Segmentation B2B : 2,37 millions de lignes, 120 000 retenues

Entre le registre complet des entreprises françaises et une base de prospection exploitable, il y a un facteur vingt. Voici comment ce filtrage a été fait sur un projet réel, et pourquoi le critère le plus répandu — le code d'activité — est le moins utile.

Le rapport entre le périmètre et la cible

Le point de départ n'est pas un fichier acheté, mais la base publique des établissements français : 2,37 millions de lignes. À l'arrivée, 120 000 contacts exploitables.

Ce rapport de un à vingt n'est pas un déchet, c'est le travail. Une base de prospection n'a aucune valeur en volume : elle en a en pertinence. Envoyer à 2 millions d'entreprises coûterait la réputation de tous les domaines d'envoi en une semaine, pour un taux de réponse proche de zéro.

Le seul intérêt de partir du registre complet plutôt que d'un fichier acheté, c'est de contrôler ce filtrage soi-même. Un fichier acheté est déjà filtré — selon des critères que vous ne connaissez pas, à une date que vous ignorez, et il a été vendu à vos concurrents.

Un code d'activité ne dit pas si une entreprise a un besoin

C'est le réflexe le plus répandu : filtrer sur les codes d'activité. C'est aussi le moins efficace, pour une raison simple — un code décrit ce qu'une entreprise fait, pas ce dont elle a besoin aujourd'hui.

Deux entreprises portant le même code peuvent être dans des situations opposées : l'une recrute et ouvre un site, l'autre réduit ses effectifs. La première est réceptive, la seconde ne l'est pas. Le code ne les distingue pas.

Le filtrage s'appuie donc sur des signaux d'activité observables :

• la croissance des effectifs — une entreprise qui embauche a des processus qui craquent ;
• les postes ouverts — ils disent quelle fonction manque, donc quel problème est en train de devenir urgent ;
• les implantations récentes — un nouvel établissement, ce sont des outils à mettre en place.

Ces trois signaux ont un point commun : ils sont datés. Un code d'activité est un état, un signal est un mouvement. Ce sont les mouvements qui créent les besoins.

Rattacher chaque entreprise à sa branche, sans appel d'API

La segmentation ne s'arrête pas au filtrage : il faut aussi savoir de quoi on parle quand on écrit à quelqu'un.

Sur ce projet, chaque entreprise a été rattachée à sa branche professionnelle en croisant le registre avec les conventions collectives. Le point technique important : ce croisement se fait en local, sur la machine, pas par appels d'API. Deux millions de lignes rapprochées d'une table de correspondance, c'est une jointure — quelques secondes, aucun quota, aucun coût par ligne.

Le réflexe inverse coûte cher. Un enrichissement équivalent par API demandait une requête par entreprise, soit 130 000 appels. La même API acceptant des pages de 25 résultats, il n'en a fallu que 5 500 pour la même donnée. Vingt-quatre fois moins.

Avant d'optimiser un script, lisez la documentation de la source : la plupart des API proposent un mode groupé que personne n'utilise, parce que l'exemple de la page d'accueil montre toujours une requête unitaire.

Le piège de la qualification : deux noms pour la même entreprise

Rapprocher une raison sociale légale d'un nom commercial trouvé en ligne est l'endroit où la plupart des bases se dégradent en silence.

La tentation est d'utiliser une distance textuelle et un seuil. Ça échoue sur les cas qui comptent : `FCN` contre `FCN Expertise Audit Conseil` donne un ratio de similarité de 0,20 — largement sous n'importe quel seuil raisonnable, alors que c'est la même entreprise. Les abréviations et les sigles sont la norme dans les registres, pas l'exception.

Trois ajouts ont été nécessaires : la ressemblance partielle, la couverture des mots distinctifs pondérée par leur longueur, et la reconnaissance des sigles — `ICAF` pour « Institut de Comptabilité et d'Analyse Financière ». Puis un garde-fou : en l'absence de mot distinctif commun, le seuil passe de 0,55 à 0,75. Cette seule règle a divisé les faux positifs par deux, en écartant des rapprochements du type « AMBULANCES ROUSSEAU » contre « Nantes Ambulance Sarl ».

Vérifier la qualité avant de livrer, pas après

Une base fausse ne se signale pas. Elle se découvre dans les retours de l'équipe commerciale, trois mois plus tard.

L'audit appliqué sur ce projet portait sur 242 fiches, sans relancer aucune requête — uniquement à partir des journaux d'exécution :

• 204 fiches au code postal exact d'un établissement de l'entreprise
• 27 cohérentes au niveau de la ville ou du département
• 11 sans correspondance, la majorité étant des troncatures du journal lui-même

Soit 95,5 % de cohérence géographique. Et zéro doublon de téléphone entre deux numéros d'identification distincts — le test qui révèle qu'un rapprochement a associé deux entreprises différentes au même contact.

Ce contrôle prend une heure. Il vaut mieux le faire avant la livraison que de le découvrir par un commercial qui appelle la mauvaise personne.

Ce qu'il faut retenir

Segmenter, ce n'est pas réduire une liste : c'est décider ce qu'on regarde. Trois principes : partez du périmètre complet pour contrôler votre propre filtrage, filtrez sur des signaux datés plutôt que sur des codes qui décrivent un état, et mesurez la qualité du rapprochement avant de livrer.

Le rapport de un à vingt entre le registre et la base finale n'est pas une perte. C'est la seule chose qui distingue un fichier d'un ciblage.

Cet article fait partie du Guide Complet de l'Automatisation B2B. Il précède l'enrichissement et l'activation multicanale ; les chiffres viennent de cette étude de cas.