Tous ceux qui travaillent sur des tableurs connaissent cette frustration. Les données exportées d'un logiciel de gestion, d'un CRM ou d'un formulaire en ligne arrivent sales : doublons, formats disparates, dates écrites de trois façons, cellules vides aux mauvais endroits, noms en majuscules un jour et en minuscules le lendemain. Avant la moindre analyse, il faut faire le ménage, un travail manuel qui dévore des heures et que personne n'aime faire.

L'IA change cette étape en profondeur, à condition de savoir où l'on va. Dans ce huitième épisode de ma série sur le tableur et l'IA, je déroule une méthode complète, du diagnostic du fichier aux contrôles finaux : normalisation des textes, correction des aberrations, colonnes à scinder, puis la grande chasse aux doublons, exacts ou approximatifs. Avec, à chaque étape, les prompts qui donnent des résultats exploitables.

Pourquoi « nettoie ce fichier » ne suffit pas

Des outils comme Copilot dans Excel ou Gemini dans Google Sheets permettent de décrire un problème presque comme on le dirait à voix haute, et d'obtenir en quelques secondes des formules, des scripts ou des transformations qui exigeaient hier de vraies compétences techniques. Les chatbots séparés font la même chose à partir d'un fichier envoyé ou d'un extrait collé. Pas besoin de savoir programmer.

Mais c'est là que le bât blesse. Demander à un modèle de « nettoyer ce jeu de données » donne rarement le résultat espéré, parce que rien ne lui dit ce qui est sale dans votre contexte. Une cellule vide est-elle une erreur ou une information ? Deux lignes presque identiques sont-elles un doublon ou deux commandes successives du même client ? Seul vous le savez. Le nettoyage assisté par l'IA fonctionne quand on avance par étapes, en expliquant à chaque fois ce que l'on attend.

Règle numéro un, avant toute manipulation : gardez une copie intacte des données d'origine. L'IA peut se tromper, surtout sur un fichier à la structure biscornue, et une suppression en masse ne se rattrape pas toujours. Travaillez sur une copie de la feuille, ou mieux, sur une copie du classeur.

Étape 1 : le diagnostic

La première étape du nettoyage n'est pas de corriger, mais de comprendre. Combien de lignes contiennent des valeurs manquantes ? Y a-t-il des colonnes aux formats mélangés ? Des doublons évidents ? Avant de mettre les mains dans le cambouis, demandez un état des lieux. Dans Excel avec Copilot, sélectionnez la feuille et écrivez dans le volet :

« Analyse ce jeu de données et indique combien de lignes ont des valeurs manquantes, colonne par colonne, quelles colonnes ont des formats incohérents et s'il existe des doublons. Ne modifie rien pour l'instant. »

Vous obtenez une radiographie du fichier qui met au jour des problèmes invisibles à l'œil nu. Dans Google Sheets avec Gemini, la logique est la même : demandez le nombre de cellules vides par colonne, ou la liste des valeurs distinctes d'un champ comme « Pays » ou « Statut de commande ». C'est le meilleur moyen de repérer les variantes « France », « FR », « fr » et « FRANCE », qui désignent la même chose mais font voler en éclats filtres et tableaux croisés dynamiques.

Sur un fichier complexe, je demande aussi à l'IA de colorer les cellules suspectes selon des critères précis : dates mal formées en orange, e-mails sans arobase en rouge, champs obligatoires vides en jaune. D'un coup d'œil, on voit ce qui cloche avant d'avoir corrigé quoi que ce soit.

La crasse la plus fréquente

Les anomalies que l'on croise dans les fichiers réels sont presque toujours les mêmes. Les connaître aide à les nommer précisément dans vos prompts.

Les anomalies les plus courantes, par ordre de fréquence
Anomalie Exemple Conséquence
Formats de date disparates 01/03/2026, 1-mars-26, March 1st 2026 dans la même colonne Tris et filtres par période faussés
Espaces invisibles « Lyon » et « Lyon » avec un espace final Deux valeurs identiques considérées comme différentes
Majuscules incohérentes Lyon, LYON, lyon Regroupements et tableaux croisés éclatés
Nombres stockés en texte '1250 ou 1.250,75 importé d'un système étranger Sommes et moyennes impossibles
Doublons partiels Même client avec ou sans numéro de téléphone Comptages gonflés, relances en double
Une même colonne cumule souvent plusieurs de ces défauts : traitez-les un par un.

Avec des données internationales, un désordre supplémentaire s'ajoute : les conventions d'écriture des nombres. En France, la virgule sépare les décimales et les milliers se détachent par une espace : 1 250,75. Dans les pays anglo-saxons, c'est l'inverse : 1,250.75. Un fichier CSV produit par un système américain et ouvert dans un Excel en français peut transformer silencieusement des montants en texte, ou pire, en dates. L'IA sait réparer ces cas, à condition de lui décrire le contexte : non pas « corrige les nombres », mais « ce CSV vient d'un logiciel américain, les montants utilisent le point comme séparateur décimal et la virgule pour les milliers ».

Étape 2 : prioriser avant de corriger

Une fois le diagnostic posé, tous les problèmes ne méritent pas d'être réglés. Si une colonne de commentaires libres compte 40 % de cellules vides, inutile de la normaliser. En revanche, si les champs « SIRET » ou « E-mail » sont incomplets, toute la suite du travail est compromise. Une question simple à l'IA donne des pistes souvent étonnamment justes : « Ce fichier sert à relancer nos clients par e-mail et à calculer le chiffre d'affaires par région. Quelles colonnes faut-il corriger en priorité pour garantir la fiabilité de ces deux usages ? » Plus vous décrivez l'usage de la feuille, plus la réponse est pertinente.

Étape 3 : normaliser les textes

Les opérations de nettoyage se rangent en trois familles : la normalisation (ramener toutes les valeurs au même format), le dédoublonnage (supprimer ou signaler les lignes répétées) et la correction (rattraper fautes de frappe, codes erronés, valeurs aberrantes). La normalisation des textes est presque toujours la plus simple et la plus rentable.

Excel et Google Sheets disposent depuis longtemps des fonctions nécessaires, mais les combiner donne vite des formules imbriquées peu intuitives. C'est exactement le genre de travail à confier à l'IA.

Les fonctions de nettoyage de texte à connaître
Fonction (français) Nom anglais Rôle
SUPPRESPACE TRIM Supprime les espaces en début, en fin et les espaces doublés
EPURAGE CLEAN Retire les caractères non imprimables hérités des exports
NOMPROPRE PROPER Met une majuscule à l'initiale de chaque mot
MAJUSCULE, MINUSCULE UPPER, LOWER Uniformise la casse
SUBSTITUE SUBSTITUTE Remplace un texte par un autre (abréviations, caractères parasites)
CNUM VALUE Convertit un nombre stocké en texte en vrai nombre
Dans Google Sheets, ces fonctions acceptent aussi leur nom anglais.

Un prompt typique : « Crée une formule qui nettoie la colonne B en supprimant les espaces superflus et les caractères invisibles, puis en mettant une majuscule à l'initiale de chaque mot. » La réponse, du type =NOMPROPRE(SUPPRESPACE(EPURAGE(B2))), arrive en une seconde, prête à coller dans une colonne d'appoint. Dans Google Sheets, on peut traiter toute la colonne d'un coup avec une formule matricielle : =ARRAYFORMULA(NOMPROPRE(SUPPRESPACE(B2:B500))). « jean » devient « Jean », l'espace parasite après « béatrice » disparaît.

Travaillez toujours dans une colonne d'appoint. Une fois le résultat vérifié, copiez-la et faites un collage spécial « valeurs » sur la colonne d'origine, puis supprimez la colonne d'appoint. Vous gardez des données propres sans dépendre de formules qui pointent vers d'anciennes valeurs.

Standardiser les catégories

Pour le fameux cas « France / FR / fr / Rép. française », la méthode la plus fiable est la table de correspondance : une colonne avec les valeurs sales, une colonne avec la valeur propre, puis une RECHERCHEX pour remplacer en bloc. L'IA génère cette table si vous lui collez la liste des valeurs distinctes en demandant : « Regroupe ces valeurs dans les bonnes catégories et renvoie une table à deux colonnes : valeur d'origine, valeur normalisée. »

Avec un assistant intégré, on peut aller plus loin et décrire la règle de normalisation : « Dans la colonne K, qui contient des noms de pays saisis de façon incohérente (majuscules, abréviations, codes ISO à deux ou trois lettres, formes officielles longues), ajoute en colonne L le nom normalisé de chaque pays : nom courant en toutes lettres, jamais un code, avec une majuscule initiale. » Même principe pour les abréviations de voie dans les adresses : « Remplace av., bd, pl. et fg par Avenue, Boulevard, Place et Faubourg dans la colonne D. » L'assistant renvoie une cascade de SUBSTITUE imbriqués, ou un petit script si la liste est longue.

Les dates, le cas le plus pénible

Les dates méritent un traitement à part, parce qu'un tableur les stocke comme des nombres et que la moindre variation de saisie les transforme en texte. Dans une même colonne, on trouve souvent de vraies dates, des textes du type « 18-mar-2026 » ou « 21 mars 2026 », et des dates américaines où le mois et le jour sont inversés. Le premier réflexe est de demander à l'IA de distinguer ces cas : « Ajoute une colonne qui indique, pour chaque cellule de la colonne E, s'il s'agit d'une vraie date, d'un texte qui ressemble à une date, ou d'autre chose. »

Ensuite seulement, on convertit. Pour les textes au format français, la fonction DATEVAL (DATEVALUE en anglais) fait souvent l'affaire. Pour les formats exotiques, l'IA construit une formule qui découpe le jour, le mois et l'année, ou mieux, propose de passer par Power Query, qui permet de préciser les paramètres régionaux de la source au moment de la conversion : un fichier américain est alors lu correctement, sans inverser les jours et les mois. Précisez toujours dans votre prompt d'où vient le fichier, c'est ce qui permet à l'assistant de trancher le cas ambigu du 03/04, qui peut être le 3 avril ou le 4 mars.

Étape 4 : corriger les aberrations

Nombres hors limites, dates impossibles (un 30 février, un mois 13), adresses e-mail sans arobase ou avec deux arobases : ces défauts se débusquent avec des formules de validation, que l'IA écrit sur mesure. Le bon réflexe consiste à créer des colonnes de contrôle qui signalent les problèmes sans toucher aux données d'origine.

E-mails
« Écris une formule qui renvoie ERREUR si la cellule ne contient pas exactement une arobase suivie d'un domaine avec un point, OK sinon. » Une réponse possible dans Excel : =SI(ET(NBCAR(D2)-NBCAR(SUBSTITUE(D2;"@";""))=1;NB.SI(D2;"*@*.*")=1);"OK";"ERREUR"). Elle attrape « julien@ » sans domaine et « claire@Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser. » avec sa double arobase.
Dates
« Signale DATE INVALIDE si la cellule n'est pas une vraie date, et HORS PLAGE si elle est antérieure au 01/01/2020 ou postérieure à aujourd'hui. » Un 30/02/2026 saisi à la main reste du texte pour Excel, et sera donc repéré.
Montants
« Mets en rouge les valeurs négatives, nulles ou supérieures à 50 000 dans la colonne Montant. » L'assistant propose une règle de mise en forme conditionnelle prête à appliquer.

Ces colonnes de contrôle ont un autre avantage : elles se recalculent. Si vous corrigez une ligne, l'alerte disparaît, ce qui permet de suivre l'avancement du nettoyage.

Ce qui marche dans un prompt de nettoyage : décrire le contexte (« c'est un export de CRM avec les données clients »), préciser la colonne et la plage (« colonne C, de C2 à C500 »), indiquer le résultat attendu (« toutes les dates au format JJ/MM/AAAA ») et demander une formule avec son explication plutôt qu'une simple description.
Ce qui ne marche pas : les demandes génériques sans contexte (« trouve les erreurs »), tout demander d'un coup (« nettoie les dates, les noms, les doublons et les valeurs manquantes ») au lieu d'une opération à la fois, et croire que l'IA voit votre fichier alors que vous ne l'avez ni chargé ni décrit.

Étape 5 : scinder les colonnes fourre-tout

Un grand classique des exports de logiciels de gestion : des informations qui devraient être séparées se retrouvent tassées dans une seule colonne. Nom et prénom dans le même champ, adresse complète dans une cellule, date et heure collées, référence produit et libellé reliés par un tiret. Avant toute analyse, il faut les éclater.

Dans Excel, la commande Convertir de l'onglet Données règle les cas simples, avec un séparateur fixe (virgule, point-virgule, tabulation). Pour les cas plus retors, comme séparer « Jean-Marc Dupont » en prénom et nom en tenant compte des prénoms composés, ou extraire le code postal de « 12 rue des Lilas, 13001 Marseille », les formules écrites à la main deviennent vite tortueuses. C'est là que l'IA excelle : « J'ai une colonne de chaînes au format Prénom Nom - Société - e-mail. Écris les formules pour extraire les trois valeurs dans trois colonnes séparées. » Elle propose une solution à base de FRACTIONNERTEXTE dans les versions récentes d'Excel, ou de combinaisons de GAUCHE, DROITE, TROUVE et STXT pour les plus anciennes. Pour un découpage qui revient chaque semaine sur un nouvel export, Power Query fait le travail une fois pour toutes, et l'IA sait générer le code correspondant.

Les doublons : d'abord savoir ce qu'on cherche

Les doublons méritent un chapitre à part. Le problème semble anodin, mais il peut vite virer au cauchemar. Pour Excel, Google Sheets ou LibreOffice Calc, deux cellules ne sont identiques que si leurs caractères correspondent exactement : même majuscule, même espace, même symbole. Dans la réalité, les doublons se présentent rarement de façon aussi disciplinée. Un espace de trop avant le nom, une adresse e-mail écrite une fois en minuscules et une fois en majuscules, un numéro de téléphone avec ou sans indicatif, et le tableur ne voit plus rien.

La plupart des gens se trompent d'approche en réclamant une solution avant d'avoir clarifié le problème. Avant d'ouvrir la conversation avec l'IA, répondez à trois questions, celles qu'un assistant compétent vous poserait de toute façon.

Les réponses à ces trois questions sont la matière première du prompt. Plus elles sont précises, plus la solution obtenue sera la bonne du premier coup.

Les doublons exacts, en deux clics

Pour les lignes parfaitement identiques, pas besoin d'IA. Dans Excel, sélectionnez le tableau puis Données, Supprimer les doublons, et cochez les colonnes à comparer. Dans Google Sheets, c'est dans Données, Nettoyage des données, Supprimer les doublons. Mais ces commandes ne voient que les doublons stricts, et elles suppriment sans vous montrer ce qu'elles ont retiré. D'où l'intérêt de faire d'abord le nettoyage des textes de l'étape 3, qui transforme beaucoup de quasi-doublons en doublons exacts.

Le prompt en quatre étapes

Pour tous les autres cas, un prompt efficace comporte quatre ingrédients, toujours dans le même ordre.

Construire une demande de dédoublonnage
Étape Ce qu'il faut indiquer Exemple
1. Le contexte Le logiciel, sa version, la structure (fichier joint ou capture) « Liste de clients dans Google Sheets, colonnes ID, Prénom, Nom, E-mail »
2. Le critère Ce qui fait de deux lignes des doublons « Même adresse e-mail, en ignorant majuscules et espaces »
3. L'action Colorer, compter, signaler dans une colonne ou supprimer « Colore en orange les lignes en double »
4. La procédure La demande explicite d'explication « Explique-moi comment faire, étape par étape »
Ce qui change d'un cas à l'autre, ce n'est pas la méthode mais les détails insérés à chaque étape.

Avec ce prompt, l'IA fournit une règle de mise en forme conditionnelle personnalisée, prête à copier, avec son explication. Le principe : normaliser l'e-mail (minuscules, sans espaces) puis compter combien de fois il apparaît ; dès qu'il apparaît plus d'une fois, la ligne se colore.

La clé de comparaison, une astuce de pro

Quand aucun champ ne suffit seul, la technique la plus efficace consiste à fabriquer une clé de comparaison. Demandez par exemple : « Crée en colonne J une clé composée des quatre premières lettres du prénom en minuscules, des quatre premières lettres du nom et du domaine de l'adresse e-mail. » Dans Excel, cela donne une formule comme =MINUSCULE(GAUCHE(SUPPRESPACE(B2);4)&GAUCHE(SUPPRESPACE(C2);4)&STXT(D2;TROUVE("@";D2)+1;100)). « Jean Dupont » et « JEAN DUPONT » avec la même messagerie produisent alors la même clé. Une mise en forme conditionnelle « surligne en orange les cellules de J qui apparaissent plus d'une fois » fait sauter aux yeux les paires suspectes. La ligne à garder, c'est vous qui la choisissez.

Les quasi-doublons et les fautes de frappe

Plus délicat encore : les valeurs très proches mais pas identiques. « Jean Dupont » et « Jean Dupond » peuvent désigner la même personne avec une faute de frappe, ou deux personnes différentes. Pour trancher, il faut comparer d'autres informations : la ville, l'e-mail, le téléphone. Dans le prompt, indiquez quelles colonnes comparer, quelles différences peuvent être ignorées et quelles données servent de confirmation :

« Repère les doublons dus à des fautes de frappe : écris Oui dans la colonne Doublon possible quand prénom et nom sont très proches (une ou deux lettres de différence) et qu'au moins un des champs Ville, E-mail ou Téléphone correspond exactement. Explique-moi comment l'installer. »

Ce type de demande dépasse les fonctions natives des tableurs. Les assistants s'en sortent en écrivant une fonction personnalisée, en Apps Script pour Google Sheets ou en VBA pour Excel, avec la procédure d'installation pas à pas. Ils s'appuient généralement sur la distance de Levenshtein, un algorithme qui compte le nombre minimal de modifications nécessaires pour passer d'un texte à l'autre, idéal pour repérer les fautes de frappe. Copilot peut aussi proposer un script Python dans Excel, ou orienter vers Power Query et ses fusions approximatives.

Pour les quasi-doublons, je ne laisse jamais l'IA supprimer quoi que ce soit. Je lui demande de signaler les paires suspectes dans une colonne, je les vérifie une par une, puis je décide. Un faux positif sur un fichier clients, c'est une fusion de deux personnes différentes, et une erreur difficile à rattraper.

Garder la bonne ligne

Quand plusieurs lignes représentent le même client, laquelle conserver ? Souvent, ni la première ni la dernière, mais la plus complète. Demandez à l'IA une colonne qui compte le nombre de champs remplis sur chaque ligne (une simple formule NBVAL suffit), puis une règle qui garde, pour chaque clé, la ligne au score le plus élevé. Encore mieux : faites fusionner les informations, en prenant le téléphone sur une ligne et l'adresse sur l'autre. C'est un cas typique où un petit script généré par l'IA fait gagner des heures.

Étape 6 : vérifier que le fichier est vraiment propre

Au bout du processus reste la question décisive : comment être sûr que le travail a abouti ? La validation finale est l'étape qu'on saute volontiers, en se contentant d'un « ça a l'air bon ». C'est pourtant là que se cachent les erreurs qui referont surface des semaines plus tard, en pleine analyse.

Premier contrôle : les volumes et les totaux. Le nombre de lignes est-il celui attendu, une fois les doublons retirés ? Le total d'une colonne de montants est-il cohérent avec celui d'avant le nettoyage ? Ensuite, les règles métier. L'IA enchaîne une série de vérifications si vous décrivez ce que vous voulez contrôler : « Vérifie que la colonne Montant ne contient pas de valeurs négatives, que la date de commande est toujours antérieure à la date de livraison, et que chaque ligne comporte au moins un e-mail ou un numéro de téléphone. » Vous récupérez des formules ou des règles de mise en forme conditionnelle qui signalent automatiquement le moindre écart.

Ma liste de contrôles avant de déclarer un fichier propre
Contrôle Comment le faire
Nombre de lignes Comparer avant et après, expliquer chaque écart
Totaux des colonnes numériques Un écart doit correspondre exactement aux doublons retirés
Valeurs distinctes des catégories Plus aucune variante d'orthographe dans la liste
Colonnes de contrôle Plus aucune mention ERREUR, ou des exceptions documentées
Échantillon manuel Relire une vingtaine de lignes prises au hasard
Cinq minutes de vérification évitent des heures de correction plus tard.

Exemple complet : un export de CRM, du brut au propre

Pour rassembler la méthode, voici un cas concret. Un petit cabinet reçoit chaque mois un export de son logiciel de gestion de contacts. Extrait des premières lignes :

Avant nettoyage : un extrait typique
ID Contact E-mail Date Pays
1 marc ROLLAND Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser. 15/03/2026 France
2 Sophie Girard Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser. 18-mar-2026 FR
3 MARC ROLLAND Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser. 15/03/2026 france
4 Nadia Benali nadia.benali@ 21 mars 2026 Rép. française
Données fictives. Quatre lignes, et déjà cinq types de problèmes.

Voici l'enchaînement que je suis avec l'assistant, une demande à la fois.

Sur quatre lignes, tout cela se ferait à la main. Sur quatre mille, la même méthode s'applique sans changer une virgule, et c'est là que l'IA fait gagner des heures. Le mois suivant, il suffit de rejouer les mêmes étapes, ou de les avoir confiées une fois pour toutes à Power Query.

Documenter, toujours

Un fichier propre sans documentation est une bombe à retardement. La personne qui le reçoit, ou vous-même dans trois mois, ignore ce qui a été modifié et pourquoi. La bonne habitude consiste à ajouter un onglet « Journal de nettoyage » où l'on note chaque opération, la date et l'outil utilisé. L'IA vous épaule en générant ce récapitulatif si vous lui décrivez les transformations appliquées. C'est aussi ce journal qui permet de remonter à une correction destructrice si quelque chose a mal tourné.

Automatiser le nettoyage récurrent

Si le fichier arrive de façon régulière (export hebdomadaire, rapport mensuel), autant transformer le nettoyage en flux automatique. Dans Excel, Power Query enregistre chaque transformation et la rejoue d'un clic sur Actualiser à chaque nouvel import. Dans Google Sheets, Apps Script exécute les mêmes opérations à heure fixe. Copilot comme Gemini écrivent ces deux types de traitements à partir d'une description : « Chaque lundi matin, je reçois un CSV avec ces champs. Écris un script qui importe le fichier, applique ces corrections et met à jour l'onglet Données propres. » J'ai détaillé ces deux outils dans les épisodes consacrés à Gemini et à l'automatisation.

Le meilleur nettoyage, c'est celui qu'on n'a pas à faire

Le vrai saut se joue en amont : utiliser l'IA pour concevoir des feuilles et des formulaires de saisie qui limitent les données sales à la source. Listes déroulantes plutôt que texte libre, validation des données qui refuse un e-mail sans arobase ou une date hors plage, formats imposés pour les numéros de téléphone. Demandez à l'assistant : « Propose des règles de validation des données pour chaque colonne de ce tableau, afin d'empêcher les erreurs de saisie les plus fréquentes. » Ce sont de petits choix qui font gagner des heures chaque mois.

Cas particulier, les adresses postales. Elles cumulent tous les problèmes : abréviations non normalisées (Avenue, Av, av.), numéros écrits de façons variées (12 bis, 12B, 12 b), codes postaux absents, villes mal orthographiées. Un fichier de quelques milliers d'adresses peut contenir des dizaines de variantes d'une même adresse sans qu'aucune soit techniquement fausse. Je procède en deux niveaux : d'abord une normalisation syntaxique avec un script ou des formules générés par l'IA, dans une colonne « Adresse normalisée » placée à côté de l'originale ; ensuite, si l'enjeu le justifie, une vérification d'existence via un service de géocodage, dont l'IA écrit le code d'appel. Pour la plupart des fichiers, une relecture par échantillon après normalisation offre un bon compromis.

Questions fréquentes

Faut-il un assistant intégré pour nettoyer ses données ?
Non. Copilot et Gemini sont plus confortables car ils voient la feuille et peuvent appliquer les corrections, mais un chatbot gratuit donne les mêmes formules si vous lui décrivez la structure et collez un extrait des données.
Puis-je envoyer un fichier clients à une IA pour le nettoyer ?
Avec prudence. Un extrait anonymisé suffit presque toujours pour obtenir les formules ou le script, que vous appliquez ensuite vous-même au fichier complet. Pour un traitement direct, préférez une offre professionnelle dont les conditions excluent l'entraînement sur vos données.
La commande Supprimer les doublons est-elle fiable ?
Oui pour les doublons strictement identiques. Elle ne voit pas les variantes de casse ou d'espaces, d'où l'intérêt de normaliser les textes avant de l'utiliser, et de garder une copie car elle ne montre pas ce qu'elle supprime.
Comment gérer un fichier de plusieurs dizaines de milliers de lignes ?
Mettez au point vos formules ou votre script sur un échantillon, puis appliquez-les au fichier complet dans le tableur. Au-delà de quelques dizaines de milliers de lignes, Power Query ou un script sont plus rapides et plus fiables que des formules recopiées.
L'IA peut-elle deviner les valeurs manquantes ?
Elle peut proposer des valeurs plausibles, par exemple une ville à partir d'un code postal, mais ce ne sont que des suggestions. Marquez toujours ces valeurs comme déduites dans une colonne à part, pour ne pas les confondre avec des données vérifiées.
Que faire des cellules vides ?
Cela dépend de leur sens. Une cellule vide peut signifier « inconnu », « non applicable » ou « zéro ». Décidez-le colonne par colonne, et dites-le explicitement à l'IA avant de lui demander de les remplir ou de les signaler.

La suite de la série

Des données propres, c'est bien ; encore faut-il qu'elles arrivent dans le tableur. Le prochain épisode s'attaque à un cauchemar bien connu : récupérer des tableaux enfermés dans des fichiers PDF, relevés bancaires, factures ou rapports, et les transformer en vraies données Excel grâce à l'IA.

Comment cet article a-t-il été réalisé ? Le texte a été rédigé par mes soins, puis relu avec l'aide d'une intelligence artificielle afin de corriger d'éventuelles erreurs d'orthographe ou de grammaire. L'illustration de présentation a également été créée à l'aide de l'IA.