Client caseHard Services FM · Données d'actifs

De données d'actifs fragmentées à une base fiable : nettoyage de plus de 200 000 fiches pour SPIE Building Solutions

Le registre d'actifs de SPIE était alimenté depuis des années par différents systèmes de maintenance, des sous-traitants et des saisies manuelles. Pearstop a rapproché chaque fabricant de la liste validée de SPIE, attribué un score de confiance à chaque fiche, et fourni à l'équipe une liste classée indiquant par où commencer la vérification.

9 175 → 1 493variantes de noms de fournisseurs consolidées
73,1 %correspondances confirmées par rapport à la liste validée
107 081lignes enrichies avec famille et variante
100 %des fiches notées pour la confiance et la priorité de vérification
La situation

Un seul fabricant, une dizaine d'orthographes

SPIE Building Solutions gère un large portefeuille d'actifs immobiliers sur de nombreux sites. Au fil des années, son registre s'est constitué à partir de différents systèmes de maintenance, d'imports sous-traitants et de saisies manuelles.

Résultat : un même fabricant apparaissait sous une dizaine d'orthographes, et des types d'équipement étaient absents ou mal renseignés. Les listes fonctionnaient pour un technicien sur site. Elles ne permettaient pas de planifier la maintenance ni de chiffrer le risque des offres à l'échelle du portefeuille.

Pourquoi c'est aussi notre problème

Chaque actif porte un fabricant et un type, tout comme chaque ligne de bon de commande porte un fournisseur et une description. Le moteur qui nettoie les données d'achats fonctionne sans modification sur un registre d'actifs.

Ligne de bon de commandeFournisseur + description
Fiche d'actifFabricant + type
Comment cela a fonctionné

Rapproché de la liste que SPIE utilise déjà

Dès le départ, nous avons constaté que les modèles d'IA généralistes devinaient ou inventaient des noms de fournisseurs. Chaque ligne a donc été rapprochée uniquement de la liste de fournisseurs validée par SPIE.

Systèmes de maintenance
Imports des sous-traitants
Saisie manuelle
pearstop.1 · Rapprochement avec la liste validée
2 · Contre-vérification par un modèle de langage
3 · Les conflits transmis à une personne
Fournisseur canonique
Famille de produit + variante
Confiance + priorité de vérification
1

Le rapprochement déterministe d'abord

Correspondance exacte, par préfixe, par distance d'édition et par correction de fautes de frappe avec les fournisseurs validés de SPIE, partout où une règle pouvait trancher.

2

Un second avis indépendant

Un grand modèle de langage vérifiait chaque correspondance de façon autonome. Quand les deux concordaient, la confiance augmentait.

3

Les cas difficiles tranchés par des personnes

Les correspondances contradictoires étaient transmises à l'équipe master data de SPIE, et chaque décision alimentait l'itération suivante.

Un exemple concret

Cinq orthographes d'un même fabricant de pompes, résolues

Une famille de pompes de circulation apparaissait sous cinq orthographes de fournisseur différentes, dont une simple faute de frappe. Le champ type était encore plus confus : un nom de famille brut sur une ligne, un code modèle complet sur la suivante.

Fournisseur, tel que reçuType, tel que reçuFournisseurFamilleVariante
NORDPUMPSeries 3NordpumpSeries 3Base
Nordpump B.V.S3 32-120 FNordpumpSeries 332-120 F
NordpmpSERIES3 25-60NordpumpSeries 325-60
NORDPUMP NLs3 32-120FNordpumpSeries 332-120 F
Nordpump PompenSeries-3 40-80NordpumpSeries 340-80

Noms modifiés. La structure correspond au registre réel. Une équipe fournisseurs voit désormais cette famille de pompes précise, dans ces configurations précises, au lieu de « pompes, toutes sortes confondues ».

Par où commencer

Une liste de vérification classée plutôt qu'un mur de lignes

Chaque fiche a reçu trois scores : confiance fournisseur, confiance type, et priorité de vérification. L'équipe de SPIE a commencé en haut de la liste et a progressé vers le bas.

73.1% confirmé
À vérifier
confirméEn attente de vérification, priorité la plus élevée d'abord
Le score de confiance a permis à notre équipe de savoir où concentrer son temps de vérification en priorité, plutôt que de repartir de zéro sur 200 000 lignes.
Bart van PeijBart van PeijHead of Master Data Management, SPIE Building Solutions
Ce que nous avons appris

Quand un client dispose d'une liste validée, rapprochez-vous de cette liste

Se rapprocher uniquement des fournisseurs validés par SPIE a amélioré à la fois la précision et la confiance de l'équipe dans le résultat. C'est désormais la norme sur chaque mission Pearstop disposant d'une base fournisseurs définie.

Ce que cela change

De l'entretien des actifs au conseil sur ces actifs

Avec un registre structuré, SPIE peut examiner une famille d'équipements entière et repérer des pannes récurrentes sur l'ensemble d'un portefeuille client. Un technicien peut désormais dire :

“Cette famille de pompes tombe en panne à ce taux sur l'ensemble de vos sites. Voici ce que nous recommandons.”

Martijn van Balkom
“Le rapprochement des fabricants réalisé par Pearstop nous a donné le bon point de départ pour recharger les données dans l'ERP. Ce projet nous a beaucoup appris sur le nettoyage de données avec l'IA.”
Martijn van Balkom · Project Manager, SPIE Building Solutions

Le même problème dans votre registre d'actifs ?

Envoyez-nous un échantillon de vos données d'actifs ou d'équipements. Nous le rapprochons de votre propre liste de référence et vous le renvoyons noté, pour que vous voyiez un premier passage sur vos propres données.

Envoyez-nous un échantillon

Envoyez un échantillon représentatif de vos lignes de facture — jusqu'à 200 lignes, ou quelques factures (10 maximum) — et nous les classifierons pour vous montrer exactement comment cela fonctionne. Sans coût ni engagement.

This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

pearstop.© 2026 Pearstop · Privacy · Terms

Derniers articles

Procurement

UNSPSC contre eCl@ss : quand votre ERP et votre reporting ne sont pas d'accord

UNSPSC et eCl@ss répondent à des questions différentes. Voici comment choisir quand votre ERP a été …

Lire la suite
AI & Digital

Pourquoi un projet d'IA de nettoyage de données a besoin d'un chef de projet

La plupart des projets d'IA de nettoyage de données échouent à cause d'un manque de gouvernance, pas…

Lire la suite
Data Quality

Quand les champs fabricant et type s'inversent dans vos données de dépenses

Une inversion silencieuse entre les champs fabricant et type corrompt la classification sans le moin…

Lire la suite