Nettoyer un fichier de données en désordre avec l'IA

Un export client de 12 000 lignes : des dates au format américain mélangées au format français, des doublons, des « PARIS » et des « paris », des cases vides. Avant d'en tirer la moindre analyse, il faut le nettoyer — la corvée que personne ne réclame. L'IA dotée d'un interpréteur de code abat ce travail en minutes : elle écrit et exécute le code de nettoyage sur votre fichier, puis vous rend le résultat et le script. À une condition : ne jamais la laisser deviner vos données.

Pourquoi le nettoyage mange votre temps

« Garbage in, garbage out » : une analyse vaut ce que valent ses données. D'où l'effort. Les enquêtes de référence divergent sur le chiffre exact — de l'ordre de 45 % du temps consacré à la préparation des données selon une étude de 2020, jusqu'à 60 % pour le seul nettoyage selon une enquête de 2016. Le fameux « 80 % du temps » souvent cité n'a jamais reposé sur une mesure solide. Peu importe le chiffre : préparer les données reste l'étape la plus lourde et la moins aimée du travail sur la donnée. C'est exactement là que l'IA fait gagner du temps.

Ce que l'IA sait faire sur un fichier sale

Les assistants dotés d'un interpréteur de code ne se contentent pas de « lire » votre fichier : ils exécutent du code Python dans un bac à sable, sur les données que vous déposez (Fig. 1).

Concrètement, l'analyse de données de ChatGPT et l'exécution de code de Claude savent dédupliquer, uniformiser les dates et la casse, corriger les types, repérer les valeurs aberrantes — puis vous proposer le fichier nettoyé en téléchargement avec le code utilisé. Côté tableurs, Gemini s'intègre dans Google Sheets pour des opérations assistées. Gardez en tête les limites de taille de fichier : de l'ordre de quelques dizaines de méga-octets pour un tableur sur les offres grand public — au-delà, il faut découper ou passer par un outil dédié.

La règle d'or : faire calculer, pas deviner

Voici le piège central. Un modèle de langage produit du texte plausible, pas forcément vrai : laissé à lui-même, il peut « combler » une cellule vide avec une valeur inventée mais crédible, ou réécrire des lignes en silence. Le risque culmine sur les valeurs manquantes : demander à l'IA de « deviner » l'e-mail ou la ville absents, c'est fabriquer de la donnée (Fig. 2).

La parade : exiger que chaque correction passe par du code, avec une règle explicite. Une valeur manquante ne se « devine » pas — on décide d'une stratégie (laisser vide, marquer « inconnu », exclure la ligne) et on l'applique par programme. Formulez vos demandes en ce sens : « écris et exécute un script qui déduplique sur la colonne e-mail, normalise les dates en AAAA-MM-JJ, et liste les lignes au format invalide » — pas « nettoie ce fichier ».

Gardez le script, validez le résultat

Le vrai livrable n'est pas le fichier propre : c'est le script qui l'a produit. Récupérez-le systématiquement. Sans lui, votre nettoyage est une boîte noire impossible à rejouer le mois prochain sur le nouvel export ; avec lui, il devient reproductible et auditable.

Avant d'uploader : le réflexe RGPD

Un fichier client à nettoyer contient presque toujours des données personnelles (noms, e-mails, téléphones). Le déposer dans un outil IA est un traitement : vous restez responsable de traitement, l'outil agit comme sous-traitant. Trois réflexes avant l'envoi :

• Minimiser : ne chargez que les colonnes utiles au nettoyage, pas tout le fichier par défaut.
• Pseudonymiser : retirez ou masquez les identifiants directs quand le nettoyage ne porte pas sur eux.
• Choisir la bonne offre : les offres professionnelles / entreprise n'utilisent en principe pas vos données pour entraîner les modèles ; les versions grand public le peuvent, sauf désactivation. Vérifiez le réglage et encadrez le fournisseur par un contrat adapté.

La méthode, en cinq étapes

1. Copiez l'original et gardez-le en lecture seule. On ne nettoie jamais sur l'unique exemplaire.
2. Diagnostiquez par le code : nombre de lignes, cellules vides par colonne, doublons, formats — calculés, pas estimés à l'œil.
3. Nettoyez en faisant écrire et exécuter le code, avec des règles explicites. Récupérez le fichier et le script.
4. Validez : lignes avant/après, échantillon vérifié, totaux contrôlés, comparaison à l'original.
5. Documentez vos décisions (déduplication, valeurs manquantes, anomalies) pour pouvoir les rejouer.

Pour les fichiers volumineux ou les nettoyages récurrents, des outils dédiés complètent l'IA : OpenRefine (open source), Power Query dans Excel ou la fonction « Nettoyer les données » de Google Sheets — non destructifs et répétables par nature. L'IA brille pour aller vite et générer le script ; ces outils, pour industrialiser.