1. Un catalogue de fichiers, pas une base de référence
Un portail de données ouvertes expose des jeux de données déjà produits par une administration dans le cadre de ses missions. Le fichier publié est donc un sous-produit d’une procédure administrative : un registre de permis, un inventaire d’équipements, un relevé de comptages. La granularité, les catégories et les intitulés de colonnes servent d’abord à l’organisme, pas à la rédaction qui l’utilise. Avant toute analyse, il faut donc reconstituer la finalité d’origine du fichier.
Cette lecture préalable évite l’erreur la plus fréquente : prendre le nombre de lignes pour un nombre d’événements réels. Un jeu de données de signalements mesure des signalements enregistrés, pas des faits survenus. Un fichier d’infractions constatées dépend de l’intensité des contrôles. La distinction entre le phénomène et sa trace administrative doit apparaître explicitement dans le texte publié.
2. Le paysage belge et européen
En Belgique, quatre familles de sources se complètent. data.gov.be agrège les catalogues fédéraux et régionaux et sert de point d’entrée. Statbel publie les statistiques officielles avec leurs notes méthodologiques. Les portails régionaux et locaux diffusent des données de terrain, souvent plus fines. Enfin, le Moniteur belge et la Banque-Carrefour des Entreprises donnent accès à des registres juridiques qui n’obéissent pas à la logique des portails.
À l’échelle européenne, Eurostat harmonise des séries nationales selon des définitions communes. L’harmonisation a un coût : elle retarde la publication et lisse parfois des spécificités nationales. Comparer un chiffre Statbel et un chiffre Eurostat portant sur le même objet demande donc de vérifier la définition, la période de référence et le traitement des non-réponses avant de conclure à une contradiction.
3. Lire une fiche de métadonnées
La fiche de métadonnées est la partie la plus utile d’un portail et la moins consultée. Elle indique l’organisme responsable, la date de dernière mise à jour, la couverture géographique, la période couverte, la fréquence de publication et parfois un dictionnaire des variables. Ces six éléments déterminent ce que le fichier autorise comme affirmation. Sans dictionnaire des variables, toute interprétation de colonne devient une hypothèse à signaler comme telle.
Un point mérite une attention particulière : la différence entre la date de mise à jour du fichier et la période de référence des données. Un fichier révisé hier peut décrire une situation arrêtée deux ans plus tôt. Dans une publication, la date de référence des données doit apparaître à côté du chiffre, et la date de consultation dans la note de source.
4. Licences et conditions de réutilisation
L’ouverture technique ne vaut pas autorisation générale. Chaque jeu de données porte une licence qui définit ce qui peut être reproduit, modifié, redistribué et sous quelle attribution. Certaines licences imposent la mention de la source et de la date d’extraction, d’autres interdisent de suggérer un aval de l’organisme. La directive européenne sur les données ouvertes et sa transposition belge encadrent la réutilisation des informations du secteur public, mais ne créent pas de droit sur les données à caractère personnel.
En pratique, la rédaction conserve pour chaque fichier la référence exacte de la licence et la formulation d’attribution demandée. Une capture de la page de licence à la date d’extraction évite les discussions ultérieures, car les conditions changent sans préavis. Lorsque la licence est absente ou ambiguë, la question doit être posée par écrit à l’organisme avant publication.
5. Formats, interfaces et pièges d’extraction
Les portails proposent généralement plusieurs formats pour un même jeu de données. Un CSV bien délimité reste le plus transparent, un tableur contient souvent des mises en forme et des lignes de totaux à écarter, un JSON issu d’une interface de programmation impose de comprendre la pagination. Les couches cartographiques et les points d’accès en données liées demandent encore d’autres précautions, notamment sur le système de coordonnées utilisé.
Deux pièges reviennent souvent. Le premier est la troncature silencieuse : une interface renvoie mille lignes par défaut et le total réel est bien supérieur. Le second est la conversion automatique d’identifiants en nombres, qui détruit les zéros initiaux d’un code postal ou d’un numéro d’entreprise. La vérification du nombre de lignes annoncé et de quelques identifiants connus est donc systématique après chaque extraction.
6. Millésimes, révisions et ruptures de série
Les données publiques vivent. Une série est révisée lorsque des déclarations tardives arrivent, une nomenclature est refondue, une commune fusionne ou une méthode d’estimation change. Chaque événement de ce type crée une rupture qui invalide les comparaisons naïves avant et après. Les notes méthodologiques signalent ces ruptures, parfois dans un document distinct du fichier.
La conduite prudente consiste à archiver le fichier téléchargé avec sa date, à conserver l’empreinte de son contenu et à documenter le millésime utilisé. Lorsqu’une révision modifie un chiffre déjà publié, la page concernée est corrigée et la correction signée : le lecteur doit pouvoir comprendre pourquoi le nombre a changé sans soupçonner une erreur éditoriale dissimulée.
7. Ce qu’un portail ne publiera pas
Le secret statistique et la protection des données limitent volontairement la finesse des fichiers diffusés. Les tableaux sont agrégés, les petits effectifs masqués, certaines variables arrondies ou regroupées. Ces protections sont légitimes : elles empêchent la réidentification de personnes dans des mailles fines. Elles impliquent aussi que certaines questions n’ont pas de réponse dans l’open data.
Quand la donnée n’existe pas en accès libre, deux voies restent ouvertes. La première est la demande d’accès aux documents administratifs, qui porte sur des documents et non sur des extractions sur mesure. La seconde est la reconstitution documentaire : rapports annuels, délibérations, publications au Moniteur belge, réponses parlementaires. Aucune des deux ne justifie de contourner une protection technique.
| Famille | Contenu typique | Fraîcheur | Limite principale |
|---|---|---|---|
| Portail agrégateur | Catalogue de jeux hétérogènes | Variable selon le producteur | Qualité inégale des métadonnées |
| Office statistique | Séries harmonisées et notes de méthode | Calendrier annoncé à l’avance | Mailles larges, révisions fréquentes |
| Registre juridique | Entités, mandats, publications obligatoires | Mise à jour continue | Champs limités au déclaratif |
| Journal officiel | Actes, statuts, nominations, avis | Quotidienne | Recherche par texte, structuration faible |
| Portail local | Équipements, autorisations, comptages | Irrégulière | Couverture partielle du territoire |
8. Constituer un dossier de sources traçable
Un dossier de sources solide contient, pour chaque fichier, l’adresse de la page de téléchargement, le nom exact du jeu de données, la version ou le millésime, la date et l’heure d’extraction, la licence, une copie intégrale du fichier brut et une note décrivant ce que l’on croit comprendre de chaque colonne. Le fichier brut n’est jamais modifié : toute transformation produit une copie de travail distincte.
Cette discipline sert deux objectifs. Elle permet de rejouer l’analyse plusieurs mois plus tard, lorsque le portail a changé de structure ou retiré le fichier. Elle rend aussi la contradiction possible : une administration qui contesterait un chiffre peut être renvoyée au millésime exact utilisé. Sans cette traçabilité, une publication reste vulnérable à la première objection sérieuse.
Avant d’exploiter un jeu de données
- Identifier l’organisme producteur et la finalité administrative d’origine du fichier.
- Noter la période de référence, la date de mise à jour et la date d’extraction.
- Lire la licence et enregistrer la formulation d’attribution exigée.
- Vérifier le nombre de lignes attendu et repérer une éventuelle troncature d’interface.
- Contrôler que les identifiants conservent leurs zéros initiaux après ouverture.
- Conserver une copie inaltérée du fichier brut avant toute transformation.
- Signaler dans le texte les colonnes dont la définition reste incertaine.
Questions fréquentes
Un jeu de données ouvert est-il forcément fiable ?
Non. L’ouverture porte sur l’accès, pas sur la qualité. Un fichier peut être incomplet, mal documenté ou refléter une pratique administrative particulière. La fiabilité s’évalue à partir des métadonnées, des notes de méthode et de contrôles internes de cohérence.
Peut-on republier un fichier public tel quel ?
Cela dépend de la licence attachée au jeu de données et de la présence éventuelle de données à caractère personnel. La licence doit être lue avant rediffusion et l’attribution respectée. Cette page ne fournit pas d’analyse juridique de votre cas.
Que faire si les chiffres de deux sources diffèrent ?
Comparer d’abord les définitions, les périodes de référence et les périmètres géographiques. La plupart des écarts apparents proviennent d’une différence de définition ou d’une révision, pas d’une erreur. L’écart non résolu se publie comme tel.