Systèmes · Prospection B2B · Données publiques · Conformité
Cinq bases publiques qui ne partagent aucun identifiant, et une seule fiche d'entreprise à l'arrivée.
L'État français publie gratuitement le registre des sociétés, les annonces légales, les dirigeants, les transactions immobilières et les diagnostics énergétiques. Prises une à une, ces bases sont pauvres. Croisées, elles disent qui a acheté quoi, quand, dans quel état, et avec quel dirigeant. Le travail consiste à les apparier.
01
Registre des entreprises, annonces légales (créations, cessations, procédures collectives), dirigeants, transactions foncières, diagnostics énergétiques. Chaque source arrive par un connecteur qui ignore le métier : le schéma externe ne touche jamais le modèle interne.
02
Aucun de ces référentiels ne partage de clé avec les autres, et la même entreprise y apparaît sous trois orthographes et deux adresses. Normalisation française, comparaison floue, scoring de paires appris, puis regroupement et fusion. C'est la partie qui a pris le plus de temps.
03
Un diagnostic classé G pèse dix fois un diagnostic classé A. Une transaction foncière pèse selon son montant, une procédure collective autrement qu'une création. Le score qui en découle reste lisible ligne par ligne.
04
Géocodage sur la base adresse nationale, indexation spatiale, regroupement des signaux par cellule. Un diagnostic isolé est une information ; quinze dans la même rue sont un chantier.
05
Consentement, journal d'audit, registre de rétention, contrôle des licences des sources, minimisation appliquée dès la transformation de la donnée brute, respect du statut de non-diffusion. Ce paquet a le même rang dans le code que le scoring.
06
Précision, rappel et F1 sur l'extraction ; calibration de Brier sur les scores ; détection de dérive, avec une porte qui bloque une mise en production si la qualité recule.
La décision
L'ordre naturel aurait été de connecter les sources, d'apparier, de scorer, puis de traiter le règlement à la fin. J'ai fait l'inverse : le consentement, la rétention et la traçabilité ont été construits avant le premier score.
La raison est structurelle. La minimisation doit s'appliquer au moment où la donnée brute devient une donnée interne ; ajoutée après coup, elle suppose de repasser sur tout ce qui a déjà été stocké, ce qu'on ne fait jamais.
Cela se voit dans le code : la minimisation vit dans le mapper de chaque connecteur, pas dans un module ajouté après.
Il reste la recherche sémantique sur les entités, la synchronisation dans les deux sens avec les CRM du marché, et des playbooks au-delà du solaire.
Autres systèmes