Détection de modifications : surveiller une page web plutôt qu'un flux RSS

La veille s'est construite sur les flux. On s'abonne à un fil RSS, à une lettre d'information, à une alerte de moteur, et l'information arrive. Ce modèle fonctionne pour la presse et les blogs, qui publient des contenus datés et empilés. Il échoue complètement sur une autre catégorie de sources, pourtant plus riche en matière concurrentielle : les pages qui ne publient rien de nouveau mais qui changent.

Une grille tarifaire, une page de conditions générales, une liste de partenaires, une page carrières, un annuaire de points de vente, une notice de produit : aucune de ces pages n'émet de flux. Elles se contentent d'être modifiées, silencieusement, parfois en un seul mot. Ce mot peut valoir davantage qu'un communiqué de presse, parce qu'il précède souvent l'annonce officielle de plusieurs semaines.

Détecter ces changements suppose un autre mécanisme : relever périodiquement l'état d'une page, le comparer à l'état précédent et alerter sur l'écart. Le principe est simple ; sa mise en oeuvre l'est beaucoup moins, parce que la plupart des pages modernes changent en permanence sans rien signifier. Cet article détaille comment installer un tel dispositif et surtout comment le rendre supportable au quotidien.

Pourquoi les pages les plus utiles n'ont jamais de flux

La règle empirique est constante : plus une page est stratégique, moins son éditeur souhaite en signaler les évolutions. Personne ne publie un flux annonçant une hausse de tarif, une clause modifiée dans des conditions générales ou la disparition d'un client de la page de références. Ces changements sont faits pour être appliqués, pas pour être communiqués.

Une deuxième catégorie de pages échappe aux flux pour des raisons purement techniques. Les portails d'appels d'offres, les registres administratifs, les annuaires professionnels et de nombreux sites institutionnels reposent sur des générateurs anciens qui n'exposent aucun fil de syndication. L'information y est parfaitement publique et parfaitement invisible pour un dispositif de veille classique fondé sur l'abonnement.

Les relevés publiés par l'Observatoire de l'Intelligence Économique sur la composition des périmètres de veille convergent sur ce point : la fraction du périmètre couverte par des flux exploitables reste minoritaire, et elle diminue à mesure que l'on s'éloigne des sources de presse. Une cellule qui limite sa collecte aux flux disponibles surveille donc surtout ce que les autres ont choisi de rendre facile à suivre.

Choisir la zone surveillée avant de choisir la fréquence

La première erreur consiste à surveiller une page entière. Une page moderne contient un bandeau de cookies, un fil d'actualités latéral, un compteur de visiteurs, un carrousel de témoignages, des identifiants de session et parfois un horodatage affiché. Tous ces éléments changent à chaque chargement. Une surveillance globale produit alors une alerte par relevé, ce qui revient exactement à ne rien surveiller.

Le réglage utile consiste à restreindre l'observation à la zone qui porte l'information. Sur une page tarifaire, c'est le tableau des prix ; sur une page carrières, la liste des intitulés de postes ; sur des conditions générales, le corps du texte hors pied de page. La plupart des outils de surveillance acceptent un sélecteur ciblant précisément ce fragment du document.

Ce ciblage a un coût de maintenance qu'il faut assumer dès le départ. Une refonte du site casse le sélecteur, et la surveillance s'arrête silencieusement, ce qui est le pire des états possibles : l'équipe croit surveiller et ne surveille plus. La parade consiste à traiter l'absence prolongée de toute modification comme une anomalie à vérifier, au même titre qu'une alerte.

Régler la cadence de relevé selon la nature de la page

La fréquence idéale dépend du rythme propre de la page, pas de l'importance qu'on lui accorde. Une page de conditions générales évolue quelques fois par an : un relevé quotidien suffit largement, et un relevé hebdomadaire reste acceptable. Une grille tarifaire de distributeur bouge parfois plusieurs fois par semaine, ce qui justifie un relevé quotidien voire pluriquotidien selon l'enjeu.

La tentation d'augmenter la cadence par précaution mérite d'être combattue. Un relevé plus fréquent ne détecte pas mieux : il détecte plus tôt, au prix d'un volume d'alertes supérieur et d'un risque accru d'être bloqué par le site observé. Le bon réglage se déduit d'une observation préalable, en mesurant sur quelques semaines la cadence réelle de modification de chaque page.

Il faut aussi tenir compte des effets de calendrier. Beaucoup de mises à jour tarifaires ou contractuelles interviennent en début de mois, en début de trimestre ou à des dates réglementaires connues. Renforcer la cadence sur ces fenêtres et la relâcher le reste du temps donne un meilleur rapport entre le nombre d'alertes traitées et le nombre de changements réellement significatifs identifiés.

Une surveillance qui alerte à chaque relevé ne surveille rien : elle déplace simplement le travail de tri du collecteur vers le lecteur.

Trier le bruit : ce qui change sans rien vouloir dire

Une fois la zone restreinte, il reste du bruit résiduel. Les modifications de casse, les espaces insécables, les guillemets remplacés, les balises réordonnées par un système de gestion de contenu produisent des écarts techniques sans portée éditoriale. Un dispositif exploitable normalise le texte avant comparaison : suppression des espaces multiples, uniformisation de la ponctuation, retrait des attributs de mise en forme.

Un seuil de sensibilité complète la normalisation. Ignorer les écarts inférieurs à quelques caractères élimine la correction de coquille sans masquer la disparition d'une ligne tarifaire. Ce seuil se calibre par essai sur une dizaine de pages représentatives, en acceptant qu'il produise des faux négatifs sur les changements minuscules, dont le prix d'un chiffre modifié fait rarement partie.

Enfin, toutes les modifications ne méritent pas le même traitement. Une hiérarchie simple, distinguant les changements structurants, ajout ou retrait d'une ligne, variation d'un montant, d'un côté, et les changements cosmétiques de l'autre, permet de router les premiers vers une alerte immédiate et les seconds vers un récapitulatif hebdomadaire consulté sans urgence par l'analyste en charge.

Conserver les versions : sans archive, la détection ne prouve rien

Détecter une modification et pouvoir la démontrer sont deux choses différentes. Une alerte indiquant que la page a changé n'a aucune valeur probante si l'état antérieur n'a pas été conservé. Un dispositif sérieux archive chaque version relevée, avec l'heure de collecte, l'adresse exacte, le code de réponse du serveur et une empreinte du contenu observé.

Cette conservation transforme la surveillance en source défendable. Elle autorise la reconstitution d'une chronologie, par exemple la succession des formulations d'une clause contractuelle sur dix-huit mois, et elle protège la cellule le jour où l'éditeur de la page conteste avoir écrit ce qui lui est attribué. La chaîne de garde vaut ici exactement ce qu'elle vaut en investigation.

Reste la question du volume. Conserver l'intégralité de chaque page relevée devient vite coûteux en stockage. La pratique raisonnable consiste à archiver systématiquement la zone surveillée, plus légère, et à ne conserver la page complète que lors des relevés où une modification a été détectée. Le différentiel, lui, se conserve toujours : c'est lui que l'on relit.

Rester dans le cadre : charge serveur, conditions d'usage et données personnelles

Une surveillance responsable respecte d'abord le site observé. Un relevé espacé, un identifiant de client explicite, le respect des directives d'exclusion et l'absence de parallélisme agressif suffisent à rendre la collecte indolore. Une cellule qui interroge une page toutes les minutes depuis plusieurs adresses obtient surtout un blocage, et parfois une réclamation formelle adressée à sa direction juridique.

Le cadre contractuel mérite un examen page par page. Certaines conditions d'utilisation interdisent explicitement la collecte automatisée, y compris sur des contenus par ailleurs publics. Cette interdiction n'a pas la même portée selon les juridictions et selon la finalité poursuivie, mais elle constitue un élément d'appréciation que la cellule documente avant de lancer une surveillance sur un site donné.

L'outillage se choisit ensuite en fonction de l'étendue du périmètre à couvrir. NewsCore (www.newscore.fr) surveille en continu des millions de sources, détecte les évolutions page par page, les relie aux publications qui en parlent ailleurs et fait remonter les signaux pertinents en temps réel. La qualification finale reste un acte d'analyse que l'organisation confie à ses veilleurs.

Questions fréquentes

Comment surveiller une page web sans flux RSS ?

En relevant périodiquement son contenu et en comparant chaque état au précédent. Le dispositif enregistre une empreinte de la zone observée, la recalcule au relevé suivant et déclenche une alerte en cas d'écart. La qualité du résultat dépend moins de l'outil retenu que du ciblage de la zone surveillée, qui détermine directement la proportion de fausses alertes reçues.

À quelle fréquence faut-il relever une page en veille concurrentielle ?

À la cadence de la page elle-même, mesurée avant de régler l'outil. Des conditions générales évoluant deux fois par an ne justifient pas mieux qu'un relevé quotidien. Une grille tarifaire concurrentielle en supporte un à deux par jour. Augmenter la fréquence au-delà du rythme observé multiplie les alertes et le risque de blocage sans améliorer la détection réelle.

Que faire des alertes déclenchées par des changements cosmétiques ?

Les traiter par la configuration plutôt que par la lecture. La normalisation du texte avant comparaison, un seuil minimal d'écart et l'exclusion des zones dynamiques comme les bandeaux et carrousels éliminent l'essentiel du bruit. Ce qui subsiste se range dans un récapitulatif périodique, consulté sans urgence, plutôt que dans le canal d'alerte réservé aux changements structurants.

Faut-il conserver les anciennes versions des pages surveillées ?

Oui, c'est ce qui distingue une surveillance d'une simple notification. Sans état antérieur archivé, une alerte signale qu'un changement a eu lieu sans permettre de dire lequel ni de le prouver ensuite. L'archivage de la zone observée à chaque relevé, avec horodatage et adresse exacte, suffit dans la plupart des cas et reste peu coûteux en stockage.