Des chiffres publics ne font pas une preuve
La donnée ouverte française est abondante et gratuite, et c’est ce qui la rend trompeuse. Ce que le journalisme de données apprend à un ingénieur, et l’étape que presque personne ne fait.
Le journalisme de données et l’ingénierie de la donnée manipulent les mêmes fichiers et n’ont pas le même juge. En entreprise, un tableau est validé par celui qui l’a commandé. Dans un journal, il est attaqué par le lecteur qui n’est pas d’accord. La seconde épreuve est la plus rude, et c’est pour cela qu’elle vaut d’être regardée depuis la première.
En France, l’essentiel est ouvert et documenté : le portail interministériel, le cadastre, la base d’adresses, le géoportail, et des jeux publiés directement par des opérateurs comme la SNCF ou le gestionnaire du réseau de distribution électrique. La difficulté n’est pas l’accès, elle est le raccordement : deux fichiers publics n’ont presque jamais la même maille ni la même date d’arrêté, et c’est là que se fabriquent les erreurs qu’on ne voit plus ensuite.
- data.gouv.fr
- cadastre.data.gouv.fr
- adresse.data.gouv.fr
- geoportail.gouv.fr
- data.sncf.com
- Banque de France · Webstat
Quand le chiffre n’est pas publié, il faut aller le lire là où il est affiché. C’est un aveu plutôt qu’une technique : une extraction depuis une page reflète la mise en page du jour et casse au premier changement. Elle se justifie pour une enquête ponctuelle, jamais pour un système qui doit tenir, et confondre les deux est la manière la plus sûre de livrer une chaîne qui tombera un mardi.
L’outillage que j’ai gardé de cette période est celui qui reste petit : un jeu de données publié comme une base interrogeable sans serveur, ou un notebook qui s’exécute dans le navigateur. Dans les deux cas l’article et la donnée voyagent ensemble, et le lecteur peut refaire le calcul lui-même. C’est précisément ce qu’une chaîne d’entreprise ne permet presque jamais, et l’une des rares choses qu’elle aurait intérêt à copier.
Dans un article de recherche, une figure illustre un résultat déjà établi par ailleurs. Dans un article de presse, la figure est le résultat. Cela change tout : le choix de l’échelle, de l’origine, de la palette devient un choix éditorial, et une palette continue appliquée à des catégories ment sans qu’on l’entende. Les outils qui produisent ces figures sont excellents ; la responsabilité reste entière.
Mes notes de 2020 étaient à moitié un annuaire de liens, et je ne les republie pas telles quelles : la fraîcheur d’un annuaire est ce qui se périme le plus vite. Ce qui n’a pas vieilli est l’ordre des opérations : trouver, raccorder, vérifier, publier. La seule étape que je voie systématiquement sautée en entreprise est la troisième, et c’est la seule qui distingue un tableau d’une preuve.