Questions · Dédoublonnage

Excel ne trouve pas les doublons : pourquoi, et que faire ?

Ce que fait vraiment « Supprimer les doublons »

La fonction compare le contenu des cellules que vous choisissez, colonne par colonne, caractère par caractère. Elle trouve la ligne identique : même texte, mêmes majuscules, mêmes espaces. Tout ce qui s'en écarte, même d'un détail, n'est pas considéré comme égal, et la ligne reste dans le fichier comme si c'était une autre personne.

En pratique, il faut très peu pour faire échouer la comparaison : une espace de trop après le numéro, « Dubois Sophie » au lieu de « Sophie Dubois », « pl. de la Comédie » à la place de « place de la Comédie ». Aucun de ces cas n'est rare : c'est la façon normale dont les gens écrivent un fichier, pas une exception. Celui qui a saisi la deuxième ligne n'a rien fait de mal : il a seulement écrit les mêmes informations avec ses mots, à un autre moment, peut-être depuis un autre formulaire.

La même limite vaut pour les formules qui comparent deux colonnes à la main, ou pour une RECHERCHEV ou un NB.SI sur le nom et l'adresse : c'est toujours une comparaison de texte, et le texte de deux vrais doublons ne coïncide presque jamais caractère par caractère.

Pourquoi deux lignes qui semblent différentes sont souvent la même personne

• Majuscules, accents et espaces. « SOPHIE DUBOIS » et « Sophie Dubois » (avec une espace finale) sont pour Excel deux textes différents ; « Comedie » et « Comédie » aussi.
• Abréviations de la voie. « 10 pl. de la Comédie » et « 10 place de la Comédie » n'ont pas toutes leurs lettres à la même position.
• Nom et prénom inversés. Un import avec les colonnes interverties produit « Dubois Sophie » à côté de « Sophie Dubois », et aucune des formules courantes ne les rapproche.
• Prénom abrégé. « DUBOIS S. » et « Sophie Dubois » ne partagent même pas le prénom en entier.
• Code postal écrit autrement sur une seule ligne. « 34 000 » d'un côté et « 34000 » de l'autre suffisent à casser une comparaison exacte sur plusieurs colonnes ; une cellule vide fait de même.

Excel ne se trompe pas : il fait exactement ce que vous lui avez demandé, une comparaison littérale. Le problème est qu'un vrai fichier n'est jamais écrit de façon uniforme.

Ce que vous perdez en jetant une ligne au hasard

Même quand deux lignes sont reconnues comme égales (par exemple parce qu'elles ont été copiées l'une sur l'autre), en écarter une au hasard est risqué : si l'e-mail n'était enregistré que sur une ligne et le téléphone que sur l'autre, en n'en gardant qu'une vous perdez une coordonnée. Et si le choix est manuel, sur un fichier de quelques milliers de lignes cela devient un travail long et aussi sujet aux erreurs que celui qu'on veut résoudre : il faut ouvrir chaque paire suspecte, la comparer à l'œil, décider laquelle garder et recopier à la main les données qui manquent de l'autre.

Il y a aussi un risque moins visible : écarter la mauvaise ligne quand les deux ne sont pas du tout la même personne, mais seulement deux personnes du même nom dans la même commune. Une comparaison purement textuelle n'a aucun moyen de distinguer les deux cas, alors que c'est précisément là que la plus grande prudence serait nécessaire.

Ce que fait au contraire une vraie comparaison

Le dédoublonnage de RadarAddress travaille en deux temps. D'abord il remet chaque adresse dans sa forme correcte — type de voie en toutes lettres, code postal en cinq chiffres, commune bien écrite — pour que deux graphies de la même voie deviennent la même voie avant même d'être comparées. Puis il compare les noms, en reconnaissant le prénom abrégé ou réduit à l'initiale, l'ordre inversé du nom et du prénom, une coquille dans le nom, les majuscules et les accents.

Le résultat n'est pas une ligne supprimée : c'est une fiche principale qui prend dans chaque doublon le meilleur champ, e-mail et téléphone compris, avec écrit d'où vient chaque information. Et chaque groupe porte un niveau de certitude — certain, probable, ambigu — pour savoir lesquels fusionner les yeux fermés et lesquels regarder vous-même, au lieu de devoir le décider ligne par ligne comme dans un tableur.

Sur un fichier chargé, la comparaison tourne sur toute la liste en un seul traitement, jusqu'à 100 000 fiches : pas besoin de trier, de regrouper ou de croiser des feuilles à la main.

Le même cas, deux résultats différents

Les deux lignes n'ont pas une seule cellule identique — prénom réduit à l'initiale, majuscules, abréviation de la voie, espace dans le code postal — et pourtant c'est la même adresse et la même personne. Le nom est inventé à des fins de démonstration ; toute référence à des personnes réelles est purement fortuite.