Nettoyage des données (data cleansing)
Le nettoyage des données consiste à repérer et corriger les erreurs, doublons, manques et formats incohérents. En e-commerce, il s'agit de nettoyer les données produit avant qu'elles n'atteignent tes canaux.
Qu'est-ce que Nettoyage des données (data cleansing) ?
Le nettoyage des données (data cleansing, aussi appelé data cleaning) consiste à repérer et corriger les erreurs d'un jeu de données : valeurs fausses, doublons, champs vides et formats incohérents. En e-commerce, le nettoyage des données produit signifie mettre les fichiers fournisseurs et les anciennes données de catalogue dans un état publiable, avec une seule orthographe par couleur, une seule unité par mesure et aucun SKU en double. Le nettoyage corrige ce qui est déjà faux. La validation des données bloque les nouvelles erreurs à l'entrée, et l'enrichissement des données ajoute ce qui manque, comme des descriptions ou des attributs. La plupart des équipes combinent les trois : nettoyer l'arriéré une fois, puis ajouter des règles de validation pour que tout reste propre. Les services de nettoyage de données e-commerce font la première passe à la main ou avec des scripts, puis un PIM garde les données propres. Obtiens une première vue de ton catalogue avec le calculateur de qualité des données produit gratuit.
Pourquoi Nettoyage des données (data cleansing) compte en e-commerce
Des données produit sales se voient côté client. Les filtres ratent des produits parce que l'un indique Navy et l'autre bleu marine, des feeds sont rejetés parce qu'un GTIN contient une faute de frappe, et des acheteurs renvoient des articles parce qu'une taille était fausse. Le Consumer Returns Report 2025 d'Akeneo a montré qu'environ 60 % des acheteurs avaient renvoyé un produit à cause de descriptions inexactes ou trompeuses. Le problème grandit avec chaque fichier fournisseur et chaque nouveau canal. Nettoyer une fois avant une migration ou le lancement d'un canal est courant, mais sans règles les mêmes erreurs reviennent au prochain import.
Outil gratuit
Évalue la qualité des données d'un produit
Saisis le titre, la description, les champs meta et les attributs. Tu obtiens un score global sur 100, un score par catégorie et les premières corrections, selon le préréglage de ton secteur.
Exemples de Nettoyage des données (data cleansing)
- 1Champ : Couleur, Avant : navy, Navy Blue, NAVY, dk blue, Après : Navy
- 2Champ : Poids, Avant : 1kg, 1000 g, 1.0 KG, Après : 1000 g
- 3Champ : SKU, Avant : deux fiches avec le SKU TS-104, Après : une fiche, doublon signalé pour vérification
- 4Champ : Titre, Avant : NIKE AIR MAX 90 WIT MT 42!!!, Après : Nike Air Max 90, blanc, pointure 42
- 5Champ : GTIN, Avant : 871234567890 (chiffre de contrôle faux), Après : signalé et corrigé à partir du fichier fournisseur
- 6Champ : Description, Avant : HTML fournisseur avec des balises cassées, Après : texte propre avec le même contenu
Comment WISEPIM t'aide
- Des règles qui gardent les données propres : les règles Quality Guard signalent les champs vides, les mauvais formats et les valeurs invalides après chaque import.
- Corriger en masse : l'édition en masse et la page Attribute values (valeurs d'attributs) te permettent de renommer et standardiser des valeurs sur des milliers de produits.
- Des imports sûrs : Rollback Import (annulation d'import) annule un import qui a apporté de mauvaises données, et l'annulation via Operation history (historique des opérations) couvre les modifications en masse sur les offres payantes.
Erreurs fréquentes avec Nettoyage des données (data cleansing)
- Nettoyer les données une fois sans ajouter de règles, si bien que les erreurs reviennent au prochain import.
- Supprimer des doublons supposés sans vérifier quelle fiche est correcte.
- Corriger les valeurs dans la boutique en ligne au lieu de la source, si bien que la prochaine synchronisation les écrase.
- Standardiser les valeurs sans s'être d'abord mis d'accord sur une liste unique de valeurs autorisées.
- Commencer par tout le catalogue au lieu des produits qui se vendent le plus.
Conseils pour Nettoyage des données (data cleansing)
- Commence par profiler tes données : compte les champs vides, les valeurs distinctes et les doublons par attribut.
- Fixe une liste de valeurs autorisées par attribut, comme les couleurs et les unités, avant de nettoyer.
- Nettoie dans le système source, pas dans chaque canal.
- Garde une sauvegarde ou un export des données avant chaque grand nettoyage.
- Transforme chaque erreur récurrente en règle qui la détecte au prochain import.
Tendances autour de Nettoyage des données (data cleansing)
- L'AI propose des valeurs standard et repère les erreurs probables, une personne confirmant la correction.
- Le nettoyage passe de projets ponctuels à des règles qui s'exécutent à chaque import.
- Les équipes mesurent la qualité des données avec un score pour voir si le nettoyage est rentable.
- Les marketplaces et les assistants d'achat AI pénalisent les attributs incohérents, ce qui relève le niveau d'exigence pour des données propres.
- L'onboarding des fournisseurs inclut un contrôle des données avant que les fichiers n'entrent dans le catalogue.
Outils pour Nettoyage des données (data cleansing)
- WISEPIM : PIM avec règles Quality Guard, édition en masse et Attribute values pour nettoyer et standardiser les données produit.
- OpenRefine : outil open source gratuit pour nettoyer et transformer des jeux de données désordonnés.
- Akeneo PIM : PIM avec contrôles de complétude et fonctions de gouvernance des données.
- Talend Data Quality : profilage et nettoyage des données pour les grandes équipes data.
- Excel ou Google Sheets : suffisants pour de petits nettoyages ponctuels avec des formules et des filtres.
Termes associés
Aussi appelé
Questions fréquentes
Tu as encore des questions ?
Tu ne trouves pas la réponse que tu cherches ? Contacte notre équipe.
Contacter le support