Préparer ses données pour l'IA : nettoyer, structurer, anonymiser un fichier avant de le confier

Partie 1 — Comprendre pourquoi les données doivent être préparées

Dans cette partie :

• Ce que l'IA voit dans votre fichier
• Les erreurs de données les plus fréquentes
• RGPD et IA : les règles de base à connaître

Définition : Donnée structurée

Une donnée structurée est une information organisée dans un format prévisible — lignes, colonnes, cellules — que l'IA peut lire et traiter automatiquement sans effort d'interprétation.

Origine du terme : du latin data (ce qui est donné) et structura (assemblage ordonné)

Marques tierces — mention obligatoire

• Excel, ChatGPT, Copilot : cités en texte seul
• Ces marques appartiennent à leurs éditeurs
• L'ESEAD n'est affiliée à aucun de ces éditeurs
• Aucun logo tiers dans ce cours

Ce que l'IA lit réellement dans votre tableau

• L'IA lit du texte brut, ligne par ligne
• Elle ne « voit » pas vos couleurs Excel
• Une cellule vide = une information absente
• Un format incohérent = une erreur d'interprétation

Les 5 erreurs qui bloquent l'IA

• 1. Valeurs manquantes non signalées
• 2. Formats mixtes dans une même colonne
• 3. Doublons non détectés
• 4. En-têtes absents ou fusionnés
• 5. Données parasites (espaces, caractères)

RGPD et IA : trois réflexes obligatoires

• Réflexe 1 : repérer les données personnelles
• Réflexe 2 : ne jamais confier des données brutes
• Réflexe 3 : vérifier les CGU de l'outil IA utilisé

Ce que ce cours ne fait PAS

• Pas de conseil juridique individualisé
• Pas d'analyse de votre situation spécifique
• Pour votre cas : contactez votre DPO ou la CNIL

Qualité des données : état des lieux en entreprise française

Les problèmes de qualité des données coûtent cher — les chiffres le confirment.

• 60 % des PME françaises déclarent perdre du temps sur la qualité des données chaque semaine (France Num · Baromètre numérique des PME · 2024)
• 3 h/sem temps moyen perdu par collaborateur à cause d'erreurs de données en entreprise (DGE · Étude transformation numérique des TPE-PME · 2023)

À retenir : Ce que l'IA voit dans votre fichier

• L'IA lit du texte brut, pas des mises en forme
• Cellule vide = information manquante pour l'IA
• Traduire les intentions visuelles en données textuelles
• Structure prévisible = analyse fiable

À retenir : Les erreurs de données les plus fréquentes

• 5 erreurs couvrent 90 % des problèmes
• Doublons, formats mixtes, valeurs manquantes
• En-têtes flous et caractères parasites
• 3 h/semaine perdues en moyenne par collaborateur

À retenir : RGPD et IA : les règles de base

• Données personnelles = toute info sur une personne identifiable
• Confier à une IA = transfert à un tiers
• Lire les CGU de l'outil avant usage
• Cas complexes → DPO ou CNIL (cnil.fr)

Partie 2 — Nettoyer et structurer un fichier pas à pas

Dans cette partie :

• Diagnostiquer un fichier en 5 minutes
• Corriger, uniformiser, compléter
• Structurer pour que l'IA comprenne

La checklist diagnostic en 5 minutes

• Étape 1 : compter les lignes et colonnes
• Étape 2 : repérer les cellules vides
• Étape 3 : vérifier les formats de colonnes
• Étape 4 : détecter les doublons évidents
• Étape 5 : lire les 10 premières et 10 dernières lignes

Corriger les erreurs : les gestes essentiels

• Supprimer les espaces parasites : SUPPRESPACE()
• Uniformiser la casse : MAJUSCULE(), MINUSCULE()
• Convertir Texte → Nombre : coller avec multiplication
• Traiter les vides : NA(), 0 ou valeur médiane selon le cas

Astuce pro — Toujours travailler sur une copie

• Dupliquer le fichier original AVANT de corriger
• Nommer : « fichier_original_AAAA-MM-JJ »
• Corriger sur « fichier_travail »
• Zéro regret en cas d'erreur de manipulation

Les règles d'or de la structure

• 1 ligne = 1 observation unique
• 1 colonne = 1 type d'information
• Ligne 1 = en-têtes explicites, sans fusion
• Pas de sous-totaux intégrés dans les données

Cas : Export CRM d'un service commercial

• Fichier : export de 847 lignes depuis un CRM
• Problème : 63 lignes vides, 12 doublons, colonne CA en format Texte
• Temps de diagnostic : 4 minutes
• Problèmes identifiés avant toute correction

Cas : Tableau de suivi RH restructuré

• Avant : noms complets, dates textuelles, sous-totaux mélangés
• Après : colonnes séparées, dates ISO, onglet résumé distinct
• Résultat : l'IA identifie les absences récurrentes en 30 secondes

À retenir : Diagnostiquer un fichier en 5 minutes

• Ctrl + Fin : dernière cellule utilisée
• Accueil → Sélectionner les cellules vides
• Données → Supprimer les doublons (compter d'abord)
• Lire les 10 premières et 10 dernières lignes à la main

À retenir : Corriger, uniformiser, compléter

• SUPPRESPACE() élimine les espaces invisibles
• NOMPROPRE() uniformise les noms propres
• Collage spécial × 1 convertit Texte → Nombre
• Toujours travailler sur une copie du fichier

À retenir : Structurer pour que l'IA comprenne

• 1 ligne = 1 observation, 1 colonne = 1 type
• Ligne 1 : en-têtes sans fusion, sans caractères spéciaux
• Sous-totaux → onglet séparé
• Format ISO pour les dates : AAAA-MM-JJ

Partie 3 — Anonymiser avant de confier à l'IA

Dans cette partie :

• Identifier les données personnelles dans un fichier
• Techniques d'anonymisation et de pseudonymisation
• Valider, exporter et confier à l'IA en confiance

Définition : Donnée personnelle

Une donnée personnelle est toute information se rapportant à une personne physique identifiée ou identifiable — directement par son nom, ou indirectement par une combinaison d'informations permettant de l'identifier.

Origine du terme : du latin persona (masque, rôle, identité individuelle)

Cartographier les colonnes à risque

• Colonnes directes : nom, prénom, email, tél
• Colonnes indirectes : age, ville, poste, service
• Colonnes sensibles : santé, religion, opinion politique
• Combinaisons : évaluer le risque croisé

Anonymisation vs pseudonymisation : la différence clé

• Anonymisation : suppression irréversible de l'identité
• Pseudonymisation : remplacement par un code réversible
• Anonymisation → hors RGPD après traitement
• Pseudonymisation → reste dans le périmètre RGPD

5 techniques à appliquer dans un tableur

• 1. Suppression de colonne : supprimer le direct
• 2. Généralisation : âge exact → tranche d'âge
• 3. Masquage : email → e***@***.fr
• 4. Agrégation : individus → groupes
• 5. Remplacement : nom → code aléatoire

La checklist de validation finale avant partage

• ✓ Aucune colonne identifiante directe
• ✓ Colonnes indirectes généralisées ou supprimées
• ✓ Format de fichier adapté (CSV, non Excel natif)
• ✓ CGU de l'outil IA vérifiées
• ✓ Journal de nettoyage complété

Cas : Fichier de facturation prêt à analyser

• Fichier d'origine : 1 200 lignes, données clients complètes
• Traitement : suppression de 4 colonnes, généralisation secteur
• Export : CSV UTF-8, 1 180 lignes nettes
• Résultat IA : top 3 produits, saisonnalité détectée en 45 secondes

Violations de données : les secteurs les plus touchés en France

Les sanctions CNIL illustrent où les données personnelles fuient le plus souvent.

• 4 240 violations de données notifiées à la CNIL en 2024 (CNIL · Rapport annuel 2024)
• 110 M€ montant total des amendes CNIL prononcées en France depuis 2018 (CNIL · Bilan des sanctions 2024 · cnil.fr)

À retenir : Identifier les données personnelles

• 3 niveaux : directes, indirectes, sensibles
• La combinaison de données peut ré-identifier
• Créer un onglet « Cartographie des colonnes »
• 4 240 violations notifiées à la CNIL en 2024

À retenir : Techniques d'anonymisation

• Anonymisation = irréversible → hors RGPD
• Pseudonymisation = réversible → reste dans RGPD
• 5 techniques : supprimer, généraliser, masquer, agréger, remplacer
• Ressources officielles : cnil.fr

À retenir : Valider, exporter, confier

• Checklist 5 points avant tout partage
• Format CSV UTF-8 pour l'export final
• Vérifier les CGU de l'outil IA utilisé
• Journal de nettoyage = preuve de diligence