représentent les entités impliquées dans la construction d'informations de traçabilité en tant que sources ou cibles d'un événement de traçabilité.
- Boutons carrés plus petits représentant les processus responsables de la création ou de la mise à jour des entités source ou cible. Les boutons de traitement utilisent des icônes spécifiques au système source qui les ont signalés à l'API Data Lineage. Par exemple, les tâches BigQuery utilisent l'icône
.
Modèle d'informations sur la traçabilité des données
Dans sa forme de base, la traçabilité est un enregistrement des données transformées des sources en cibles. L'API Data Lineage collecte ces informations et les organise dans un modèle de données hiérarchique en utilisant les concepts de processus, d'exécutions et d'événements.
Processus
Un processus est la définition d'une opération de transformation de données compatible avec un système spécifique. Dans le contexte de la traçabilité BigQuery, process est l'un des types de tâches compatibles.
Exécuter
Une exécution est l'exécution d'un processus. Les processus peuvent
avoir plusieurs exécutions.
Les exécutions contiennent des informations telles que les heures de début et de fin, l'état ou des attributs supplémentaires.
Pour en savoir plus, consultez la documentation de référence de la ressource run.
Événement
Un événement représente un moment précis où une opération de transformation de données a eu lieu et a entraîné le déplacement de données entre une entité source et une entité cible.
Les événements contiennent une liste de liens définissant l'entrée correspondant à la source et la cible d'un événement particulier. Bien que les événements soient utilisés pour calculer les graphiques de visualisation de la traçabilité, ils ne sont pas directement exposés dans la console Google Cloud. Vous pouvez les créer, les lire et les supprimer (mais pas les mettre à jour) à l'aide de l'API Data Lineage.
Exemple
Prenons l'exemple suivant, dans lequel des données sont copiées entre des tables BigQuery:
Le processus de traçabilité (représenté sur le graphique par l'icône ) décrit le déplacement des données entre les tables. Il peut s'agir d'une requête SQL
CREATE TABLE AS SELECT ou d'une instruction INSERT.
Chaque exécution de cette instruction SQL constitue une run individuelle.
Les exécutions contiennent des événements, qui enregistrent les tables utilisées en tant que sources et quelles tables ont été utilisées comme cibles. Dans cet exemple, les tables customer_year et customers sont toutes deux la source de la table cible top_customer.
Suivi automatisé de la traçabilité des données
Lorsque vous activez l'API Data Lineage, les systèmes Google Cloud compatibles avec la traçabilité des données commencent à signaler leur transfert de données. Chaque système intégré peut envoyer des informations de traçabilité pour différentes sources de données. Consultez les sections suivantes pour en savoir plus sur chaque produit compatible.
BigQuery
Si vous activez la traçabilité des données dans votre projet BigQuery, Dataplex enregistre automatiquement les informations de traçabilité pour:
- Nouvelles tables résultant des tâches BigQuery suivantes :
- Tâches de copie
- Les tâches de chargement qui utilisent l'URI Cloud Storage pour charger des données dans n'importe quel format autorisé à partir de Cloud Storage*
- Jobs de requête qui utilisent le langage de définition de données (LDD) suivant en SQL standard Google :
- Tables existantes résultant de l'utilisation des instructions LMD (langage de manipulation de données) suivantes en langage SQL standard Google :
- SELECT par rapport à l'un des types de tables répertoriés :
- INSÉRER SÉLECTION
- FUSIONNER
- METTRE À JOUR
- SUPPRIMER
Les tâches de copie, de requête et de chargement BigQuery sont représentées sous forme de processus (cliquez sur l'icône en forme de verre sur le graphique de visualisation de la traçabilité pour afficher les détails du processus). Chaque processus contient le job_id BigQuery dans la liste des attributs de la tâche BigQuery la plus récente.
Autres services
La traçabilité des données est compatible avec l'intégration aux services Google Cloud suivants:
Traçabilité des données pour les sources de données personnalisées
Vous pouvez utiliser l'API Data Lineage dans Dataplex afin d'enregistrer manuellement les informations de traçabilité pour toute source de données non compatible avec les systèmes intégrés.
Dataplex peut créer des graphiques de visualisation pour la traçabilité enregistrée manuellement si vous utilisez un objet fullyQualifiedNames correspondant aux noms complets des entrées Data Catalog existantes. Si vous souhaitez enregistrer la traçabilité pour une source de données personnalisée, créez d'abord une entrée Data Catalog personnalisée.
Chaque processus de source de données personnalisée peut contenir la clé sql dans la liste des attributs. La valeur de cette clé sera utilisée pour mettre en surbrillance le code dans le panneau de détails du graphique de traçabilité des données. L'instruction SQL s'affichera telle qu'elle a été fournie. L'utilisateur est chargé de filtrer les informations sensibles. Le nom de clé sql est sensible à la casse.
OpenLineage
Si vous utilisez déjà OpenLineage pour collecter des informations de traçabilité à partir d'autres sources de données, vous pouvez importer des événements OpenLineage dans Dataplex et les afficher dans la console Google Cloud. Pour en savoir plus, consultez Intégrer à OpenLineage.
Limites actuelles des fonctionnalités
- Toutes les informations de traçabilité sont conservées dans le système pendant 30 jours uniquement.
- Les informations de traçabilité sont conservées une fois que vous avez supprimé la source de données associée. Autrement dit, si vous supprimez une table BigQuery et son entrée Data Catalog, vous pouvez toujours consulter la traçabilité de cette table à l'aide de l'API pendant 30 jours.
Accéder à la traçabilité des données
Vous pouvez accéder aux fonctionnalités de traçabilité des données à l'aide des éléments suivants:
- Pages d'informations des entrées dans l'UI Dataplex dans la console Google Cloud. Consultez Afficher les graphiques de traçabilité.
- Page "Détails de la table" dans l'UI BigQuery de la console Google Cloud. Consultez Afficher les graphiques de traçabilité.
- Pages d'ensembles de données et de registre de modèles dans l'interface utilisateur de Vertex AI dans la console Google Cloud Consultez Afficher les graphiques de traçabilité.
- API Data Lineage
Étapes suivantes
Découvrez comment suivre la traçabilité des données pour les tâches de copie et de requête d'une table BigQuery.
Découvrez comment utiliser la traçabilité des données avec les systèmes Google Cloud.
Pour obtenir des informations administratives, consultez les sections IAM mises à jour, les considérations relatives à la traçabilité et les journaux d'audit de la traçabilité des données.