Comment préparer vos données pour un projet IA

La donnée décide du projet, pas le modèle

La plupart des dirigeants imaginent qu'un projet IA se joue sur le choix du modèle ou la puissance de l'algorithme. Dans la réalité, ce qui fait la différence entre un projet qui tient ses promesses et un projet qui déçoit, c'est l'état des données au départ. Un modèle très performant nourri avec des informations fausses produit des réponses fausses, plus vite et avec plus d'assurance. Dans un projet IA, la qualité du résultat ne dépasse jamais la qualité des données qu'on lui donne.

C'est une bonne nouvelle, en fait. Cela veut dire qu'une partie décisive du travail ne demande pas de compétence technique rare : elle demande de la rigueur et une bonne connaissance de votre propre activité. Cet article explique où vos données se cachent réellement, comment les mettre en état, et comment éviter les blocages classiques qui font glisser un projet de plusieurs semaines.

Où sont vraiment vos données

Avant de nettoyer quoi que ce soit, il faut savoir ce qu'on a. Et dans beaucoup d'entreprises africaines, l'information existe mais elle est dispersée, souvent sans que personne en ait la carte complète.

Une partie vit dans les logiciels de gestion : facturation, comptabilité, ERP, outil de caisse. C'est en général la source la plus fiable, à condition qu'elle soit tenue à jour. Une autre partie dort dans des tableurs, sur l'ordinateur d'une personne ou dans un dossier partagé, avec des versions multiples dont plus personne ne sait laquelle fait foi. Une troisième partie circule dans les boîtes mail et sur WhatsApp : commandes, réclamations, échanges avec les fournisseurs, tout ce qui n'a jamais été rangé ailleurs. Enfin, il reste souvent du papier : bons de livraison, cahiers de suivi, fiches clients manuscrites, surtout dans les activités où le terrain prime sur le bureau.

La première étape d'un projet IA n'est pas technique, c'est de cartographier où se trouve chaque information utile. Cette carte, aussi simple soit-elle, révèle presque toujours des surprises : une donnée qu'on croyait centralisée est en réalité recopiée à trois endroits différents, avec trois valeurs qui ne concordent pas.

Ce que veut dire "des données propres"

Une donnée propre n'est pas une donnée parfaite. C'est une donnée exploitable. Concrètement, cela recouvre quelques exigences simples mais que peu d'entreprises remplissent au départ.

Les informations doivent être cohérentes. Le même client ne doit pas exister sous trois orthographes, la même unité de mesure ne doit pas changer d'une ligne à l'autre, une date doit toujours s'écrire de la même façon. Ce genre d'incohérence, invisible à l'œil humain qui rétablit tout seul le sens, bloque une machine qui prend tout au pied de la lettre.

Les données doivent être datées et traçables. Savoir quand une information a été saisie et d'où elle vient permet de trier le récent du périmé et d'écarter les sources douteuses. Un historique de ventes sans dates fiables ne sert presque à rien pour une prévision.

Les doublons doivent être repérés. Des fiches clients en double faussent tous les comptages : une entreprise croit avoir mille clients alors qu'elle en a six cents saisis à répétition. Une IA branchée là-dessus héritera de l'erreur et la propagera.

Enfin, les données sensibles doivent être identifiées avant tout traitement. Numéros de téléphone, pièces d'identité, informations de paiement : il faut savoir où elles sont pour décider ce qui peut être utilisé, anonymisé ou laissé de côté. C'est aussi une question de conformité, un sujet que nous détaillons dans notre article sur la protection des données dans un projet IA.

Le travail de nettoyage, étape par étape

Une fois la carte établie et les critères posés, le nettoyage suit un ordre logique. Le sauter ou l'improviser fait perdre bien plus de temps qu'il n'en fait gagner.

On commence par rassembler. Exporter chaque source dans un format lisible, réunir les tableurs éparpillés, sortir des logiciels ce qu'ils veulent bien exporter proprement. À ce stade, on ne corrige rien, on centralise.

On uniformise ensuite. Mêmes formats de date, mêmes unités, mêmes libellés pour les mêmes réalités. C'est un travail fastidieux mais mécanique, et c'est souvent là qu'on découvre l'ampleur réelle du désordre.

On déduplique et on corrige. Fusionner les fiches en double, rétablir les valeurs manifestement fausses, signaler les trous. Là, l'œil du métier est indispensable : seul le responsable commercial sait qu'un pic de ventes en mars était en réalité une erreur de saisie, pas un succès à reproduire.

On documente enfin. Noter d'où vient chaque source, ce qui a été corrigé, ce qui reste incertain. Cette mémoire évite de refaire le même travail au projet suivant et rend la base réutilisable. Ce chantier de mise en ordre est le cœur d'une démarche de data analytics sérieuse, et il sert bien au-delà de l'IA : une entreprise qui range ses données y voit plus clair sur son activité, tout simplement.

Les blocages à anticiper

Certains obstacles reviennent dans presque tous les projets. Les connaître à l'avance évite de les découvrir au pire moment.

Le premier est l'illusion du volume. On croit avoir beaucoup de données, on découvre que l'essentiel est inutilisable et qu'il ne reste qu'un noyau fiable bien plus mince. Mieux vaut un petit jeu de données propre qu'une montagne de bruit. Un projet IA réussit plus souvent avec peu de données fiables qu'avec beaucoup de données douteuses.

Le deuxième est la dépendance à une seule personne. Quand toute la connaissance d'un tableur vit dans la tête d'un employé, son absence bloque le projet. Documenter au fil de l'eau réduit ce risque.

Le troisième est la tentation de tout préparer d'un coup. Vouloir nettoyer l'ensemble des données de l'entreprise avant de commencer condamne le projet à ne jamais démarrer. Il vaut mieux préparer d'abord les données du premier cas d'usage, le mettre en production, puis élargir. Cette logique de périmètre restreint est la même que celle qui fait avancer vite un déploiement, comme nous l'expliquons dans notre article sur les délais d'un projet IA.

Préparer ses données ne sert pas qu'à l'IA

Le point souvent manqué, c'est que ce travail a de la valeur en soi. Une entreprise qui cartographie, nettoie et organise ses données gagne en visibilité sur ses ventes, ses stocks, ses clients, indépendamment de tout projet d'intelligence artificielle. L'IA devient alors une couche posée sur des fondations saines, pas un pansement sur un désordre.

C'est aussi ce qui rend les projets suivants plus rapides et moins chers. La première préparation coûte de l'effort ; les suivantes réutilisent une base déjà propre. Pour une PME qui se demande par où commencer avec l'IA, ranger ses données est souvent le premier pas le plus rentable, avant même de choisir un cas d'usage.

ThalerTech Africa aborde chaque projet en commençant par l'état réel des données, plutôt que par la technologie, parce que c'est là que se joue le résultat. Un accompagnement en automatisation ou en agents IA construit sur des données bien préparées tient ses promesses ; posé sur une base bancale, il déçoit quel que soit le modèle. La préparation n'est pas la partie ennuyeuse d'un projet IA, c'est celle qui décide de tout.