Données publiques ouvertes : la matière première que la veille sous-exploite

Une part considérable de l'information qui décrit l'économie réelle n'est ni un article, ni un communiqué, ni un post. Ce sont des fichiers : des lignes de tableaux publiées par des administrations, des tribunaux, des agences, des collectivités. Ces jeux de données existent parce qu'une obligation légale impose de les produire, et ils sont réutilisables parce qu'une politique d'ouverture impose de les publier. Ils constituent une matière première de veille très largement sous-exploitée.

Le décalage tient à une habitude de lecture. Une veille se construit d'ordinaire autour de contenus rédigés, qui arrivent déjà interprétés : quelqu'un a jugé le fait digne d'être raconté et lui a donné un angle. Un jeu de données ne fait rien de tout cela : il enregistre des états et des transactions sans hiérarchie ni commentaire. Il faut aller y chercher le fait, ce qui suppose de savoir ce que l'on cherche.

Cet article recense les grandes familles de données publiques réutilisables, décrit ce qu'elles font apparaître et qu'aucun article ne raconte, expose les deux variables qui décident de leur valeur, rappelle les précautions d'usage et montre comment les articuler à une veille de presse plutôt que de les lui opposer.

Ce que recouvrent vraiment les données publiques ouvertes

Une donnée publique ouverte réunit trois caractéristiques. Elle est produite dans le cadre d'une mission de service public, mise à disposition sans restriction d'accès, et réutilisable, y compris à des fins commerciales, dans les conditions fixées par sa licence. Le troisième critère est le plus discriminant : beaucoup d'informations sont consultables sans être réutilisables, et cette nuance conditionne tout usage professionnel.

Il ne faut pas confondre ces jeux de données avec les publications institutionnelles qui les commentent. Un rapport annuel sélectionne, agrège et interprète. Le jeu de données sous-jacent contient les enregistrements élémentaires à partir desquels ce rapport a été écrit, et souvent bien davantage. Travailler sur la donnée plutôt que sur son commentaire permet de poser des questions que son auteur ne s'était pas posées.

Ces données appartiennent au web profond licite : structurées, accessibles, mais rarement indexées comme le sont les pages éditoriales. Une recherche classique ne les fait pas remonter. Leur exploitation suppose d'en connaître l'existence, ce qui explique qu'elles soient à la fois massivement disponibles et faiblement utilisées.

Les cinq grandes familles de jeux de données réutilisables

La première famille est celle des registres d'entreprises et des publications légales. Elle décrit qui existe, sous quelle forme, avec quels dirigeants, quels bénéficiaires effectifs, quels établissements et quels changements de statut. C'est la couche d'identité de l'économie : créations, radiations, transferts de siège, procédures collectives. Chaque événement y est daté et opposable, ce qui en fait un socle de vérification incomparable.

La deuxième famille est celle de la commande publique. Avis de marchés, attributions, montants, durées et titulaires composent une cartographie continue des relations entre acheteurs publics et fournisseurs. Elle décrit des positions concurrentielles réelles, mesurées en euros attribués, là où la communication d'entreprise ne décrit que des ambitions.

La troisième famille regroupe les données financières déposées : comptes annuels, bilans, comptes de résultat, rapports de gestion pour les sociétés qui y sont tenues. Leur intérêt n'est pas le chiffre isolé mais la série. Trois exercices consécutifs racontent une trajectoire de marge et d'endettement que nul ne commente tant qu'elle ne produit pas d'événement visible.

La quatrième famille couvre les données environnementales et industrielles : autorisations d'exploiter, déclarations d'émissions et de rejets, inspections et suites administratives, incidents, gestion des déchets. Elle décrit l'empreinte physique de l'activité, site par site, et constitue le principal gisement d'information sur le risque opérationnel d'une implantation.

La cinquième famille est celle des statistiques publiques : emploi, démographie des entreprises, prix, commerce extérieur, comptes territoriaux. Elle ne parle pas d'un acteur mais d'un ensemble, et sert de dénominateur. Sans elle, un chiffre d'entreprise flotte ; avec elle, il se situe dans sa branche et son territoire.

Ce qu'elles permettent de détecter et qu'aucune presse ne raconte

L'information rédigée obéit à un seuil de notoriété. Un fait est raconté s'il concerne un acteur connu, s'il est spectaculaire ou s'il s'inscrit dans un sujet déjà ouvert. En dessous de ce seuil, l'événement se produit sans laisser de trace éditoriale. Les données publiques n'ont pas de seuil : elles enregistrent l'ouverture d'un établissement de dix salariés comme une opération majeure.

Ce qui apparaît alors relève de trois ordres. D'abord les faits trop petits pour être racontés, mais convergents : une série de créations d'établissements dans un même département, une accumulation de contrats de faible montant chez un même acheteur. Ensuite les faits trop lents pour faire événement : une dégradation de marge sur trois exercices, une érosion continue d'une part de marché publique. Enfin les faits trop techniques pour intéresser une rédaction : une modification d'autorisation d'exploiter, un changement de bénéficiaire effectif.

Ces trois catégories partagent une propriété : elles sont détectables avant d'être racontées. Les mesures de l'Observatoire de l'Intelligence Économique établissent qu'une majorité des risques matérialisés étaient repérables à l'avance dans l'information disponible. Les jeux de données publics forment une part importante de cette information non exploitée, précisément parce qu'ils ne franchissent jamais le seuil éditorial.

Un jeu de données ne raconte rien, et c'est exactement pour cela qu'il montre ce que personne n'a encore jugé racontable.

Fraîcheur et granularité : les deux variables qui décident de tout

La fraîcheur détermine l'usage possible. Un jeu de données publié en continu autorise une surveillance opérationnelle : l'événement est connu dans des délais compatibles avec une réaction. Publié une fois par an, il autorise une analyse structurelle, jamais une alerte. Une erreur classique consiste à évaluer la fraîcheur d'après la date de mise en ligne alors que seule compte la date du fait enregistré : un fichier actualisé hier décrit parfois une situation vieille de dix-huit mois.

La granularité détermine ce que l'on distingue. Une donnée agrégée au niveau national décrit un climat ; la même donnée à l'échelle de l'établissement identifie un acteur. Le passage de l'un à l'autre change la nature de l'exercice : on quitte l'analyse de contexte pour la surveillance nominative, avec les obligations qui l'accompagnent. Cette bascule doit être consciente, jamais subie.

Ces deux variables se combinent en une grille simple. Fraîche et fine, la donnée sert l'alerte. Fraîche et agrégée, elle sert le suivi de tendance. Ancienne et fine, elle sert la vérification d'un dossier ponctuel. Ancienne et agrégée, elle sert le cadrage. Classer un jeu de données dans cette grille avant de l'intégrer évite d'en attendre ce qu'il ne donnera pas.

Les précautions d'usage : licence, données personnelles, qualité déclarative

La licence commande la réutilisation. Ouvert ne signifie pas libre de toute condition : la plupart des licences imposent une mention de la source et de la date de mise à jour, certaines encadrent la rediffusion ou les œuvres dérivées. Vérifier la licence avant d'intégrer un jeu de données dans un livrable relève de la même discipline que vérifier une source avant de la citer.

Le régime des données personnelles s'applique intégralement. Une donnée publique reste une donnée personnelle lorsqu'elle identifie une personne physique, ce qui est fréquent dans les registres et les publications légales. L'ouverture autorise l'accès, elle ne dispense ni de finalité déterminée, ni de proportionnalité, ni de durée de conservation limitée. Le croisement de jeux de données individuellement anodins produit par ailleurs des profils qu'aucun d'eux ne contenait.

La qualité, enfin, est déclarative. Ces jeux de données enregistrent ce que des acteurs ont déclaré, dans un cadre normé mais sans vérification systématique : identifiants mal renseignés, adresses obsolètes, catégories choisies par défaut, ruptures de série lors d'un changement de nomenclature. Une donnée publique se recoupe donc comme une déclaration, pas comme un constat, et un écart entre deux jeux de données est d'abord une hypothèse à instruire.

Articuler données ouvertes et veille de presse

L'opposition entre données et presse est un faux débat : les deux matières répondent à des questions différentes. La donnée établit ce qui a été enregistré, avec une date opposable ; elle ignore l'intention, le contexte et le conflit. La presse restitue ces dimensions et fournit l'explication ; elle est en revanche sélective, tardive sur les faits mineurs et dépendante de ce que les acteurs acceptent de dire.

Trois articulations fonctionnent en pratique. La donnée déclenche la recherche éditoriale : une anomalie repérée dans une série oriente vers la presse locale ou spécialisée. La presse déclenche la vérification par la donnée : une annonce d'investissement se confronte aux comptes déposés et aux autorisations demandées. Et le désaccord entre les deux constitue en lui-même un signal de premier ordre.

Cette articulation suppose un dispositif capable de tenir les deux flux ensemble, avec des rythmes de publication et des formats hétérogènes. NewsCore (www.newscore.fr) couvre en continu les sources éditoriales et les sources structurées, relie chaque signal au document dont il est tiré et fait remonter les convergences entre les deux matières dès leur apparition. Le choix des jeux de données pertinents reste un arbitrage de l'organisation, qui seule connaît les acteurs, les territoires et les échéances qui la concernent.

Questions fréquentes

Qu'est-ce qu'une donnée publique ouverte ? C'est une donnée produite dans le cadre d'une mission de service public, accessible sans restriction et réutilisable dans les conditions fixées par sa licence. Le critère de réutilisation est le plus discriminant : beaucoup d'informations sont consultables sans être réutilisables.

Quelles familles de données publiques sont utiles en veille ? Cinq principalement : les registres d'entreprises et publications légales, la commande publique, les données financières déposées, les données environnementales et industrielles, et les statistiques publiques. Les quatre premières décrivent des acteurs, la cinquième fournit le dénominateur qui permet de situer un chiffre.

Les données publiques sont-elles fiables ? Elles sont normées mais largement déclaratives : elles enregistrent ce que des acteurs ont déclaré, sans vérification systématique. Identifiants erronés, adresses obsolètes et ruptures de série lors d'un changement de nomenclature sont fréquents. Un écart entre deux jeux de données est une hypothèse à instruire, pas un signal établi.

Les données ouvertes remplacent-elles la veille de presse ? Non, elles répondent à une autre question. La donnée établit ce qui a été enregistré ; la presse restitue l'intention, le contexte et l'explication. Les deux se déclenchent mutuellement, et leur désaccord constitue lui-même un signal.