Le même plombier compté quatre fois - et pourquoi nous n'avons pas livré le correctif
Mesuré sur 72 réponses : 454 noms extraits pour 424 entreprises réelles. Le correctif évident résorbait 61 doublons - et faisait disparaître 72 vrais commerces. Nous ne l'avons pas livré.
Dans cet article
Hier, nous avons raconté que notre extracteur ne savait pas lire le japonais, le coréen, le chinois ni l'arabe. Corrigé, il les lit. Aujourd'hui vient la question suivante : ce qu'il lit, est-ce juste ?
Les 72 réponses collectées hier - six marchés, deux métiers, trois assistants - suffisaient pour le savoir, sans repayer un seul appel. Nous les avons relues.
Un plombier, quatre lignes
Dans une même table de concurrents à Tokyo, l'entreprise Kurashian apparaît sous quatre libellés différents : son nom seul, son nom suivi de deux points et d'une phrase de description, son nom entre parenthèses, et son nom accompagné d'une mention de classement. Quatre lignes, une entreprise.
À Dubaï, Urban Company apparaît trois fois - une par formulation de son ancien nom. À Lyon, Ring Twice, Yoojo, ThreeBestRated et StarOfService apparaissent chacun deux fois : une fois seuls, une fois suivis d'un tiret et de « Lyon ».
Une table qui montre le même rival sous trois lignes ne se trompe pas seulement de compte : elle dilue sa part de voix et fausse le classement.
Le bilan, nom par nom sur les six marchés : 454 chaînes extraites pour 424 entreprises réelles. Trente doublons. Le japonais en concentre la moitié, mais le français en a aussi - et c'est ce détail qui a rendu la cause intéressante.
Deux causes, dont une qui touche tout le monde
La première est une affaire d'alphabet, comme hier. Notre découpeur coupe le nom à son premier séparateur : « Marque - très bons avis » devient « Marque ». Sa liste de séparateurs est écrite en caractères ASCII. Or le japonais et le chinois écrivent les deux points et les parenthèses en pleine chasse, sans espace autour : rien ne correspond, donc le nom garde toute sa phrase.
La seconde n'a rien d'exotique. Le découpage ne s'appliquait qu'aux noms trouvés dans une liste à puces. Ceux que l'assistant met en gras au fil du texte n'y passaient jamais. C'est pour cela que « Ring Twice » et « Ring Twice - Lyon » comptent pour deux à Lyon : le français était touché depuis toujours, et personne ne l'avait mesuré.
Le correctif, écrit et mesuré
Une seule règle de séparation, partagée par tous les chemins d'extraction, augmentée de la ponctuation en pleine chasse. Une trentaine de lignes. Repassée sur les 72 réponses : 454 chaînes deviennent 424. Kurashian redevient une entreprise, Urban Company aussi.
Puis nous avons compté ce qui entrait et ce qui sortait, réponse par réponse - et c'est là que ça s'est gâté.
61 doublons résorbés.
C'était le but.
72 noms perdus
- dont Maison Deschamps, une vraie boulangerie lyonnaise, qui était extraite avant et ne l'est plus.
85 entrées nouvelles
, dont « vérifie les qualifications » et « le réflexe bouche-à-oreille ». Des conseils, pas des commerces.
Pourquoi un correctif juste casse autre chose
Le mécanisme mérite d'être compris, parce qu'il ne se voit pas dans le code. Un nom de plus de quarante caractères est rejeté : c'est une garde ancienne, écrite pour écarter les phrases. En japonais, une question de l'assistant fait typiquement quarante-cinq caractères, donc elle tombait. Découpée à sa parenthèse, elle n'en fait plus que vingt et un : elle passe.
La barre de longueur filtrait donc accidentellement le bruit dans les écritures sans espaces. En corrigeant le découpage, nous avons supprimé cette protection involontaire. Et comme une table de concurrents ne montre que huit noms, chaque bout de conseil admis en chasse un vrai.
Nous n'avons pas livré. Le correctif est écrit, mesuré, et rangé dans le dépôt avec ces chiffres. Il sortira quand la détection des conseils saura fonctionner dans les quatre écritures : c'est le vrai chantier, et il demande d'écrire ces règles langue par langue.
Ce que ça change pour vous
Comptez les lignes d'une table de concurrents avant de la croire.
Si un nom y figure deux fois sous deux formes, le classement est faux et les parts de voix sont diluées.
Un outil peut se tromper dans les deux sens à la fois.
Le nôtre gonflait le nombre de rivaux et laissait passer des conseils : corriger l'un a démasqué l'autre.
Demandez ce qui est compté, pas seulement combien.
« Huit concurrents » ne veut rien dire tant qu'on ne sait pas si les huit sont des entreprises.
Méfiez-vous d'un chiffre qui ne bouge jamais.
Le plafond de huit était atteint dans presque toutes nos mesures : c'était un plafond, pas un résultat.
Les limites
72 réponses, six marchés, deux métiers, une seule matinée de collecte : c'est un sondage. Le tri entre « entreprise » et « conseil » a été fait à la main, et une part de jugement y entre - un nom comme « Configuration professionnelle » peut être une société. Les trente doublons, eux, ne demandent aucun jugement : ce sont des chaînes qui commencent par le même nom.
Nous publions un correctif non livré parce que c'est l'information utile. Un outil de mesure qui ne raconterait que ses réussites mesurerait mal, et le dirait plus mal encore.