Guide Data Quality CRM

Les chiffres qui font mal

Les donnees sales ne sont pas un probleme technique mineur. C'est un gouffre financier mesurable. Selon Gartner, les entreprises perdent en moyenne 15 millions de dollars par an a cause de donnees de mauvaise qualite. Pour les PME et ETI B2B, les etudes convergent : les donnees corrompues coutent entre 15% et 25% du chiffre d'affaires en opportunites manquees, en temps gaspille et en decisions erronees.

Le probleme est d'autant plus insidieux qu'il est progressif. 30% des donnees CRM se degradent chaque annee : les contacts changent de poste, les entreprises demenagent, les numeros de telephone deviennent obsoletes. En trois ans sans maintenance, c'est potentiellement 90% de votre base qui est impactee. Et contrairement a un bug logiciel visible, les donnees sales ne declenchent pas d'alerte : elles corrompent silencieusement chaque decision prise a partir du CRM.

Impact sur la productivite commerciale

Un commercial passe en moyenne 2 heures par jour a des taches liees a la qualite des donnees : chercher le bon contact, verifier un numero de telephone, corriger une adresse email, fusionner des doublons, completer des fiches vides. Sur une equipe de 10 commerciaux, cela represente 20 heures par jour, soit l'equivalent de 2,5 postes a temps plein entierement consacres a la maintenance de la base. Les entreprises qui investissent dans la data quality reduisent ce temps de 60% a 80%, liberant leurs commerciaux pour ce qui compte reellement : vendre.

Impact sur le reporting et les previsions

Des donnees sales produisent des rapports faux. Un pipeline gonfle par des doublons donne une vision optimiste trompeuse. Des deals mal categorises faussent le forecast. Des contacts sans secteur d'activite rendent l'analyse de la segmentation impossible. Le resultat : les equipes de direction prennent des decisions strategiques basees sur des chiffres errones. Le cout d'un mauvais forecast peut se chiffrer en centaines de milliers d'euros en sur-recrutement, en sur-investissement marketing, ou en sous-estimation des besoins en production.

Impact sur le marketing et l'experience client

Le marketing automatise repose entierement sur la qualite des donnees. Un email envoye a la mauvaise personne, une campagne qui cible le mauvais segment, un scoring qui ne reflete pas la realite : chaque erreur de donnee se traduit par un gaspillage de budget et une degradation de l'experience client. Les clients qui recoivent des communications hors sujet se desengagent. Les prospects contactes avec les mauvaises informations perdent confiance. Le cout indirect en reputation et en churn est souvent sous-estime.

La dette de donnees

Comme la dette technique en developpement logiciel, la dette de donnees s'accumule silencieusement. Chaque import non nettoye, chaque formulaire sans validation, chaque integration mal configuree ajoute une couche de desordre. Et comme la dette technique, elle s'aggrave exponentiellement : plus la base est sale, plus il est difficile de la nettoyer, plus les equipes prennent des raccourcis, et plus la base se degrade. La difference majeure avec la dette technique : la dette de donnees impacte directement le revenu, pas seulement la vitesse de developpement.

La qualite des donnees ne se resume pas a un ressenti. C'est un concept mesurable, structure autour de cinq dimensions complementaires. Chaque dimension capture un aspect specifique de la qualite. Une base peut etre tres complete mais pleine de doublons, ou tres exacte mais vide a 60%. L'objectif est d'atteindre un niveau acceptable sur les cinq dimensions simultanement. Nous detaillons ici chacune d'entre elles avec des seuils concrets et des methodes de mesure.

1. Completude (Completeness)

La completude mesure le pourcentage de champs remplis dans votre CRM par rapport aux champs attendus. Un contact avec un nom mais sans email, sans telephone, sans entreprise et sans poste est incomplet a 80%. L'objectif n'est pas de remplir 100% des champs existants (beaucoup sont inutiles), mais de garantir que les champs critiques pour vos processus sont remplis a plus de 80%.

Comment mesurer : exportez vos contacts HubSpot, comptez le nombre de valeurs non vides pour vos 8 a 12 champs critiques (email, prenom, nom, entreprise, poste, telephone, secteur, taille entreprise, pays, source, lifecycle stage, owner). Divisez par le nombre total de cellules attendues. Un score en dessous de 50% est critique.

Ce que ca donne quand c'est mauvais : des campagnes email sans personnalisation (pas de prenom), des commerciaux qui appellent sans contexte (pas de poste, pas de secteur), des segments vides (pas de lifecycle stage), des rapports inutilisables (pas de source d'acquisition).

2. Exactitude (Accuracy)

L'exactitude verifie que les donnees presentes sont correctes et a jour. Un champ peut etre rempli mais faux : un ancien numero de telephone, un poste que le contact n'occupe plus, une entreprise qui a ete rachetee. L'exactitude est la dimension la plus difficile a mesurer car elle necessite une comparaison avec la realite.

Comment mesurer : le taux de bounce email est le proxy le plus fiable. Un taux superieur a 3% indique un probleme d'exactitude serieux. Pour les numeros de telephone, mesurez le taux de numeros invalides lors des campagnes d'appels. Pour les postes et entreprises, faites un echantillonnage aleatoire de 100 contacts et verifiez manuellement sur LinkedIn.

Ce que ca donne quand c'est mauvais : des emails qui bouncent et degradent votre reputation d'expediteur, des appels vers des mauvais numeros, des commerciaux qui abordent un prospect avec le mauvais poste (rien de pire que de dire "En tant que Directeur Commercial..." a quelqu'un qui est devenu CEO).

3. Coherence (Consistency)

La coherence garantit que les memes informations sont representees de la meme maniere partout dans le CRM. Le meme pays peut apparaitre sous cinq formes differentes : "France", "FR", "france", "FRANCE", "FRA". Le meme secteur peut etre "SaaS", "Software", "Logiciel", "Tech". Sans coherence, la segmentation et le reporting deviennent impossibles.

Comment mesurer : analysez les valeurs uniques de chaque champ texte libre. Si le champ "Pays" contient 47 valeurs differentes pour designer la France, le score de coherence est catastrophique. Comptez le nombre de variantes par champ et divisez par le nombre de valeurs canoniques attendues. Un ratio superieur a 3 indique un probleme serieux.

Ce que ca donne quand c'est mauvais : des segments qui n'incluent qu'une fraction des contacts concernes (parce que "France" n'inclut pas "FR"), des rapports avec 200 lignes au lieu de 20, des workflows qui ne se declenchent pas pour les bonnes personnes.

4. Fraicheur (Timeliness)

La fraicheur mesure si les donnees sont a jour. Un contact qui n'a pas ete mis a jour depuis 18 mois a probablement change de poste, d'entreprise, voire de numero de telephone. La fraicheur est directement liee a la degradation naturelle des bases B2B : en moyenne, 25% des contacts changent de poste chaque annee.

Comment mesurer : dans HubSpot, analysez la propriete "Last Modified Date". Comptez le pourcentage de contacts modifies dans les 6 derniers mois (bon), entre 6 et 12 mois (acceptable), et au-dela de 12 mois (problematique). Un CRM sain devrait avoir moins de 20% de contacts non modifies depuis plus d'un an.

Ce que ca donne quand c'est mauvais : des sequences de prospection vers des personnes qui ont quitte l'entreprise il y a deux ans, des forecasts bases sur des deals morts depuis des mois, des segments "clients actifs" qui incluent des entreprises churned.

5. Unicite (Uniqueness)

L'unicite garantit que chaque entite du monde reel n'est representee qu'une seule fois dans votre CRM. Les doublons sont le probleme de data quality le plus visible et le plus couteux. Un contact en double recoit deux emails, est contacte par deux commerciaux differents, et ses activites sont dispersees entre deux fiches. Le pipeline est artificiellement gonfle.

Comment mesurer : HubSpot propose un outil natif de detection des doublons. Exportez vos contacts et cherchez les emails identiques, les noms similaires (avec fuzzy matching), et les combinaisons nom+entreprise en double. Un taux de doublons superieur a 5% necessite une intervention urgente.

Ce que ca donne quand c'est mauvais : des prospects contactes deux ou trois fois par des commerciaux differents (image desastreuse), un pipeline qui affiche 2x le montant reel, des rapports d'attribution faux car les conversions sont comptees en double, des listes marketing gonflees qui faussent les taux de conversion.

Avant de nettoyer quoi que ce soit, il faut mesurer. Un audit data quality rigoureux permet de quantifier le probleme, de prioriser les actions et de mesurer les progres. Nous avons developpe une checklist de 50 points repartis en 8 categories, avec un systeme de scoring de 0 a 100. Chaque point est evalue de maniere binaire (conforme ou non-conforme) et pondere selon son impact sur le business.

Comment lancer l'audit

L'audit se deroule en trois phases. Phase 1 : exportation des donnees depuis HubSpot (contacts, entreprises, deals) en CSV. Phase 2 : analyse quantitative avec des formules ou des scripts (comptage des valeurs vides, detection des doublons, mesure des variantes). Phase 3 : verification qualitative par echantillonnage aleatoire de 100 fiches pour evaluer l'exactitude. L'ensemble prend entre 4 heures (petite base de moins de 5 000 contacts) et 2 jours (base de plus de 50 000 contacts).

La checklist 50 points

Les 4 niveaux de maturite

Le score obtenu sur 100 points determine votre niveau de maturite data quality. Chaque niveau correspond a un profil type et a des actions prioritaires differentes.

Pourquoi les doublons apparaissent

Les doublons sont inevitables dans tout CRM qui vit. Ils proviennent de quatre sources principales. Premierement, la saisie manuelle : un commercial cree une fiche sans verifier si le contact existe deja. Deuxiemement, les imports CSV : chaque import de liste (salon, webinar, achat de base) ajoute des contacts qui existent peut-etre deja. Troisiemement, les formulaires web : un visiteur remplit un formulaire avec une adresse email differente de celle deja en base. Quatriemement, les integrations : la synchronisation entre outils (Salesforce, Intercom, Calendly) cree des doublons si le mapping n'est pas parfait.

Les trois types de doublons

L'outil HubSpot natif de deduplication

HubSpot propose un outil de gestion des doublons integre (Settings, puis Data Management, puis Duplicates). Il detecte les doublons potentiels en comparant les emails, les noms et les domaines d'entreprise. Ses avantages : gratuit, integre, facile a utiliser. Ses limites : il ne detecte que les doublons les plus evidents, ne gere pas le fuzzy matching avance, et ne permet pas de definir des regles de fusion personnalisees. Pour une base de plus de 10 000 contacts, il est insuffisant.

Outils tiers specialises

Insycle

L'outil de reference pour la deduplication HubSpot. Fuzzy matching avance, regles de fusion personnalisables, bulk merge, preview avant fusion. Integration native HubSpot. A partir de 200$/mois pour la deduplication avancee. Ideal pour les bases de 10 000 a 500 000 contacts.

Dedupely

Alternative plus abordable a Insycle. Detection par email, nom, telephone et champs custom. Interface simple. A partir de 49$/mois. Moins de fonctionnalites avancees mais suffisant pour les bases de moins de 20 000 contacts.

Regles de fusion : quel enregistrement gagne

La fusion de doublons n'est pas triviale. Il faut definir des regles claires : quel enregistrement est le "maitre" (celui qui survit) et quel est l'esclave (celui qui est absorbe). Nos regles par defaut : conserver l'enregistrement le plus ancien (il a plus d'historique d'activites), prendre la valeur la plus recente pour chaque champ, cumuler les activites (emails, appels, notes) des deux fiches, et conserver toutes les associations (deals, tickets, entreprises). Toujours previsualiser la fusion avant de l'executer. Toujours faire une sauvegarde CSV avant une deduplication massive.

Prevention : empecher les doublons a la source

La deduplication reactive est necessaire mais insuffisante. Il faut aussi agir en prevention. Activez la deduplication automatique sur l'email dans HubSpot (Settings, puis Contacts, puis Creating contacts). Rendez le champ email obligatoire dans tous les formulaires. Avant chaque import CSV, comparez les emails avec ceux existants en base et supprimez les doublons du fichier. Configurez les integrations pour utiliser l'email comme cle de rapprochement. Formez les commerciaux a chercher un contact avant de le creer.

La standardisation est le processus qui consiste a appliquer des formats uniformes a chaque type de donnee dans votre CRM. C'est le fondement de la coherence. Sans standardisation, meme des donnees completes et exactes deviennent inexploitables pour la segmentation, le reporting et l'automatisation. Voici les regles a appliquer pour chaque type de champ, avec des exemples avant/apres.

Numeros de telephone : format E.164

Le format E.164 est la norme internationale pour les numeros de telephone : indicatif pays + numero sans espaces ni caracteres speciaux. Exemples : +33612345678 (France), +44207123456 (UK), +14155551234 (US). Ce format est necessaire pour les integrations avec les outils de calling (Aircall, Ringover) et les campagnes SMS. HubSpot peut reformater automatiquement les numeros si la propriete est configuree en type "Phone number".

Noms : Title Case

Les noms de personnes doivent suivre le format Title Case : premiere lettre en majuscule, le reste en minuscule. JEAN DUPONT devient Jean Dupont. jean dupont devient Jean Dupont. Les noms composes conservent la majuscule apres le tiret : Jean-Pierre Dupont. Les particules restent en minuscule : Charles de Gaulle, Arnaud van der Berg. Ce format garantit une personalisation correcte dans les emails et les sequences.

Pays : codes ISO 3166

Les pays doivent utiliser les codes ISO 3166-1 alpha-2 (FR, DE, US, GB) ou a defaut les noms standardises en anglais (France, Germany, United States, United Kingdom). Jamais de texte libre. Dans HubSpot, utilisez une propriete dropdown avec la liste officielle des pays. Cela garantit la fiabilite des segments geographiques et des rapports par region.

Secteurs d'activite : vocabulaire controle

Le champ secteur d'activite (industry) est l'un des plus chaotiques si laisse en texte libre. "SaaS", "Software", "Logiciel", "Technologie", "IT", "Informatique" peuvent designer la meme chose. La solution : definir un vocabulaire controle de 15 a 25 secteurs maximum et utiliser une propriete dropdown dans HubSpot. Pour les entreprises qui ne rentrent pas dans une categorie, ajoutez "Autre" avec un champ texte libre complementaire.

Dates, montants et URLs

Les dates doivent suivre le format ISO 8601 (YYYY-MM-DD). HubSpot gere cela nativement pour les proprietes de type "Date", mais attention aux imports CSV ou le format peut varier (DD/MM/YYYY vs MM/DD/YYYY). Les montants doivent etre dans une seule devise (EUR pour les entreprises francaises) sans symbole ni espace. Les URLs doivent inclure le protocole (https://) et ne pas avoir de slash final pour eviter les doublons de domaine.

Proprietes HubSpot : dropdown vs texte libre

Regle d'or : si un champ peut avoir moins de 50 valeurs possibles, utilisez un dropdown. Si le champ est critique pour la segmentation ou le reporting, utilisez un dropdown. Le texte libre ne devrait etre utilise que pour les champs veritablement ouverts (notes, descriptions, commentaires). Chaque champ texte libre est une source potentielle d'incoherence. Migrez progressivement vos champs texte les plus utilises vers des dropdowns en analysant les valeurs existantes et en definissant les categories.

L'enrichissement est l'etape qui transforme une base propre mais maigre en un actif strategique riche et exploitable. L'objectif : ajouter des informations manquantes (email, telephone, poste, secteur, taille d'entreprise, technologie utilisee) sans saisie manuelle, en utilisant des outils specialises et l'intelligence artificielle. Ce chapitre couvre en profondeur les quatre outils majeurs du marche et les techniques d'enrichissement par Claude et Claude Code.

6.1 Lemlist AI Enrichment

Lemlist a lance en 2025 une fonctionnalite d'enrichissement par colonnes IA directement integree a sa plateforme de prospection. Le principe est simple : vous ajoutez une colonne IA a votre liste de leads, vous ecrivez un prompt, et Lemlist genere le contenu pour chaque contact en utilisant le modele IA de votre choix (Claude, GPT-4, Mistral).

Comment ca marche : dans Lemlist, ouvrez une campagne et accedez a la liste de leads. Cliquez sur "Add column" puis "AI column". Redigez votre prompt en utilisant les variables disponibles (nom, entreprise, poste, site web). Choisissez votre fournisseur IA. Lancez la generation. Lemlist enrichit chaque ligne en quelques secondes.

Cas d'usage principaux : generation d'icebreakers personnalises (premiere phrase d'email basee sur l'actualite de l'entreprise), analyse du site web pour identifier les pain points, extraction de la proposition de valeur de l'entreprise cible, personalisation des objets d'email, identification de la stack technologique depuis le site web.

Quand Lemlist remplace Clay : pour des enrichissements simples qui ne necessitent qu'un seul fournisseur IA et qui sont directement lies a une campagne de prospection. Si votre objectif est de generer des icebreakers pour une campagne email, Lemlist est plus simple et plus rapide que Clay car tout est integre dans le meme outil. Pas besoin de synchroniser les donnees entre deux plateformes.

Setup en 4 etapes

1.

Importez votre liste de leads dans Lemlist (CSV ou integration CRM)

2.

Ajoutez une colonne IA : cliquez "Add column" puis selectionnez "AI column"

3.

Redigez votre prompt avec les variables : {{firstName}}, {{companyName}}, {{jobTitle}}, {{website}}

4.

Choisissez Claude comme fournisseur IA, lancez la generation et exportez les resultats enrichis

6.2 Clay Waterfall Enrichment

Clay est la plateforme de reference pour l'enrichissement de donnees B2B a grande echelle. Sa force principale : le waterfall enrichment. Au lieu de dependre d'un seul fournisseur de donnees, Clay interroge sequentiellement plusieurs sources jusqu'a trouver l'information. Si le fournisseur A ne trouve pas l'email, Clay essaie le fournisseur B, puis C, etc. Ce mecanisme augmente significativement le taux de couverture.

Les 75+ fournisseurs de donnees : Clay integre plus de 75 sources de donnees, dont Apollo, ZoomInfo, Clearbit, Hunter, Dropcontact, People Data Labs, et bien d'autres. Pour un email professionnel, Clay peut tester jusqu'a 8 fournisseurs differents. Le taux de couverture passe de 40-60% (un seul fournisseur) a 85-95% (waterfall).

Colonnes IA : comme Lemlist, Clay propose des colonnes IA pour generer des donnees custom avec Claude ou GPT. La difference : Clay permet des workflows multi-etapes complexes. Exemple : etape 1 scraper le site web, etape 2 extraire la proposition de valeur avec Claude, etape 3 identifier les pain points, etape 4 generer un email personnalise. Cette capacite de chaining rend Clay plus puissant que Lemlist pour des enrichissements complexes.

Quand Clay est meilleur que Lemlist : pour des enrichissements complexes multi-etapes, des datasets de plus de 1 000 contacts, des cas ou vous avez besoin de croiser plusieurs sources de donnees, et des workflows d'enrichissement recurrents (Clay se connecte a HubSpot pour enrichir automatiquement les nouveaux contacts).

Pricing : Clay fonctionne par credits. Chaque enrichissement consomme un certain nombre de credits selon le fournisseur utilise. Le plan Starter a 149$/mois inclut 2 000 credits. Le plan Professional a 349$/mois inclut 10 000 credits. Pour les volumes importants, le plan Enterprise est sur devis. Un credit correspond generalement a une recherche d'email ou un appel API.

6.3 Dropcontact

Dropcontact est l'outil d'enrichissement francais de reference, avec une particularite majeure : il est 100% RGPD-compliant. Contrairement a la plupart des outils americains qui s'appuient sur des bases de donnees achetees, Dropcontact utilise des algorithmes proprietaires pour generer les adresses email a partir du prenom, du nom et du nom de domaine de l'entreprise. Aucune base de donnees tierce, donc aucun probleme de consentement.

Specialite France : Dropcontact excelle sur le marche francais. Il connait les conventions de nommage des emails des entreprises francaises (prenom.nom@, p.nom@, prenom-nom@, etc.) et teste chaque email genere pour verifier sa validite. Le taux de deliverabilite est superieur a 98% sur les emails generes.

Integration HubSpot native : Dropcontact propose une integration native HubSpot qui enrichit automatiquement les nouveaux contacts. Des qu'un contact est cree dans HubSpot, Dropcontact complete l'email, le numero de telephone, le poste, le profil LinkedIn, la civilite, et les informations entreprise (SIREN, code NAF, effectif, CA). L'enrichissement se fait en temps reel.

Pricing : a partir de 24 euros/mois pour 1 000 recherches. Le plan Business a 48 euros/mois inclut 5 000 recherches et l'integration HubSpot. Le plan Enterprise est sur devis pour les volumes importants.

6.4 Claude pour l'enrichissement

Claude d'Anthropic est un outil d'enrichissement extremement polyvalent. Contrairement aux outils specialises qui font une seule chose (trouver un email, trouver un telephone), Claude peut analyser, categoriser, corriger, reformater et generer des donnees a partir de n'importe quel input textuel. Voici 10 prompts concrets pour l'enrichissement et la qualite des donnees.

Prompt 1 : Valider et corriger les noms d’entreprise

Voici une liste de noms d’entreprises extraits d’un CRM. Pour chaque nom, corrige les fautes de frappe, normalise la forme juridique (SAS, SARL, SA) et identifie le nom officiel. Format de sortie : nom original | nom corrige | confiance (%).

Prompt 2 : Inferer le secteur d’activite

Pour chaque entreprise ci-dessous, determine le secteur d’activite le plus probable en te basant sur le nom, le domaine web et la description fournie. Utilise cette liste de 20 secteurs : [SaaS, E-commerce, Finance, Sante, Industrie, Energie, Immobilier, Education, Media, Transport, Agroalimentaire, Telecom, Conseil, RH, Juridique, Construction, Retail, Luxe, Assurance, Autre].

Prompt 3 : Normaliser les postes (job titles)

Standardise ces intitules de poste en les classant dans les categories suivantes : C-Level, VP, Directeur, Manager, Responsable, Contributeur individuel, Stagiaire/Alternant. Pour chaque poste, fournis : poste original | poste standardise | departement (Sales, Marketing, Tech, Finance, RH, Operations, Direction) | seniorite.

Prompt 4 : Detecter les doublons potentiels

Analyse cette liste de contacts et identifie les groupes de doublons potentiels. Compare les prenoms (tolerance pour les diminutifs : Jean/J., Alexandre/Alex), les noms de famille (tolerance orthographique de 2 caracteres), et les entreprises. Pour chaque groupe, indique le score de confiance et recommande la fusion.

Prompt 5 : Generer les descriptions d’entreprise manquantes

Pour chaque entreprise ci-dessous (nom + domaine web), genere une description professionnelle de 2-3 phrases en francais. La description doit inclure : le secteur d’activite, les produits/services principaux, le marche cible, et un element differenciateur. Ton factuel et concis.

Prompt 6 : Valider les formats d’email et domaines

Verifie chaque adresse email de cette liste. Pour chacune, identifie : format valide (oui/non), domaine existant (oui/non si le domaine semble obsolete ou mal orthographie), email generique (info@, contact@, hello@) vs email professionnel. Signale les emails suspects.

Prompt 7 : Enrichir depuis un resume LinkedIn

A partir de ce resume de profil LinkedIn, extrais les informations suivantes en format structure : poste actuel, entreprise actuelle, secteur, nombre d’annees d’experience, competences cles (max 5), formation, localisation. Si une information n’est pas disponible, indique "N/A".

Prompt 8 : Identifier le decision-maker

Pour chaque entreprise ci-dessous (nom + taille + secteur), identifie le profil type du decision-maker pour l’achat d’un outil [CRM/Marketing/RH/etc.]. Fournis : poste probable, departement, arguments cles pour ce persona, objections probables. Adapte ta reponse a la taille de l’entreprise.

Prompt 9 : Scorer la completude par enregistrement

Pour chaque contact de cette liste, calcule un score de completude sur 100 en fonction des champs remplis. Ponderation : email (20 pts), prenom+nom (15 pts), entreprise (15 pts), poste (15 pts), telephone (10 pts), secteur (10 pts), pays (5 pts), source (5 pts), lifecycle (5 pts). Classe les resultats du moins complet au plus complet.

Prompt 10 : Generer un rapport de qualite

Analyse ce fichier CSV de contacts CRM et genere un rapport de qualite couvrant : nombre total de contacts, taux de completude par champ, nombre de doublons detectes, top 10 des anomalies (valeurs aberrantes, formats incorrects), score global sur 100, et 5 recommandations prioritaires classees par impact.

6.5 Claude Code pour l'enrichissement batch

Claude Code est l'outil ideal pour creer des scripts d'enrichissement personnalises. Contrairement aux interfaces graphiques (Clay, Lemlist), Claude Code permet de traiter des fichiers CSV de n'importe quelle taille, d'appliquer des logiques de transformation complexes, et d'automatiser des pipelines complets de nettoyage et d'enrichissement. Voici trois cas d'usage concrets.

Script 1 : nettoyage et standardisation CSV

Demandez a Claude Code de creer un script Python qui lit votre export CSV, standardise les telephones en E.164, applique le Title Case aux noms, normalise les pays en ISO 3166, supprime les lignes vides et exporte le resultat nettoye.

Script 2 : enrichissement batch via API Claude

Claude Code peut creer un script qui lit un CSV, envoie chaque ligne a l'API Claude pour enrichissement (secteur, description, scoring), gere les rate limits, et ecrit les resultats dans un nouveau CSV. Ideal pour enrichir 500 a 10 000 contacts a cout maitrise.

Script 3 : deduplication et fusion intelligente

Un script de deduplication avance qui utilise le fuzzy matching (librairie thefuzz en Python) pour identifier les doublons, puis applique des regles de fusion automatiques : conserver l'enregistrement le plus complet, prendre les valeurs les plus recentes, et generer un rapport de fusion.

Quand utiliser Claude Code vs les outils GUI : utilisez Claude Code quand vous avez besoin d'une logique de transformation sur mesure, quand les volumes depassent les limites des outils GUI, quand vous voulez un controle total sur le processus, ou quand vous devez integrer l'enrichissement dans un pipeline existant. Utilisez Clay ou Lemlist quand la rapidite de mise en oeuvre prime, quand vous avez besoin d'acces a des fournisseurs de donnees tiers, ou quand l'equipe n'a pas de competence technique.

6.6 Tableau comparatif des outils d'enrichissement

Critere	Lemlist AI	Clay	Dropcontact	Claude
Prix	Inclus dans Lemlist	A partir de 149$/mois	A partir de 24 euros/mois	API : 3-15$/1M tokens
Vitesse	Rapide (secondes)	Rapide (secondes)	Temps reel	Variable (batch)
Qualite des donnees	Bonne (IA generative)	Excellente (multi-sources)	Excellente (emails)	Tres bonne (analyse)
Conformite RGPD	Partielle	Partielle	100% conforme	Conforme (pas de DB)
Integration HubSpot	Via export/import	Native (bidirectionnelle)	Native (temps reel)	Via API custom
IA generative	Oui (multi-modeles)	Oui (Claude, GPT)	Non	Oui (natif)
Volume max	Listes de campagne	100 000+ contacts	Illimite	Illimite (batch)
Specialite France	Correcte	Correcte	Excellente	Bonne
Acces API	Oui	Oui	Oui	Oui
Ideal pour	Prospection + icebreakers	Enrichissement multi-sources	Emails FR + compliance	Transformation sur mesure

Les scripts suivants sont prets a etre executes avec Claude Code. Chacun traite un aspect specifique de la data quality. Demandez simplement a Claude Code de creer et executer ces scripts sur vos fichiers CSV exportes depuis HubSpot. Les scripts utilisent des librairies Python standard (pandas, thefuzz, re, csv) et l'API Anthropic pour l'enrichissement IA.

Script 1 : CSV Cleaner

Ce script prend un export CSV de contacts HubSpot et applique toutes les regles de standardisation en un seul passage : telephone en E.164, noms en Title Case, dates en ISO 8601, suppression des lignes entierement vides, trim des espaces superflus, et normalisation des valeurs nulles.

import pandas as pd
import re
from datetime import datetime

def clean_phone(phone, default_country="33"):
    if pd.isna(phone) or str(phone).strip() == "":
        return None
    digits = re.sub(r"\D", "", str(phone))
    if digits.startswith("0") and len(digits) == 10:
        digits = default_country + digits[1:]
    if not digits.startswith(default_country) and len(digits) < 11:
        digits = default_country + digits
    return "+" + digits

def clean_name(name):
    if pd.isna(name) or str(name).strip() == "":
        return None
    particles = {"de", "du", "la", "le", "des", "van", "von", "der"}
    words = str(name).strip().split()
    result = []
    for i, w in enumerate(words):
        if w.lower() in particles and i > 0:
            result.append(w.lower())
        else:
            result.append(w.capitalize())
    return " ".join(result)

def clean_date(date_val):
    if pd.isna(date_val):
        return None
    for fmt in ["%d/%m/%Y", "%m/%d/%Y", "%Y-%m-%d", "%d-%m-%Y"]:
        try:
            return datetime.strptime(str(date_val).strip(), fmt).strftime("%Y-%m-%d")
        except ValueError:
            continue
    return str(date_val)

df = pd.read_csv("contacts_export.csv")

# Supprimer les lignes entierement vides
df = df.dropna(how="all")

# Trim les espaces
df = df.apply(lambda col: col.str.strip() if col.dtype == "object" else col)

# Standardiser
if "phone" in df.columns:
    df["phone"] = df["phone"].apply(clean_phone)
for col in ["firstname", "lastname"]:
    if col in df.columns:
        df[col] = df[col].apply(clean_name)
for col in df.columns:
    if "date" in col.lower():
        df[col] = df[col].apply(clean_date)

# Remplacer les valeurs nulles courantes
df = df.replace(["N/A", "n/a", "NA", "-", ".", "none", "None"], pd.NA)

df.to_csv("contacts_cleaned.csv", index=False)
print(f"Nettoyage termine : {len(df)} contacts traites")

Script 2 : Duplicate Finder

Ce script identifie les doublons potentiels en utilisant trois methodes : correspondance exacte sur l'email, fuzzy matching sur le nom complet (seuil de similarite de 85%), et correspondance nom + entreprise. Il genere un rapport avec le niveau de confiance pour chaque paire de doublons detectee.

import pandas as pd
from thefuzz import fuzz
from itertools import combinations

df = pd.read_csv("contacts_cleaned.csv")
duplicates = []

# 1. Doublons exacts par email
if "email" in df.columns:
    email_groups = df.dropna(subset=["email"]).groupby("email")
    for email, group in email_groups:
        if len(group) > 1:
            ids = group.index.tolist()
            for a, b in combinations(ids, 2):
                duplicates.append({
                    "id_1": a, "id_2": b,
                    "type": "Email exact",
                    "confiance": 100,
                    "detail": email
                })

# 2. Fuzzy matching sur nom complet
df["full_name"] = (df.get("firstname", "").fillna("") + " " + df.get("lastname", "").fillna("")).str.strip()
names = df["full_name"].tolist()
for i, j in combinations(range(len(names)), 2):
    if names[i] and names[j] and len(names[i]) > 2:
        score = fuzz.ratio(names[i].lower(), names[j].lower())
        if score >= 85:
            duplicates.append({
                "id_1": i, "id_2": j,
                "type": "Nom similaire",
                "confiance": score,
                "detail": f"{names[i]} / {names[j]}"
            })

# 3. Nom + entreprise
if "company" in df.columns:
    df["name_company"] = df["full_name"] + " @ " + df["company"].fillna("")
    nc = df["name_company"].tolist()
    seen = {}
    for idx, val in enumerate(nc):
        key = val.lower().strip()
        if key in seen and len(key) > 5:
            duplicates.append({
                "id_1": seen[key], "id_2": idx,
                "type": "Nom+Entreprise",
                "confiance": 95,
                "detail": val
            })
        else:
            seen[key] = idx

result = pd.DataFrame(duplicates)
result.to_csv("duplicates_report.csv", index=False)
print(f"Doublons detectes : {len(result)} paires")

Script 3 : Enrichment Pipeline

Ce script lit un CSV de contacts, envoie chaque enregistrement a l'API Claude pour enrichissement (secteur d'activite, description de l'entreprise, score de qualite), gere les rate limits avec un delai entre chaque appel, et ecrit les resultats dans un nouveau fichier CSV enrichi.

import pandas as pd
import anthropic
import time
import json

client = anthropic.Anthropic()
df = pd.read_csv("contacts_cleaned.csv")

def enrich_contact(row):
    prompt = f"""Analyse ce contact CRM et fournis un enrichissement JSON :
Nom : {row.get('firstname', '')} {row.get('lastname', '')}
Entreprise : {row.get('company', '')}
Poste : {row.get('jobtitle', '')}
Email : {row.get('email', '')}

Retourne UNIQUEMENT un JSON avec :
- "industry": secteur d'activite (parmi: SaaS, E-commerce, Finance,
  Sante, Industrie, Energie, Conseil, Media, Autre)
- "company_description": description 1 phrase
- "seniority": niveau (C-Level, VP, Director, Manager, IC)
- "department": departement (Sales, Marketing, Tech, Finance, RH, Ops)
- "quality_score": score de completude 0-100"""

    try:
        response = client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=300,
            messages=[{"role": "user", "content": prompt}]
        )
        return json.loads(response.content[0].text)
    except Exception as e:
        return {"error": str(e)}

enriched = []
for idx, row in df.iterrows():
    print(f"Enrichissement {idx+1}/{len(df)}...")
    result = enrich_contact(row)
    enriched.append(result)
    time.sleep(0.5)  # Rate limiting

enriched_df = pd.DataFrame(enriched)
final = pd.concat([df, enriched_df], axis=1)
final.to_csv("contacts_enriched.csv", index=False)
print(f"Enrichissement termine : {len(final)} contacts")

Script 4 : Data Quality Scorer

Ce script calcule un score de qualite pour chaque enregistrement et pour l'ensemble de la base. Il mesure la completude (champs remplis), detecte les anomalies de format (emails invalides, telephones mal formates), et genere un rapport synthetique avec le score global et les recommandations.

import pandas as pd
import re

df = pd.read_csv("contacts_cleaned.csv")

# Ponderation des champs
weights = {
    "email": 20, "firstname": 10, "lastname": 10,
    "company": 15, "jobtitle": 15, "phone": 10,
    "industry": 10, "country": 5, "lifecyclestage": 5
}

def score_record(row):
    total, earned = 0, 0
    for field, w in weights.items():
        total += w
        val = row.get(field)
        if pd.notna(val) and str(val).strip() != "":
            earned += w
            # Bonus de format
            if field == "email" and not re.match(
                r"^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$",
                str(val)
            ):
                earned -= w * 0.5  # Penalite format
            if field == "phone" and not str(val).startswith("+"):
                earned -= w * 0.3
    return round((earned / total) * 100, 1) if total > 0 else 0

df["quality_score"] = df.apply(score_record, axis=1)

# Rapport global
report = {
    "total_contacts": len(df),
    "score_moyen": round(df["quality_score"].mean(), 1),
    "score_median": round(df["quality_score"].median(), 1),
    "contacts_critiques": len(df[df["quality_score"] < 25]),
    "contacts_fragiles": len(df[(df["quality_score"] >= 25) & (df["quality_score"] < 50)]),
    "contacts_corrects": len(df[(df["quality_score"] >= 50) & (df["quality_score"] < 75)]),
    "contacts_excellents": len(df[df["quality_score"] >= 75]),
}

# Completude par champ
for field in weights:
    if field in df.columns:
        filled = df[field].notna().sum()
        report[f"completude_{field}"] = f"{round(filled/len(df)*100, 1)}%"

print("=== RAPPORT DATA QUALITY ===")
for k, v in report.items():
    print(f"  {k}: {v}")

df.to_csv("contacts_scored.csv", index=False)
print(f"\nScoring exporte : contacts_scored.csv")

Nettoyer une base une fois ne suffit pas. Sans automatisation, la qualite se degrade a nouveau en quelques mois. L'objectif de ce chapitre est de mettre en place des garde-fous automatiques qui maintiennent la qualite dans la duree. Nous utilisons trois piliers : HubSpot Operations Hub, des workflows personnalises, et des integrations avec Make (ex-Integromat).

HubSpot Operations Hub

Operations Hub est le hub HubSpot dedie a la qualite des donnees. Il propose trois fonctionnalites cles. Le Data Sync permet de synchroniser les donnees entre HubSpot et d'autres outils (Salesforce, NetSuite, Mailchimp) de maniere bidirectionnelle avec des regles de mapping et de priorite. Le Data Quality Automation permet de creer des regles qui corrigent automatiquement les donnees (formatter les noms en Title Case, standardiser les pays, nettoyer les telephones). La Programmable Automation permet d'executer du code JavaScript custom dans les workflows pour des logiques complexes.

Les 4 workflows essentiels

Pipeline d'enrichissement recurrent Clay vers HubSpot

Pour les equipes qui utilisent Clay, un pipeline recurrent peut etre configure : chaque semaine, Make extrait les contacts crees dans les 7 derniers jours depuis HubSpot, les envoie a Clay pour enrichissement waterfall (email, telephone, donnees entreprise), puis reecrit les donnees enrichies dans HubSpot. Ce pipeline fonctionne en tache de fond et garantit que chaque nouveau contact est enrichi dans les 7 jours suivant sa creation.

Routine de maintenance mensuelle

Au-dela de l'automatisation, une revue mensuelle manuelle reste necessaire. Voici la checklist a suivre chaque premier lundi du mois.

Ce qui ne se mesure pas ne s'ameliore pas. Un dashboard de data quality doit etre aussi important que votre dashboard de pipeline ou de marketing. Il doit etre consulte chaque semaine par le responsable CRM et chaque mois par la direction. Voici les 8 rapports essentiels, les KPIs a suivre, et un template de scorecard mensuelle.

Les 8 rapports du dashboard data quality

KPIs et objectifs

Scorecard mensuelle

Chaque mois, remplissez une scorecard avec les valeurs actuelles de chaque KPI, la tendance par rapport au mois precedent (amelioration, stable, degradation), et les actions correctives planifiees. Partagez cette scorecard avec la direction pour maintenir la visibilite sur la qualite des donnees. Un template Google Sheets est disponible : il suffit de dupliquer notre modele et de l'alimenter chaque mois avec les donnees exportees de HubSpot.

Alertes et seuils

Configurez des alertes automatiques pour ne pas attendre la revue mensuelle quand un probleme surgit. Seuils recommandes : alerte si le taux de bounce depasse 3% sur 7 jours glissants, alerte si plus de 100 doublons sont crees en une semaine (signe d'un import non controle), alerte si le score de completude des nouveaux contacts chute en dessous de 50% (signe d'un formulaire mal configure ou d'une integration defaillante). Ces alertes peuvent etre envoyees par Slack via Make ou directement par les workflows HubSpot.

La methode Ceres en 5 etapes

Notre methodologie Data Quality a ete affinee sur des dizaines de projets. Elle repose sur cinq etapes sequentielles, chacune s'appuyant sur les resultats de la precedente. Le cycle complet prend entre 6 et 12 semaines selon la taille et l'etat de la base.

Cas client : Elax Energie (17 vers 76 en 8 semaines)

Elax Energie est un fournisseur d'energie renouvelable B2B avec une equipe de 12 commerciaux. Leur CRM HubSpot contenait 12 400 contacts accumules sur 4 ans sans aucune politique de data quality. Les commerciaux avaient abandonne HubSpot au profit de fichiers Excel personnels. L'equipe marketing envoyait des campagnes sur l'ensemble de la base, avec un taux de bounce de 18% et un taux d'ouverture de 8%.

Resultat business : 6 mois apres l'intervention, le taux d'ouverture des campagnes est passe de 8% a 32%, le temps de recherche par commercial est passe de 2h/jour a 15 min/jour, et le pipeline CRM reflete la realite pour la premiere fois. L'equipe commerciale a readopte HubSpot comme outil central.

Cas client : Kameleoon (25 vers 78 en 10 semaines)

Kameleoon, editeur de solution d'A/B testing et de personalisation, avait une base de 34 000 contacts avec un probleme massif de doublons (42% de la base) lie a des imports multiples depuis des salons, webinars et listes achetees. La segmentation etait impossible : les memes contacts recevaient 3 a 4 emails par semaine sans le savoir, generant des plaintes et des desinscriptions en cascade.

Intervention Ceres : deduplication massive avec Insycle (14 300 doublons fusionnes), standardisation des 28 champs custom, enrichissement Clay pour les 8 000 contacts cles, mise en place de 6 workflows de maintenance automatique. Score passe de 25 a 78 en 10 semaines. Le taux de desinscription est passe de 2.4% a 0.3% par campagne. La segmentation est devenue fiable et l'equipe marketing a pu lancer des campagnes ABM pour la premiere fois.

Ce que ca donne a 3, 6 et 12 mois