Adresses erronées, doublons que personne ne voit, communes qui ne tombent pas dans le référentiel : en vingt-cinq ans à fiabiliser des bases d'adresses dans de grandes organisations françaises, j'ai vu les mêmes sept pièges revenir, quel que soit le secteur. Une adresse française a l'air simple, un numéro, une voie, un code postal, une ville. C'est pourtant l'un des champs les plus sales d'un fichier client.
Les voici noir sur blanc. Pour chacun : ce qui se passe, le test à lancer sur votre propre fichier pour mesurer le dégât, et l'article qui explique comment le corriger.
Une chose vaut pour les sept : le problème, c'est qu'on compare du texte brut alors qu'il faudrait comparer du sens. Tout le reste en découle.
1. Les abréviations de type de voie
Av., Bd, Pl., St, Ste, Fg, Imp. : une même voie s'écrit de dix façons selon qui a saisi. « Avenue du Général de Gaulle » devient « Av Gal de Gaulle », « St-Étienne » remplace « Saint-Étienne ». Tant qu'on compare des chaînes brutes, ces variantes ne se rejoignent jamais, et le même client existe trois fois.
Le test. Comptez les valeurs distinctes du premier mot de vos voies. Si AV, AVE, AVENUE et AV. cohabitent, vous y êtes. La correction passe par la décomposition de l'adresse en éléments, type de voie compris : c'est le sujet de Normaliser une adresse française en Python.
2. Les accents et la casse
SAINT-CYR, Saint-Cyr, saint cyr, St-Cyr, et les mêmes sans accents, Etienne au lieu d'Étienne. Un import qui traverse un système fâché avec l'UTF-8 décape les accents en route, et vous vous retrouvez avec deux versions d'une même commune impossibles à rapprocher.
Le test. Mettez tout en minuscules sans accents et comptez les doublons qui apparaissent d'un coup : ce nombre mesure le dégât. Pour les résorber proprement, par une clé d'adresse normalisée plutôt que par une comparaison de chaînes, voir Dédoublonner un fichier client par adresse normalisée.
3. Les communes nouvelles et les fusions du COG
Le découpage communal bouge tous les ans. Le Code officiel géographique de l'INSEE enregistre les fusions en communes nouvelles, les renommages, les changements de code. Cherbourg-en-Cotentin n'existe que depuis 2016 ; une adresse saisie avant désigne Cherbourg-Octeville ou Tourlaville, et elle n'est pas fausse pour autant, elle est datée.
Le test. Rapprochez vos noms de communes du COG de l'année en cours. Celles qui ne tombent pas juste sont le plus souvent des fusions ou des renommages, pas des fautes. Pour retrouver le nom officiel et le code INSEE d'une commune à partir d'un nom ou d'un code postal, la démo de recherche de communes le fait sans compte.
4. Un code postal n'est pas un code INSEE de commune
C'est le piège le plus contre-intuitif. Un code postal est une zone de distribution du courrier, pas une commune. Le 01000 sert Bourg-en-Bresse et Saint-Denis-lès-Bourg ; Cherbourg-en-Cotentin, une seule commune, porte six codes postaux ; Paris en a un par arrondissement. Déduire la commune du seul code postal produit des erreurs régulières, et dans les deux sens. L'identifiant stable, c'est le code INSEE, cinq caractères, un par commune.
Le test. Comptez le nombre de communes distinctes derrière chaque code postal de votre fichier. Dès qu'un code postal en couvre plusieurs, vous ne pouvez plus en déduire la commune sans risque : il vous faut le code INSEE, que le rapprochement à la Base Adresse Nationale rend avec la position.
Prêt à intégrer l'API TrustyData ?
5. Les adresses sans numéro et les lieux-dits
En zone rurale, beaucoup d'adresses n'ont pas de numéro : un lieu-dit, un hameau, parfois juste « le bourg ». Les algorithmes qui exigent un numéro échouent, ou pire, inventent un rapprochement avec l'adresse voisine la plus proche.
Le test. Filtrez les lignes sans numéro de voie et regardez la part qu'elles pèsent. Si elle est sérieuse, votre traitement doit les accueillir comme un cas normal, et rendre une position à la voie ou au lieu-dit en disant à quel niveau il s'est arrêté. Les trois niveaux de précision, et le piège du repli au centre de la commune, sont détaillés dans Géocoder un fichier d'adresses.
6. Les typos et variantes de voie
« Rue de la République », « Rue de la Republic », « Rue de la Republique » : une lettre en trop, une inversion, un mot tronqué. Sur un fichier saisi à la main, c'est inévitable. Le rapprochement doit tolérer une petite distance sans confondre deux voies réellement différentes, et seul un référentiel permet de trancher.
Le test. Triez vos voies par ordre alphabétique, à l'intérieur de chaque commune, et faites défiler : les quasi-doublons se retrouvent voisins et sautent aux yeux. Pour industrialiser la chasse, le pipeline de nettoyage en Python montre comment enchaîner décomposition, normalisation et rapprochement.
7. CEDEX, boîtes postales et mentions de complément
CEDEX, BP 42, « chez M. X », « bâtiment C escalier 2 » : ces mentions ne sont pas des éléments géographiques. Elles parasitent le rapprochement si on ne les met pas de côté, et un CEDEX collé au nom de la commune suffit à faire échouer la reconnaissance de la ville.
Le test. Cherchez CEDEX, BP, CS et TSA dans vos champs de voie et de ville. S'ils y traînent, c'est qu'ils n'ont pas été isolés en amont : à ranger dans un champ de complément, pas à supprimer, ils serviront à l'acheminement.
La parade, en une phrase
Ces sept pièges ont la même racine, donc la même parade : décomposer l'adresse, normaliser chaque morceau, puis le rapprocher au référentiel officiel, la Base Adresse Nationale, plutôt qu'à une autre chaîne aussi sale que la première. La décomposition rend l'adresse exploitable ; c'est le rapprochement qui la rend fiable, parce qu'il rend un verdict, une position et un code INSEE au lieu d'une chaîne corrigée.
C'est la logique de l'API TrustyData : une adresse libre en entrée, une adresse par requête, des éléments structurés et rapprochés en sortie, source citée. Pour le dire aussi clairement que le reste : TrustyData n'est pas un outil de RNVP. Pour une étiquette postale homologuée, il faut un prestataire disposant d'un logiciel certifié ; pour savoir si une adresse existe, où elle est et dans quelle commune, le rapprochement géographique suffit, et c'est lui qui règle les sept pièges.
Pour aller plus loin
Le glossaire dit à quelle question répondent la BAN, le COG, les IRIS et Filosofi, et dans quel ordre on les enchaîne. Pour le piège 4, l'outil Code INSEE d'une commune rend le code et tous les codes postaux d'une commune, sans compte. La page de vérification d'adresses décrit le service et ses plans. Et si votre fichier est déjà propre, Géocoder un fichier d'adresses explique quoi faire du quart qui ne se place pas.