 |
Normalisation
des adresses
postales |
|
149€ |
|
 |
|
|
Phase 1 : réparer les erreurs existantes.
Réalisez les traitements adéquats pour détecter et supprimer les doublons.
Étape 1 : codifier les données de votre fichier.
Il s’agit de simplifier temporairement les libellés de votre base de données pour détecter les ressemblances de sociétés, personnes ou adresses.
Dans le cas de société, on pourra s’appuyer sur le code SIREN unique permettant de déterminer précisément une société française. Mais on pourra aussi faire appel à des algorithmes simplifiant les raisons sociales des sociétés.
S’il s’agit de personnes, on peut utiliser une conversion phonétique du nom, ce qui permet de « rattraper » des patronymes mal orthographiés.
Pour les adresses, on pourra passer par une normalisation de l’adresse postale. La Poste conseille aux organisations qui envoient des mailings de normaliser les adresses. Ceci assure une distribution plus rapide du courrier, limite les erreurs et permet aussi de diminuer le coût d’affranchissement. Mais, en dehors de ces avantages, la
normalisation postale permet tout simplement de favoriser la détection de doublons.
Étape 2 : utiliser un match code.
Il s’agit de créer une codification originale s’appuyant sur tout ou partie des données de chaque enregistrement. On pourra par exemple utiliser les premières lettres du nom, les dernières lettres de l’adresse, le département et les premières lettres de la ville. Le code constitué permet de
rapprocher des données ressemblantes et ainsi de
détecter les
doublons. Le choix du match code est déterminant pour ne pas
omettre de doublons (underkill) ou pour ne pas faire de suppression
abusive (overkill).
Étape 3 : s’appuyer sur la date de mise à jour quand elle existe.
La présence de cette information n’est pas évidente dans tous les fichiers, mais
une date de mise à
jour est pourtant l’une des méthodes les plus rapides pour déterminer parmi les doublons celui qu’il faut conserver et celui qu’il faut supprimer.
Étape 4 : faire valider les contenus par les auteurs ou propriétaires.
La méthode peut paraître difficile, mais elle est infaillible pour vérifier les données dédoublonnées. La validation peut être réalisée par le contact, ou, mieux encore, par
la personne responsable du contact dans votre organisation. Cette démarche parfois fastidieuse peut être accélérée en prévoyant des envois très ciblés aux responsables de chaque contact afin qu’ils n’aient à vérifier que leurs données. Un moyen qui limite le découragement de certains.
L'utilisation de l'email permet aujourd'hui d'accélérer
considérablement cette étape.
Phase 2 : anticiper et réduire la création de doublons
Une fois votre fichier nettoyé de tous ses doubles, vous devez mettre en place des procédures permettant de limiter la création de nouveaux doublons.
- Identifiant unique : créer un code pour chaque contact dans votre fichier. Souvent, ce code est auto-incrémenté (1, 2, 3, 4…).
Le code unique permet de faciliter les dédoublonnages futurs.
- Procédures d’alerte.
Si votre système de gestion de données le permet, utilisez la méthode des match codes (voir plus haut) pour alerter les utilisateurs lorsqu’ils semblent saisir un contact déjà enregistré.
C'est ce qu'on appelle le
contrôle d'unicité.
- Date de mise à jour : ajoutez toujours dans votre base de données une date de mise à jour. Il est inutile de créer une date pour chaque champ de votre base. Vous pouvez éventuellement en créer une pour la partie adresse et une autre pour le contact ou l’entreprise. Il est fortement conseillé d’ajouter, si ce n’est pas déjà fait, une mise à jour automatique de cette date qui s’ajustera à chaque modification. Par défaut, la date doit être celle de la création de la nouvelle fiche.
- L'auteur : ajoutez le nom de la personne responsable de la
donnée, souvent l'auteur de la fiche. Le nom permet de s’adresser à l’auteur de la modification quand un problème survient, de confronter les auteurs responsables des doublons. Par ailleurs,
responsabiliser l’utilisateur permet d’accroître son implication dans la base de données et par conséquent d’améliorer la qualité des contenus.
|
