Enrichissement de données : définition, quelles données enrichir et à partir de quelles sources

Qu'est-ce que l'enrichissement de données

L'enrichissement de données (data enrichment) est le processus qui consiste à compléter un jeu de données existant avec de nouveaux attributs issus de sources externes ou internes. En entrée, on dispose généralement d'un « squelette » d'enregistrement : par exemple, le nom d'une entreprise, un email ou un numéro de téléphone. En sortie, des dizaines de champs supplémentaires viennent s'y greffer — secteur d'activité, chiffre d'affaires, région, fonction du contact, réseaux sociaux, technologies utilisées sur le site, etc.

L'idée de fond : les données brutes, prises isolément, sont souvent peu informatives. La ligne « SARL Romashka, ivan@romashka.ru » est presque inutilisable pour l'analyse ou la vente. Mais si on y ajoute le numéro d'immatriculation, l'effectif, le secteur, le chiffre d'affaires, le site web, la fonction d'Ivan et son profil sur un réseau professionnel, l'enregistrement devient un objet prêt pour la segmentation, le scoring ou la communication personnalisée.

L'enrichissement s'articule presque toujours autour d'une clé de correspondance (matching key) — le champ qui permet de retrouver l'enregistrement dans la source externe. Le plus souvent : email, domaine de l'entreprise, numéro d'immatriculation, téléphone, coordonnées géographiques ou combinaison « nom + organisation ».

Pourquoi enrichir les données

Quelques objectifs typiques :

• Ventes et marketing. Segmentation de la base, lead scoring, personnalisation des campagnes, identification des décideurs.
• Analytique et Data Science. Plus un objet possède d'attributs, plus les modèles de prévision, de clustering et de recommandation sont précis.
• Gestion des risques et conformité. Vérification des partenaires commerciaux, KYC/AML, détection des liens d'affiliation et des risques de sanctions.
• Qualité des données. Remplissage des valeurs manquantes, correction des erreurs, déduplication, normalisation des formats.
• Fonctionnalités produit. Autocomplétion de formulaires, suggestions, rattachement d'un utilisateur à une géolocalisation ou une organisation.

Quelles données peut-on enrichir

Il est pratique de classer par type d'objet enrichi.

Données sur les entreprises (firmographie)

Le scénario le plus répandu en B2B. À une fiche entreprise, on ajoute :

• les informations légales (numéro d'immatriculation, date de création, statut) ;
• le secteur et les codes d'activité (NAICS, SIC et nomenclatures locales) ;
• la taille (effectif, revenus, chiffre d'affaires) ;
• la structure de l'actionnariat et les entités affiliées ;
• l'adresse, la région, les contacts ;
• le site web, le domaine, les réseaux sociaux.

Données de contact et données personnelles (contacts B2B)

On enrichit ici des fiches de personnes dans un contexte professionnel : fonction, service, email professionnel, téléphone, lien vers le profil, ancienneté dans l'entreprise. Important : les données personnelles constituent la catégorie la plus sensible sur le plan juridique (voir la section consacrée aux aspects légaux).

Données géographiques

À partir d'une adresse ou de coordonnées, on peut ajouter :

• le géocodage (adresse → latitude/longitude et inversement) ;
• le rattachement administratif (quartier, région, pays, fuseau horaire) ;
• les caractéristiques de la localisation (densité de population, revenu moyen du quartier, POI — points d'intérêt — à proximité) ;
• les distances et temps de trajet vers des lieux significatifs.

Données démographiques et socio-économiques

Pour les personnes physiques ou des segments agrégés : tranches d'âge, niveau de revenu, éducation, caractéristiques de consommation. Le plus souvent à un niveau agrégé (par quartier/code postal), car les données personnelles individuelles sont strictement réglementées.

Données technographiques

Les technologies utilisées par une entreprise : CMS du site, outils de mesure d’audience, CRM, systèmes de paiement, fournisseur cloud. On les détecte via le balisage et les en-têtes du site, les enregistrements DNS, les offres d'emploi publiques.

Données comportementales

Historique des interactions, activité, schémas d'utilisation. Elles proviennent généralement des systèmes internes (analytics produit, CRM), mais peuvent être complétées par des signaux d'activité externes (mentions dans les médias, actualités, événements).

Données financières

Comptes annuels, notations de crédit, historique des contentieux, nantissements, procédures collectives. Pour les sociétés cotées : cours de bourse et rapports financiers.

À partir de quoi enrichir : les sources de données

Les sources peuvent être regroupées en trois grandes catégories, sur lesquelles porte l'essentiel de cet article : les registres publics et gouvernementaux ouverts, le web scraping de données ouvertes et l'accès via API.

Registres publics et gouvernementaux ouverts

Ce sont les sources primaires, les plus fiables. Elles sont officielles et leur utilisation est souvent explicitement autorisée. Exemples de catégories :

• registres nationaux des personnes morales et des entrepreneurs ;
• registres fonciers et cadastres ;
• bases judiciaires et de contentieux commerciaux (rôles des affaires) ;
• registres des licences, des marchés publics, des procédures collectives ;
• listes de sanctions et listes de dirigeants frappés d'interdiction ;
• données statistiques ouvertes (instituts nationaux de statistique, Eurostat, World Bank, OpenStreetMap).

De nombreux États maintiennent des portails open data, où les jeux de données sont publiés dans des formats lisibles par machine (CSV, JSON, XML) sous licences ouvertes. C'est la source idéale : légale, structurée, gratuite.

Web scraping de données ouvertes

Lorsque les données existent sur des sites publics mais ne sont accessibles ni via un export pratique ni via une API, on recourt au web scraping — l'extraction automatisée d'informations depuis des pages web.

Ce que l'on scrape habituellement

• catalogues et annuaires d'entreprises ;
• fiches produits et prix (pour la veille tarifaire) ;
• offres d'emploi (utiles pour la technographie et l'estimation de la croissance d'une entreprise) ;
• avis et notes ;
• actualités et communiqués de presse ;
• profils publics et pages de contact des entreprises ;
• POI cartographiques.

Comment cela fonctionne techniquement

Le pipeline de base du scraping :

1. Exploration (crawling). Un bot parcourt les pages en suivant les liens ou à partir d'URL connues à l'avance.
2. Téléchargement (fetching). Requêtes HTTP vers les pages. Pour du HTML statique, de simples bibliothèques suffisent ; pour le contenu chargé par JavaScript, on utilise des navigateurs « headless » qui rendent la page comme un vrai navigateur.
3. Extraction (parsing). On extrait du HTML les champs voulus via des sélecteurs CSS, XPath ou des expressions régulières. Parfois, les données sont directement disponibles dans un balisage structuré — JSON-LD, microdonnées Schema.org, Open Graph.
4. Normalisation et nettoyage. Mise au format unique, suppression du bruit, validation.
5. Correspondance (matching). Rattachement des données extraites aux enregistrements existants via la clé.

Stack typique : en Python — requests/httpx pour les requêtes, BeautifulSoup/lxml pour l'analyse du HTML, Scrapy comme framework complet, Playwright/Selenium pour les pages dynamiques. En JavaScript — Puppeteer/Playwright.

Difficultés techniques du scraping

• Contenu dynamique. Les données sont rendues côté client — il faut un navigateur headless, plus lent et plus coûteux.
• Protections anti-bot. Captchas, limitation de la fréquence des requêtes (rate limiting), blocage par IP et par empreinte de navigateur.
• Instabilité du balisage. Le site change sa mise en page — le scraper casse. Il faut de la maintenance et du monitoring.
• Passage à l'échelle. Les gros volumes exigent une exploration distribuée, des proxies, des files d'attente.
• Qualité. Les données du web sont sales : doublons, fautes de frappe, enregistrements obsolètes.

Les règles du scraping « courtois »

Les bonnes pratiques : respecter le robots.txt, ne pas générer de charge excessive (espacer les requêtes), mettre en cache, identifier son bot via le User-Agent et, dans la mesure du possible, préférer l'API officielle au scraping. Cela réduit à la fois les risques techniques et juridiques.

Accès aux données via API

L'API (interface de programmation) est le moyen le plus pratique et le plus fiable d'obtenir des données externes. Contrairement au scraping, les données arrivent déjà structurées (généralement en JSON), documentées et stables, et le fournisseur en autorise explicitement l'utilisation dans le cadre de ses conditions.

Types d'API selon l'accessibilité

• Entièrement ouvertes — sans clé ni inscription (certains portails publics, OpenStreetMap Nominatim, divers services statistiques).
• Avec clé gratuite et limites — inscription requise, quota de requêtes.
• Commerciales — facturation par abonnement ou au nombre de requêtes ; c'est le cas de la plupart des fournisseurs de firmographie, d'enrichissement de contacts et de géocodage haute qualité.

Ce que l'on récupère souvent via API

• Géocodage et cartes — conversion d'adresses, itinéraires, POI.
• Données sur les entreprises — obtenir les informations légales et la firmographie à partir du numéro d'immatriculation ou du domaine.
• Validation — vérification de la validité et de l'existence des emails, téléphones, adresses.
• Données financières/de marché — cours de bourse, taux de change, rapports financiers.
• Statistiques publiques ouvertes — démographie, économie, météo.
• Enrichissement de contacts — retrouver la fonction, l'entreprise et le profil à partir d'un email.

Aspects techniques du travail avec les API

• Authentification — clés API, OAuth, jetons.
• Limites (rate limits et quotas) — il faut doser les requêtes, mettre en place des retries avec délai exponentiel, mettre en cache les réponses.
• Formats — principalement REST + JSON ; on rencontre aussi GraphQL et des endpoints batch pour l'enrichissement en masse.
• Versionnement — les API évoluent, il convient de suivre les versions et la dépréciation des méthodes.
• Coût — sur de gros volumes, il est essentiel de compter les requêtes et de mettre en cache les appels répétitifs.

Comment se déroule le processus d'enrichissement

Quelle que soit la source, l'enrichissement passe par des étapes similaires :

1. Préparation de la clé. Choix et normalisation du champ identifiant (mettre les domaines en minuscules, les téléphones au format E.164 unifié, etc.).
2. Correspondance (matching). Recherche de l'enregistrement dans la source externe. Elle peut être exacte (par numéro d'immatriculation, email) ou approximative (fuzzy matching — par similarité des noms, tolérante aux fautes de frappe).
3. Fusion (merging). Ajout des nouveaux champs à l'enregistrement. C'est ici que l'on décide quoi faire en cas de conflit de valeurs — quelle source est prioritaire.
4. Validation. Contrôle de vraisemblance (par exemple, un chiffre d'affaires ne peut pas être négatif, les coordonnées doivent rester dans les limites du pays).
5. Déduplication. Fusion des doublons apparus après le merge.
6. Ajout de métadonnées. D'où provient la valeur, quand, quelle est sa fraîcheur. C'est essentiel pour la confiance dans les données.

Qualité et problèmes des données

L'enrichissement a un coût en matière de qualité :

• Fraîcheur. Les données externes se périment — les entreprises déménagent, les personnes changent d'emploi. Un refresh régulier est nécessaire.
• Précision de la correspondance. Un matching approximatif peut rattacher des données au mauvais enregistrement. Mieux vaut stocker un score de confiance (confidence score).
• Couverture. Aucune source ne couvre 100 % des enregistrements. On combine souvent plusieurs sources (waterfall : on essaie la source A, si vide — B, puis C).
• Contradictions. Différentes sources donnent des valeurs différentes pour un même champ — il faut une stratégie de résolution des conflits.
• Traçabilité (data lineage). Sans connaître l'origine d'une valeur, impossible de déboguer les erreurs ni de prouver la légitimité.

Aspects juridiques et éthiques

La section la plus importante en pratique, surtout pour les données personnelles.

• Les données personnelles sont strictement réglementées. Le RGPD dans l'UE, le CCPA en Californie et leurs équivalents dans d'autres juridictions encadrent la collecte, le stockage et le traitement des données sur les personnes. « Les données sont en accès libre » ne confère pas automatiquement le droit de les collecter et de les utiliser à n'importe quelle fin — il faut une base légale de traitement.
• Licences des données ouvertes. Même les jeux de données ouverts ont des conditions (par exemple, obligation de citer la source, interdiction d'usage commercial, share-alike). Il faut les respecter.
• Conditions d'utilisation des sites et des API. Les Terms of Service peuvent interdire explicitement la collecte automatisée. La violation des ToS est un risque contractuel, et dans certaines juridictions un risque plus sérieux encore.
• Scraping et droit. Le statut juridique du web scraping varie selon les pays et dépend de ce qui est collecté et comment. Le scraping d'informations strictement publiques et non sensibles est en général moins risqué que la collecte de données personnelles ou le contournement de restrictions techniques d'accès.
• Éthique. Minimisation des données (ne collecter que le nécessaire), respect de la vie privée, absence de charge excessive sur les serveurs tiers — c'est à la fois une question de réputation et de réduction des risques.

Conclusion pratique : pour tout enrichissement impliquant des données personnelles, il est recommandé de consulter un juriste en amont et de bâtir ses processus en conformité avec la législation applicable. Ceci ne constitue pas un conseil juridique — les exigences concrètes dépendent de votre juridiction et de votre cas d'usage.

En résumé

L'enrichissement de données transforme des enregistrements bruts et épars en objets complets, exploitables pour l'analyse et l'action. Trois sources de référence :

• Registres ouverts et portails open data — le matériau le plus fiable et juridiquement le plus sûr, en particulier sur les entreprises, l'immobilier et les statistiques.
• Scraping du web ouvert — un moyen flexible d'obtenir ce qui n'est exporté nulle part de façon pratique, au prix d'une maintenance technique et d'une attention accrue aux risques juridiques.
• API — le canal le plus fiable et le plus scalable : des données structurées, documentées, avec des conditions d'utilisation explicites.

En pratique, le meilleur résultat s'obtient par une combinaison de sources avec un matching bien pensé, un contrôle qualité, un suivi de la provenance des données et un strict respect des exigences légales — avant tout en matière de données personnelles.