Nettoyer des données
Avant d’analyser des données avec une intelligence artificielle, il faut s’assurer qu’elles sont fiables. Un tableau contenant des doublons, des valeurs manquantes, des dates incohérentes ou des montants mal saisis peut conduire à des conclusions erronées. Découvrez comment détecter, corriger et documenter ces anomalies sans altérer les informations d’origine.
À la fin de ce cours, vous saurez :
- Expliquer pourquoi le nettoyage précède l’analyse.
- Identifier les principales anomalies d’un jeu de données.
- Distinguer doublons exacts et doublons potentiels.
- Traiter les valeurs manquantes sans inventer d’informations.
- Uniformiser les formats, unités et catégories.
- Détecter les valeurs aberrantes et les incohérences métier.
- Utiliser Excel et Google Sheets pour nettoyer un tableau.
- Solliciter une IA pour diagnostiquer et documenter les corrections.
- Préserver les données brutes et tracer les modifications.
- Mesurer la qualité des données après nettoyage.
- Appliquer une procédure complète sur un cas professionnel.
Connaître les principaux types de données et les bases de préparation d’un fichier CSV. Les cours 01 et 02 du chapitre présentent ces notions. Aucune compétence en programmation n’est nécessaire.
1. Qu’est-ce que le nettoyage des données ?
Le nettoyage des données, ou data cleaning, consiste à identifier, corriger, standardiser ou signaler les anomalies qui empêchent d’exploiter correctement un jeu de données.
Il peut porter sur les valeurs, les formats, les enregistrements, les catégories ou la cohérence entre plusieurs colonnes.
Un fichier clients contient les villes suivantes :
Ces valeurs ne représentent probablement que deux villes. Pourtant, un regroupement automatique peut produire cinq catégories distinctes.
Le nettoyage consiste à reconnaître les variantes, à confirmer les corrections et à harmoniser les libellés.
2. Pourquoi nettoyer avant d’analyser ?
Une analyse dépend directement de la qualité des données utilisées. Même un modèle d’IA performant peut produire des résultats trompeurs si les informations d’entrée sont incorrectes.
Fiabilité
Réduire les calculs et conclusions erronés.
Comparabilité
Rendre les dates, unités et catégories cohérentes.
Traçabilité
Expliquer les transformations effectuées.
Réutilisation
Faciliter les analyses et importations ultérieures.
Nettoyer ne signifie pas rendre toutes les données « parfaites » ou supprimer systématiquement les valeurs inhabituelles. Il faut distinguer une erreur réelle d’une information simplement atypique.
3. Les grandes catégories d’anomalies
| Anomalie | Exemple | Conséquence possible |
|---|---|---|
| Doublon | Commande enregistrée deux fois | Montant compté deux fois |
| Valeur manquante | Prix absent | Calcul incomplet |
| Format incohérent | 05/11/2026 et 2026-11-05 | Tri ou import incorrect |
| Erreur de saisie | Pariis au lieu de Paris | Catégorie artificielle |
| Valeur aberrante | Quantité de 10 000 au lieu de 10 | Statistiques déformées |
| Unité incohérente | 500 g et 0,5 kg | Comparaison trompeuse |
| Type incorrect | Montant stocké comme texte | Calcul impossible |
| Incohérence métier | Date de livraison antérieure à la commande | Indicateur erroné |
4. Commencer par un diagnostic des données
Avant toute correction, il faut comprendre la structure et l’état du fichier. Cette étape est souvent appelée profilage des données.
Le diagnostic doit répondre à plusieurs questions :
- Combien d’enregistrements contient le fichier ?
- Quelles sont les colonnes disponibles ?
- Quels types de données sont attendus ?
- Combien de valeurs sont manquantes ?
- Existe-t-il des identifiants répétés ?
- Quelles catégories sont utilisées ?
- Les valeurs numériques présentent-elles des écarts inhabituels ?
- Les règles métier sont-elles respectées ?
Réalisez d’abord un état des lieux. Les corrections doivent ensuite répondre à des anomalies identifiées, pas à des suppositions.
5. Préserver les données d’origine
Le fichier initial constitue la référence. Il doit être conservé afin de pouvoir revenir aux informations reçues.
Une organisation simple peut utiliser trois fichiers :
- Fichier brut : données originales non modifiées.
- Fichier nettoyé : version préparée pour l’analyse.
- Journal : détail des corrections et décisions.
Dans un processus automatisé, cette organisation peut être complétée par des versions, des sauvegardes et des droits d’accès.
6. Identifier les doublons exacts
Un doublon exact est un enregistrement répété à l’identique selon les champs considérés.
Les lignes 2 et 4 du fichier représentent le même enregistrement apparent.
Si la règle métier indique qu’un identifiant de commande doit être unique, la répétition doit être examinée.
Deux lignes identiques ne sont pas toujours une erreur. Un journal d’événements peut enregistrer plusieurs occurrences similaires. Il faut connaître la signification des lignes avant d’en supprimer une.
7. Distinguer doublons exacts et doublons potentiels
Un doublon potentiel concerne deux enregistrements qui pourraient désigner le même élément sans être identiques.
| Identifiant | Nom | Ville |
|---|---|---|
| CL001 | Martin Julie | Paris |
| CL089 | Julie Martin | PARIS |
Ces deux fiches pourraient concerner la même personne, mais cette hypothèse ne suffit pas pour les fusionner.
Il faut rechercher des éléments de confirmation autorisés : identifiant stable, référence de dossier ou autre information pertinente.
8. Détecter les doublons dans Excel
Excel propose plusieurs moyens de rechercher des répétitions.
Méthode 1 — Mise en forme conditionnelle
- Sélectionner la colonne d’identifiants.
- Ouvrir la mise en forme conditionnelle.
- Choisir une règle de valeurs en double.
- Examiner les valeurs signalées.
Méthode 2 — Fonction NB.SI
Si les identifiants se trouvent dans A2:A100, saisir en B2 :
Une valeur supérieure à 1 indique que l’identifiant apparaît plusieurs fois.
Méthode 3 — Supprimer les doublons
L’outil Données → Supprimer les doublons permet de retirer des lignes répétées. Il faut sélectionner les colonnes servant à définir l’unicité.
Utilisez-le sur une copie du fichier et uniquement après avoir confirmé les règles de déduplication.
9. Détecter les doublons dans Google Sheets
Google Sheets propose également des outils de déduplication.
- Sélectionner la plage concernée.
- Ouvrir le menu Données.
- Accéder au nettoyage des données.
- Choisir l’outil de suppression des doublons.
- Définir les colonnes de comparaison.
- Vérifier les résultats.
La fonction COUNTIF,
appelée NB.SI selon
la langue et les paramètres,
peut également aider à compter
les occurrences.
10. Comprendre les valeurs manquantes
Une valeur manquante correspond à une information absente dans un champ où elle pourrait être attendue.
La quantité de la ligne 002 et le prix de la ligne 003 ne sont pas renseignés.
Une valeur manquante n’est pas automatiquement égale à zéro.
11. Choisir comment traiter les valeurs manquantes
| Méthode | Utilisation possible | Précaution |
|---|---|---|
| Conserver le vide | Information inconnue | Signaler son absence |
| Rechercher dans la source | Information récupérable | Vérifier la fiabilité |
| Exclure l’enregistrement | Analyse impossible sans la valeur | Mesurer l’impact de l’exclusion |
| Imputer une valeur | Analyse statistique appropriée | Documenter la méthode et ses limites |
L’imputation consiste à remplacer une valeur absente par une estimation. Elle peut utiliser une moyenne, une médiane ou une méthode plus élaborée.
Cette technique peut être utile dans certaines analyses statistiques, mais elle ne doit pas transformer une estimation en fait observé.
Remplacer un prix de vente manquant par la moyenne des autres prix peut créer un montant commercial fictif. Pour un suivi de facturation, il faut rechercher le prix réel ou signaler la donnée comme manquante.
12. Mesurer les données manquantes
Le taux de valeurs manquantes peut être calculé ainsi :
Une colonne comporte 200 enregistrements, dont 12 valeurs absentes.
12 ÷ 200 × 100 = 6 %.
Le taux de valeurs manquantes de cette colonne est de 6 %.
Ce pourcentage ne suffit pas pour décider si les données sont exploitables. L’importance du champ et la cause des absences doivent aussi être examinées.
13. Uniformiser les textes et catégories
Les différences de casse, d’espacement ou d’orthographe peuvent créer des catégories artificielles.
| Valeur d’origine | Valeur normalisée |
|---|---|
| PARIS | Paris |
| paris | Paris |
| Pariis | Paris, après vérification |
| LYON | Lyon |
| lyon | Lyon |
Une normalisation peut porter sur :
- Les majuscules et minuscules.
- Les espaces superflus.
- Les caractères invisibles.
- Les accents, selon les besoins.
- Les abréviations.
- Les catégories métier.
Les corrections orthographiques doivent rester prudentes : deux libellés proches ne sont pas nécessairement équivalents.
14. Nettoyer les espaces et caractères invisibles
Certains problèmes sont difficiles à voir directement dans un tableau.
Par exemple, les chaînes
"Paris" et
"Paris "
peuvent être considérées
comme différentes.
Fonction SUPPRESPACE
Cette fonction supprime les espaces superflus ordinaires tout en conservant les espaces nécessaires entre les mots.
Fonction EPURAGE
Elle permet de retirer certains caractères de contrôle non imprimables.
Ces fonctions ne traitent pas nécessairement tous les caractères Unicode invisibles.
Cas des espaces insécables
Cette formule remplace l’espace insécable correspondant au caractère 160 par un espace ordinaire, puis supprime les espaces superflus.
Certaines variantes d’espaces Unicode, comme les espaces insécables fines, nécessitent un traitement différent. La méthode doit être adaptée au caractère réellement présent.
15. Corriger les formats de dates
Les dates doivent être homogènes et interprétées correctement.
Les trois premières valeurs peuvent désigner le 5 novembre 2026. La quatrième correspond au 11 mai en convention française, mais pourrait être interprétée autrement dans un autre contexte.
Une conversion automatique ne doit jamais inverser silencieusement le jour et le mois.
Procédure recommandée
- Identifier le format d’origine.
- Confirmer les paramètres régionaux.
- Convertir les dates sans ambiguïté.
- Utiliser un format homogène.
- Contrôler les dates limites et les valeurs impossibles.
16. Uniformiser les unités
Des valeurs exprimées dans des unités différentes ne peuvent pas être comparées directement.
| Valeur d’origine | Conversion | Valeur en kg |
|---|---|---|
| 500 g | 500 ÷ 1 000 | 0,5 |
| 1,2 kg | Aucune | 1,2 |
| 750 g | 750 ÷ 1 000 | 0,75 |
Il faut conserver la trace de l’unité d’origine et de la conversion appliquée.
17. Identifier les valeurs aberrantes
Une valeur aberrante, ou outlier, est une observation inhabituellement éloignée des autres valeurs.
La valeur 850 mérite une vérification. Elle peut résulter d’une erreur de saisie, mais elle peut aussi correspondre à un événement réel.
Il faut distinguer :
- Valeur impossible : incompatible avec les règles métier.
- Valeur improbable : inhabituelle mais potentiellement réelle.
- Valeur extrême valide : observation rare mais confirmée.
18. Utiliser des méthodes statistiques simples
Plusieurs indicateurs peuvent aider à détecter les observations atypiques.
Minimum et maximum
Ils permettent de repérer rapidement les extrêmes.
Médiane
La médiane est moins sensible aux valeurs extrêmes que la moyenne.
Écart interquartile
Une méthode classique utilise :
Les valeurs situées au-delà de ces bornes sont signalées comme potentiellement atypiques.
La méthode de l’écart interquartile constitue un outil de détection, pas une preuve d’erreur. Les seuils dépendent de la distribution et du contexte d’analyse.
19. Contrôler la cohérence entre colonnes
Une donnée peut sembler correcte isolément, mais être incohérente lorsqu’on la compare à une autre.
| Règle métier | Anomalie à rechercher |
|---|---|
| Date de livraison ≥ date de commande | Livraison antérieure |
| Quantité vendue positive | Quantité nulle ou négative hors retours |
| Montant = quantité × prix unitaire | Écart de calcul |
| Code postal conforme au pays | Format incompatible |
| Statut dans une liste autorisée | Libellé inconnu |
Ces contrôles doivent tenir compte des exceptions légitimes : retours, avoirs, corrections, livraisons anticipées selon les cas ou autres règles particulières.
20. Utiliser la validation des données
Le nettoyage corrige les problèmes existants. La validation des données aide à prévenir leur réapparition.
Dans Excel et Google Sheets, il est possible de définir :
- Des listes déroulantes de statuts.
- Des limites de valeurs numériques.
- Des contrôles de dates.
- Des messages d’erreur.
- Des restrictions sur certaines saisies.
Pour une colonne de statut, seules les valeurs suivantes sont autorisées :
Cette règle limite l’apparition de variantes telles que « livré », « livraison faite » ou « terminer ».
21. Utiliser l’IA pour diagnostiquer les anomalies
Une IA peut examiner un extrait de tableau et proposer une liste d’anomalies potentielles.
Prompt de diagnostic
22. Demander à l’IA un plan de nettoyage
Plutôt que de demander directement un tableau corrigé, il est souvent préférable de commencer par une procédure explicite.
Cette démarche facilite la vérification et réduit les transformations injustifiées.
23. Demander une transformation contrôlée
Une fois les règles validées, l’IA peut proposer une version nettoyée.
Une IA peut oublier des lignes, inverser des colonnes ou produire des corrections non demandées. Pour des volumes importants, les transformations doivent être exécutées et contrôlées par des outils déterministes.
24. Nettoyer avec Power Query
Power Query, disponible dans Excel, permet de préparer des données avec une succession d’étapes reproductibles.
Il peut notamment :
- Importer un CSV ou un classeur.
- Modifier les types de colonnes.
- Supprimer les espaces inutiles.
- Remplacer des valeurs.
- Filtrer les lignes.
- Détecter ou supprimer des doublons.
- Fusionner ou séparer des colonnes.
- Actualiser les transformations.
Procédure générale
- Importer les données dans Power Query.
- Vérifier les types détectés.
- Appliquer les transformations nécessaires.
- Contrôler les étapes enregistrées.
- Charger le résultat dans Excel.
- Comparer les données finales à la source.
L’avantage est la reproductibilité : les mêmes transformations peuvent être réappliquées à de nouvelles données, sous réserve que leur structure reste compatible.
25. Documenter les corrections
Un nettoyage professionnel doit pouvoir être expliqué et reproduit.
| ID | Champ | Avant | Après | Motif |
|---|---|---|---|---|
| C001 | ville | paris | Paris | Normalisation |
| C002 | date | 05/11/2026 | 2026-11-05 | Format ISO |
| C003 | prix | Vide | Vide | Source à vérifier |
Un journal complet peut aussi indiquer la date de correction, la règle utilisée, la personne ayant validé le changement et la version du fichier.
26. Mesurer la qualité après nettoyage
La qualité des données peut être suivie au moyen d’indicateurs.
| Indicateur | Calcul ou contrôle |
|---|---|
| Taux de complétude | Valeurs renseignées / valeurs attendues |
| Taux de doublons | Doublons identifiés / enregistrements |
| Taux de conformité | Valeurs conformes / valeurs contrôlées |
| Nombre d’anomalies ouvertes | Anomalies non résolues |
| Écart de total | Total après nettoyage – total de référence comparable |
Les définitions exactes des indicateurs doivent être fixées avant leur calcul, notamment lorsqu’un enregistrement comporte plusieurs anomalies.
27. Cas pratique complet — Nettoyer un fichier de commandes
Situation professionnelle
Une entreprise souhaite analyser ses commandes de novembre. Elle reçoit un fichier contenant des erreurs de format, un doublon et une valeur manquante.
Chaque commande possède un identifiant unique. Les montants doivent être exprimés en euros HT, avec un point décimal dans le CSV final.
Étape A — Données brutes
Le fichier contient six lignes de données brutes.
Étape B — Diagnostic
| Anomalie | Ligne | Décision |
|---|---|---|
| Dates hétérogènes | Plusieurs | Uniformiser après confirmation du format |
| Espaces superflus | C002 | Supprimer |
| Casse incohérente | C003 | Normaliser |
| Prix manquant | C004 | Conserver vide et signaler |
| Doublon exact | C002 répété | Supprimer une occurrence après confirmation |
| Orthographe probable | C005 | Vérifier « Pariis » |
Étape C — Hypothèses validées
Pour ce cas fictif, le responsable confirme les éléments suivants :
- Les dates au format JJ/MM/AAAA sont françaises.
- La seconde occurrence de C002 est une duplication technique.
- La ville « Pariis » correspond bien à Paris.
- Le prix de C004 n’est pas disponible.
Ces confirmations permettent de distinguer les corrections justifiées des suppositions.
Étape D — Fichier nettoyé
Le fichier contient désormais cinq commandes distinctes.
La valeur manquante de C004 est conservée vide.
Étape E — Vérification des montants
| Commande | Calcul | Montant HT |
|---|---|---|
| C001 | 2 × 25,00 | 50,00 € |
| C002 | 3 × 18,00 | 54,00 € |
| C003 | 1 × 150,00 | 150,00 € |
| C004 | Prix manquant | Non calculable |
| C005 | 1 × 32,00 | 32,00 € |
Total des commandes dont le prix est connu :
Attention : 286 € HT est un total partiel, et non le total général de toutes les commandes.
Étape F — Calcul des indicateurs
| Indicateur | Résultat |
|---|---|
| Lignes brutes | 6 |
| Commandes distinctes après validation | 5 |
| Doublons supprimés | 1 |
| Prix manquants | 1 |
| Complétude de la colonne prix | 4 / 5 = 80 % |
| Quantité totale | 9 unités |
| Total HT connu | 286,00 € |
| Anomalies restant à résoudre | 1 prix manquant |
Étape G — Journal des corrections
| Enregistrement | Action | Justification |
|---|---|---|
| C001, C003, C005 | Dates converties | Format français confirmé |
| C002 | Ville normalisée | Espaces et casse |
| C003 | PARIS → Paris | Harmonisation |
| C002 | Occurrence supplémentaire retirée | Doublon confirmé |
| C005 | Pariis → Paris | Correction confirmée |
| C004 | Prix conservé vide | Information indisponible |
Étape H — Synthèse professionnelle
Le fichier initial comportait six lignes. Après vérification, une occurrence dupliquée a été retirée. Les dates et villes ont été harmonisées.
Le fichier final contient cinq commandes distinctes pour neuf unités. Le total des commandes dont le prix est connu s’élève à 286,00 € HT.
Le prix de la commande C004 reste manquant. Le total général des commandes ne peut donc pas encore être établi.
Le nettoyage a corrigé les anomalies confirmées sans inventer le prix manquant. Les données sont mieux structurées, mais l’analyse financière complète reste conditionnée à la résolution de l’anomalie C004.
28. Les erreurs à éviter
- Modifier directement le fichier brut.
- Supprimer tous les doublons sans comprendre leur signification.
- Remplacer automatiquement les valeurs manquantes par zéro.
- Corriger les valeurs extrêmes sans vérifier leur origine.
- Uniformiser les dates sans connaître leur convention.
- Fusionner des fiches seulement parce que leurs noms se ressemblent.
- Convertir les identifiants en nombres.
- Confondre données observées et valeurs estimées.
- Utiliser une IA sans contrôler les transformations.
- Présenter un total partiel comme un total général.
- Oublier de documenter les corrections.
- Transmettre des données personnelles sans autorisation ni précaution.
29. Vérifiez votre compréhension
Deux commandes présentent exactement le même identifiant et les mêmes valeurs. Peut-on supprimer immédiatement l’une d’elles ?
Afficher la correction
Un prix est absent. Peut-on le remplacer par zéro pour calculer le total ?
Afficher la correction
Une commande comporte 850 unités alors que les autres en comportent entre 10 et 20. Quelle est la bonne démarche ?
Afficher la correction
Une colonne contient 80 valeurs attendues, dont 8 manquantes. Quel est son taux de complétude ?
Afficher la correction
Pourquoi conserver un journal des corrections après nettoyage ?
Afficher la correction
30. Questions fréquentes
1. Qu’est-ce que le data cleaning ?
C’est le processus d’identification, de correction et de contrôle des anomalies présentes dans les données.
2. Pourquoi nettoyer avant d’analyser ?
Parce que les erreurs d’entrée peuvent fausser les calculs, les regroupements et les conclusions.
3. Un doublon est-il toujours une erreur ?
Non. Il peut représenter un événement légitime. Son interprétation dépend de la structure et des règles métier.
4. Comment détecter des doublons dans Excel ?
Avec la mise en forme conditionnelle, NB.SI ou l’outil de suppression des doublons, selon le besoin.
5. Peut-on fusionner deux fiches similaires ?
Uniquement après avoir confirmé qu’elles concernent le même élément.
6. Une valeur manquante vaut-elle zéro ?
Non. Zéro est une valeur connue, alors qu’une donnée manquante est une information absente.
7. Qu’est-ce que l’imputation ?
C’est le remplacement d’une valeur manquante par une estimation calculée.
8. Faut-il toujours imputer les valeurs manquantes ?
Non. La méthode dépend du contexte, de l’objectif et des conséquences possibles.
9. Qu’est-ce qu’une valeur aberrante ?
Une observation inhabituellement éloignée des autres valeurs.
10. Une valeur aberrante doit-elle être supprimée ?
Non. Elle doit d’abord être vérifiée. Une valeur extrême peut être réelle.
11. Qu’est-ce que la normalisation des catégories ?
C’est l’harmonisation des libellés représentant une même catégorie.
12. Comment retirer les espaces inutiles ?
Avec des fonctions comme SUPPRESPACE, éventuellement complétées par des traitements des caractères invisibles.
13. Pourquoi les dates posent-elles problème ?
Parce que plusieurs conventions peuvent représenter des dates différentes avec des écritures similaires.
14. Pourquoi uniformiser les unités ?
Pour comparer des valeurs sur une même base de mesure.
15. Qu’est-ce que Power Query ?
Un outil de préparation et de transformation des données intégré à l’écosystème Microsoft.
16. L’IA peut-elle nettoyer automatiquement un fichier ?
Elle peut assister le nettoyage, mais ses propositions doivent être contrôlées et validées.
17. Pourquoi garder le fichier brut ?
Pour conserver la source, comparer les transformations et revenir en arrière.
18. Qu’est-ce que le taux de complétude ?
La proportion des valeurs attendues qui sont effectivement renseignées.
19. Comment éviter que les erreurs reviennent ?
En utilisant des règles de validation, des listes contrôlées et des procédures de saisie.
20. Quand le nettoyage est-il terminé ?
Lorsque les contrôles définis sont satisfaits et que les anomalies restantes sont connues, documentées et compatibles avec l’usage prévu.
31. Glossaire — 25 termes essentiels
| Terme | Définition |
|---|---|
| 1. Nettoyage des données | Correction et contrôle des anomalies d’un jeu de données. |
| 2. Data cleaning | Expression anglaise désignant le nettoyage des données. |
| 3. Jeu de données | Ensemble structuré d’informations. |
| 4. Enregistrement | Ligne représentant une observation ou une entité. |
| 5. Champ | Information stockée dans une colonne. |
| 6. Doublon exact | Enregistrement répété selon les champs comparés. |
| 7. Doublon potentiel | Enregistrements pouvant désigner le même élément. |
| 8. Déduplication | Traitement des enregistrements répétés. |
| 9. Valeur manquante | Information absente dans un champ attendu. |
| 10. Imputation | Estimation utilisée pour remplacer une valeur absente. |
| 11. Normalisation | Harmonisation des représentations de données. |
| 12. Standardisation | Application de conventions communes. |
| 13. Valeur aberrante | Observation statistiquement atypique. |
| 14. Outlier | Terme anglais désignant une valeur aberrante. |
| 15. Profilage des données | Diagnostic initial de la structure et de la qualité. |
| 16. Complétude | Proportion des informations attendues renseignées. |
| 17. Conformité | Respect des formats et règles définis. |
| 18. Cohérence | Compatibilité logique entre plusieurs informations. |
| 19. Traçabilité | Capacité à retrouver l’origine des modifications. |
| 20. Journal de corrections | Historique des transformations réalisées. |
| 21. Règle métier | Contrainte issue du fonctionnement d’une activité. |
| 22. Validation des données | Contrôle des valeurs autorisées et de leur format. |
| 23. Médiane | Valeur centrale d’une série ordonnée. |
| 24. Écart interquartile | Différence entre le troisième et le premier quartile. |
| 25. Power Query | Outil de transformation reproductible des données. |
32. Ressources pour approfondir
- Microsoft Excel — Fonctions de contrôle, doublons et préparation de données.
- Microsoft Learn — Power Query — Documentation sur les transformations reproductibles.
- Aide Google Sheets — Nettoyage et validation dans un tableur en ligne.
- OpenRefine — Outil de nettoyage et de transformation des données.
- CNIL — Protection et traitement des données personnelles.
À retenir
- Le nettoyage précède l’analyse et améliore sa fiabilité.
- Il faut commencer par diagnostiquer les anomalies.
- Le fichier brut doit être conservé.
- Un doublon n’est pas automatiquement une erreur.
- Une valeur manquante n’est pas égale à zéro.
- Les formats, unités et catégories doivent être cohérents.
- Une valeur extrême doit être vérifiée avant toute correction.
- Les règles métier permettent de détecter des incohérences invisibles isolément.
- L’IA peut proposer des corrections, mais ne doit pas inventer de données.
- Les transformations importantes doivent être vérifiables et reproductibles.
- Chaque correction doit pouvoir être justifiée.
- Un fichier nettoyé peut encore contenir des anomalies connues.
- La qualité doit être évaluée selon l’usage final des données.
Exploitez un tableau structuré pour calculer des indicateurs, identifier des tendances et produire des analyses avec l’aide de l’IA.
Entraînez-vous sur ce cours
Repérez les doublons, corrigez les formats, gérez les valeurs manquantes, identifiez les anomalies et vérifiez la qualité des données nettoyées.
Accéder aux exercices →