Qu'est-ce que la précision des données ? Définition, causes et méthode B2B

La précision des données (on parle aussi d'exactitude des données, ou de data accuracy en anglais) mesure à quel point une valeur correspond au fait réel qu'elle décrit. Dans une liste de contacts B2B, cela veut dire que l'intitulé de poste dit ce que la personne fait aujourd'hui, que l'email arrive dans sa boîte, et que l'entreprise est bien celle où elle travaille. Une fiche qui affiche encore « Directeur commercial chez Acme » six mois après le départ de la personne est complète, bien formatée, et fausse.

La plupart des définitions que vous trouverez ont été écrites pour des entrepôts de données et des tables financières. Ce guide applique l'idée à la liste qu'un Sales Ops, un responsable RevOps ou un growth marketer utilise pour prospecter : ce qui est exact champ par champ, ce qui le casse, comment le vérifier sur un échantillon que vous contrôlez, et comment le garder juste quand la liste vieillit.

Qu'est-ce que la précision des données ? Une définition pour vos contacts B2B

La précision des données répond à une seule question : cette valeur est-elle vraie aujourd'hui ? Pas « le champ est-il rempli » (c'est la complétude), pas « est-il au bon format » (c'est la validité), pas « est-il identique dans tous les outils » (c'est l'intégrité). Une valeur est exacte quand vous pourriez la confronter au monde réel et qu'elle tiendrait.

Deux choses rendent la précision des données difficile à piloter sur un fichier de prospection. Elle se mesure valeur par valeur, pas fichier par fichier : une même ligne peut porter un nom d'entreprise exact et un intitulé de poste faux. Et elle se dégrade. Un numéro de téléphone juste au moment de la collecte cesse de l'être le jour où la personne change de poste, alors que personne n'a touché au fichier.

Voici à quoi ressemblent une valeur exacte et une valeur inexacte sur les champs qui comptent pour la prospection :

Aucune des valeurs inexactes de ce tableau ne serait repérée par un contrôle de format. Toutes ont l'air valides. C'est pour cela que la précision des données demande sa propre méthode, distincte du nettoyage et de la mise en forme.

Précision des données vs intégrité des données : même but, autre travail

Les deux termes sont souvent employés l'un pour l'autre. Ce n'est pas la même chose. L'intégrité des données consiste à garder les données entières, cohérentes et non altérées tout au long de leur cycle de vie et d'un outil à l'autre. L'exactitude porte sur la vérité de la valeur. Vous pouvez avoir une intégrité parfaite sur un fichier rempli de valeurs fausses : toutes les synchronisations ont tourné, aucune ligne n'a été corrompue, et les intitulés ont tous dix-huit mois.

La différence se voit dans la manière de protéger chacune. L'intégrité des données repose sur les droits d'accès, les sauvegardes, les sommes de contrôle, les règles de validation entre outils et la gouvernance (qui peut modifier quoi). L'exactitude repose sur la vérification contre une source extérieure, le nettoyage, le profilage et le rafraîchissement des valeurs qui changent dans le monde réel. Une bonne protection de l'intégrité empêche votre synchronisation CRM d'écraser un intitulé juste par un intitulé faux. Elle ne fait rien contre cet intitulé qui vieillit tout seul.

Il vous faut les deux. L'intégrité protège les valeurs justes une fois que vous les avez. Le travail sur l'exactitude garantit qu'elles étaient justes au départ, et qu'elles le sont encore aujourd'hui.

Précision des données vs qualité des données (et complétude)

La qualité des données est la notion la plus large. Elle demande si la donnée est adaptée à l'usage, et l'exactitude n'est qu'une de ses dimensions, à côté de la complétude (le champ est-il rempli), de la fraîcheur (quand a-t-il été vérifié), de la cohérence (est-il écrit de la même façon partout) et de l'unicité (chaque fiche existe-t-elle une seule fois). Pour le modèle complet et la façon de le piloter comme un processus, la page mère couvre les dimensions de la qualité des données.

Ce qui compte dans le débat qualité des données vs précision des données, c'est qu'une fiche peut être exacte et pourtant de faible qualité. Un email vérifié pour un étudiant, un retraité ou une entreprise très loin de votre ICP est exact. Il est aussi inutile pour votre campagne. L'inverse existe : une liste peut paraître saine sur un tableau de bord, avec 95 % des champs remplis, et cacher un mauvais taux d'exactitude.

La complétude est la dimension la plus souvent confondue avec l'exactitude, parce que les outils d'enrichissement affichent des taux de remplissage. Un champ rempli n'est pas un champ exact. Pour voir comment les deux chiffres évoluent l'un contre l'autre, et pourquoi pousser l'un fait souvent baisser l'autre, lisez taux de couverture vs taux de précision. Le taux de remplissage, le taux de match et le coût par lead sont des KPIs d'enrichissement, pas des mesures d'exactitude : ils sont traités dans les KPIs de l'enrichissement de données.

Pourquoi l'exactitude compte quand vous prospectez

Gartner estime qu'une mauvaise qualité des données coûte en moyenne 12,9 millions de dollars par an aux organisations. Dans une équipe commerciale, le coût se voit de manière plus concrète, et la plupart du temps il vient de l'exactitude plutôt que des champs vides :

• Les rebonds. Chaque email faux gâche un envoi, et à force ils abîment la réputation du domaine d'envoi que toute l'équipe utilise.
• La mauvaise personne. Un intitulé périmé envoie votre message à quelqu'un qui ne porte plus le sujet, ou qui n'est plus dans l'entreprise.
• Le mauvais segment. Un effectif ou un secteur dépassé place un compte dans la mauvaise séquence, avec le mauvais argumentaire.
• Le mauvais score. Un scoring construit sur des données d'entreprise périmées classe les mauvais comptes en tête, et les commerciaux y passent leurs meilleures heures.
• La confiance perdue. Après quelques appels ratés, les commerciaux ne croient plus le CRM et tiennent leurs propres tableurs, ce qui aggrave le problème suivant.

Une donnée manquante se voit : la cellule est vide. Une donnée inexacte reste invisible jusqu'au moment où elle échoue devant un prospect. C'est pour cela que la précision des données mérite son propre contrôle, au lieu d'être noyée dans un score global de qualité.

Ce qui rend les données inexactes

Une donnée inexacte vient rarement d'une seule grosse erreur. Elle s'accumule à partir de huit sources ordinaires :

1. La saisie manuelle. Une faute dans un nom ou un domaine, un numéro recopié d'une carte de visite, un intitulé pris dans une signature d'email déjà périmée.
2. L'obsolescence. Les gens sont promus et changent d'entreprise ; les entreprises changent de nom, fusionnent ou déménagent. Le fichier reste identique pendant que le monde bouge. C'est pour cela qu'on recommande un rafraîchissement tous les 3 à 6 mois sur les comptes actifs, et qu'enrichir une fois par an laisse l'essentiel de l'année sur des valeurs périmées. Le détail par champ est dans à quelle fréquence rafraîchir vos données B2B.
3. Les doublons qui divergent. Deux fiches pour la même personne sont mises à jour séparément. L'une a le nouvel intitulé, l'autre l'ancien, et votre séquence peut prendre la mauvaise.
4. Les formats incohérents. « FR », « France » et « Fra » dans la même colonne, ou des numéros sans indicatif pays. La valeur est peut-être juste mais elle se lit mal, et les filtres construits dessus renvoient les mauvaises lignes.
5. Les silos et les synchronisations. Le même contact vit dans le CRM, l'outil marketing et un tableur, et une mise à jour dans l'un n'atteint jamais les autres.
6. Les migrations et les bugs. Une seule erreur de correspondance de champs pendant une migration CRM peut décaler des valeurs dans la mauvaise colonne sur des milliers de lignes.
7. Les valeurs tierces sans date. Une valeur achetée ou enrichie sans date ne vous dit pas si elle était vraie la semaine dernière ou il y a trois ans.
8. La collecte biaisée. Un formulaire qui présélectionne la première option d'une liste, ou un scan de badge qui enregistre la personne inscrite au lieu de celle qui est venue.

Exemples de données inexactes dans une liste B2B

Sept cas que vous trouverez dans presque n'importe quel fichier de prospection, et la façon de repérer chacun :

• Le directeur marketing parti. L'intitulé dit toujours CMO, la personne est partie il y a neuf mois. Repéré en vérifiant le profil public ou la page équipe de l'entreprise sur un échantillon.
• L'email qui rebondit. L'adresse suit le bon format, mais la boîte a été fermée. Repéré par une vérification email avant l'envoi, ou par le rebond dur après.
• Le piège du catch-all. Le domaine accepte toutes les adresses, donc l'email a l'air correct et peut ne jamais atteindre un humain. Repéré par un statut de vérification qui distingue catch-all et valide.
• Le mauvais domaine. L'entreprise a changé de nom et la liste garde l'ancien domaine, ou celui du groupe. Repéré en comparant le domaine avec le site actuel de l'entreprise.
• L'effectif figé. Une startup notée 11-50 salariés en compte désormais 200. Repéré en ré-enrichissant l'entreprise et en comparant les tranches.
• Le standard déguisé en ligne directe. Le champ téléphone contient le numéro de l'accueil. Repéré par un appel sur un échantillon, ou en comparant avec la page contact publique de l'entreprise.
• Les jumeaux qui divergent. Deux fiches pour la même personne avec deux intitulés différents. Repéré par un contrôle de doublons qui compare les valeurs des champs, pas seulement les noms.

Tous ces exemples ont la même forme : la valeur est remplie, plausible et fausse. Aucun ne ferait échouer un rapport de complétude.

Comment mesurer la précision des données sur un échantillon

Vous ne pouvez pas vérifier chaque valeur d'un fichier de 20 000 lignes. Vous pouvez vérifier correctement un échantillon, et un échantillon mesuré avec soin vous en dit plus que n'importe quel pourcentage affiché en page d'accueil d'un fournisseur.

1. Tirez au hasard 100 à 200 lignes dans le segment que vous allez travailler, pas dans toute la base. L'exactitude varie beaucoup d'un segment à l'autre.
2. Choisissez une source de vérité par champ. Le site de l'entreprise pour le domaine et le nom, le profil public de la personne ou la page équipe pour l'intitulé et l'employeur, une vérification SMTP pour l'email, un appel pour une ligne directe.
3. Contrôlez chaque champ séparément et notez-le exact, inexact ou invérifiable. Sortez les valeurs invérifiables du dénominateur au lieu de les compter comme exactes.
4. Calculez le taux d'exactitude par champ : taux d'exactitude = valeurs vérifiées exactes / valeurs vérifiées × 100.
5. Notez la date. Une mesure de la précision des données est une photo. Le même échantillon contrôlé six mois plus tard obtiendra un score plus bas, même si personne n'y a touché.

Deux corrections à la façon dont on mesure souvent l'exactitude. Le taux de doublons n'est pas une mesure de précision : il mesure l'unicité. Les doublons causent des inexactitudes quand leurs valeurs divergent, c'est pour cela qu'ils figurent dans les causes plus haut et pas ici. Et le taux de rebond dur ne renseigne que sur le champ email. Une liste à 1 % de rebonds peut être pleine d'intitulés faux.

Le même échantillon est aussi la façon la plus juste de comparer deux sources de données : passez-les toutes les deux sur les mêmes 100 à 200 lignes et comparez l'exactitude champ par champ, au lieu de croire le taux de remplissage. L'ensemble des formules, avec les repères chiffrés et la lecture précision / rappel, est dans le guide des indicateurs de couverture et de précision.

Une donnée peut-elle être exacte à 100 % ?

Pas longtemps, et pas pour des données de contact. Vous pouvez atteindre 100 % sur un petit échantillon le jour où vous le contrôlez. Les gens continuent de bouger, donc le taux commence à baisser dès le lendemain. L'objectif réaliste est un taux d'exactitude connu, par champ, daté, et un rythme de rafraîchissement qui le garde au-dessus de ce que vos campagnes exigent.

Vérifiez l'exactitude des emails avant chaque envoi

L'email est le seul champ que vous pouvez tester en volume sans appeler personne : c'est là que le travail sur la précision des données doit commencer. Un email « trouvé » n'est pas un email délivrable. Les domaines catch-all acceptent tous les messages entrants sans rejet SMTP, ce qui peut gonfler votre taux de remplissage tout en abîmant discrètement votre délivrabilité.

Pour chaque lot, lancez une vérification qui classe les adresses en trois groupes :

• Valide : confirmée par SMTP, envoi sans risque
• Catch-all : le domaine accepte tout, risque modéré
• Invalide : rebond garanti, à retirer tout de suite

Objectifs après vérification : taux de rebond dur sous 3 %, taux de catch-all sous 15 % dans votre liste d'envoi active.

La fonction Email Verification de Derrick fait ce contrôle sur toute une liste dans l'app web, ou depuis la barre latérale Google Sheets si votre liste vit déjà dans un tableur. Elle coûte 1 crédit par email et fait partie des plans payants. Vous obtenez une liste en trois niveaux (valide, catch-all, invalide) et, sur votre échantillon, un vrai taux d'exactitude du champ email au lieu d'une promesse.

L'erreur à éviter : confondre données enrichies et données vérifiées

L'enrichissement trouve une valeur. La vérification confirme qu'elle est vraie. Traitez-les comme deux étapes distinctes, toutes les deux obligatoires. Sauter la seconde est la façon la plus courante de laisser une donnée inexacte arriver jusqu'au prospect : des emails « trouvés » qui rebondissent en masse parce que personne ne les a contrôlés, et une réputation d'envoi qui met des semaines à se réparer.

Comment améliorer la précision des données et la maintenir

• Validez à l'entrée. Des formats imposés sur les formulaires et les imports (syntaxe email, liste de pays fermée, téléphone avec indicatif) arrêtent une partie des erreurs avant qu'elles n'entrent.
• Vérifiez avant d'utiliser. Une vérification email avant chaque campagne, et un contrôle par échantillon des intitulés avant d'envoyer une séquence à un nouveau segment.
• Dédoublonnez en comparant les valeurs. Fusionnez les jumeaux et gardez la valeur la plus récente. Si votre liste est dans Google Sheets, Find Duplicates de Derrick se lance depuis la barre latérale et signale les lignes répétées.
• Normalisez les formats qui changent le sens. Un format incohérent fait lire de travers une valeur juste : un pays écrit de trois façons, un numéro sans son indicatif. Corrigez d'abord les champs sur lesquels vous filtrez et routez. Les seuils à tenir par champ sont dans les seuils d'hygiène des données par champ.
• Ré-enrichissez avec une date. Rafraîchissez les champs volatils (intitulé, entreprise, email) tous les 3 à 6 mois sur les comptes actifs, et stockez la date du dernier contrôle à côté de chaque valeur. Enrich Leads coûte 1 crédit par profil et demande de connecter votre compte LinkedIn via l'extension Chrome Derrick.
• Donnez un responsable à chaque champ. Quelqu'un porte l'identité des contacts, quelqu'un porte les données d'entreprise. Quand tout le monde peut modifier un intitulé, personne n'est responsable de son exactitude.
• Surveillez. Contrôlez l'exactitude à chaque import, et revérifiez un échantillon chaque mois sur les segments que vous travaillez. Aucune campagne ne part vers un segment dont vous n'avez pas mesuré l'exactitude récemment.

Si une grande partie du fichier est déjà abîmée, commencez par un nettoyage des données B2B ponctuel, puis installez les habitudes ci-dessus pour que le problème ne revienne pas.

Où Derrick intervient

Derrick prend en charge la partie de la précision des données qui demande une recherche extérieure, depuis la surface qui correspond à la tâche :

• App web : importez un CSV, vérifiez les emails, ré-enrichissez intitulés et entreprises. Rien à installer, et l'entrée par défaut pour travailler une liste.
• Barre latérale Google Sheets : les mêmes recherches sur une liste qui vit déjà dans un tableur, plus Find Duplicates.
• MCP dans Claude ou ChatGPT : vérifiez un compte ou un contact dans une conversation, juste avant un appel.
• API REST : vérifiez et rafraîchissez dans un workflow CRM ou une tâche planifiée, depuis votre code ou via Zapier, Make ou n8n.

Le plan gratuit vous donne 100 crédits par mois sans carte bancaire, de quoi ré-enrichir un échantillon de test. Email Verification demande un plan payant, à partir du plan Standard à 20 € par mois. L'accès API et MCP est inclus dès le plan Plus à 47,50 € par mois.

Commencez avec le plan gratuit et mesurez la précision de vos données sur votre propre échantillon.