Qu'est-ce que la normalisation desdonnées documentaires ?
La normalisation ramène la même valeur exprimée par des mots, des formats et des mises en page différents à un seul champ cohérent : Bruttolohn, Lohn et salario deviennent une seule colonne de salaire brut.
Mille variantes, un seul champ.
Les documents expriment le même fait en variantes infinies : des dates en six formats, des montants avec des séparateurs différents, et surtout le vocabulaire, où le salaire brut peut s'écrire Bruttolohn, Lohn, salario ou gross pay selon l'émetteur et la langue. La normalisation est l'étape qui rabat toutes les variantes sur un schéma unique avec des types, des unités et des noms cohérents.
Sans elle, les données extraites sont techniquement structurées mais pratiquement inutilisables : chaque consommateur en aval réimplémenterait le mapping. Avec elle, dix mille fiches de salaire issues de mille employeurs atterrissent dans une seule table propre.
Un mapping sémantique
Les valeurs sont reconnues comme concepts : les différences de formulation et de langue se replient dans un seul champ.
La discipline des formats
Dates, montants, devises et identifiants arrivent typés et formatés de façon cohérente.
Le schéma comme contrat
La forme normalisée est définie une fois et tient pour chaque émetteur et chaque mise en page.
La normalisation dans MiruIQ.
La normalisation est intégrée à l'extraction pilotée par schéma : le schéma définit la forme cible, l'extraction par le sens fait le mapping, et les collections de correspondances en direct permettent aux relecteurs d'étendre les mappings de valeurs sans rien redéployer.
Questions sur la normalisation
Ce que les équipes data demandent sur la normalisation.
Une fiche de salaire suisse dit Bruttolohn, une allemande dit Gesamtbrutto, une italienne dit salario lordo. Les trois s'extraient dans le même champ gross_pay, comme montant typé avec devise. Les dates arrivent au format ISO quel que soit le format source, et les IBAN sont validés et formatés uniformément. Le système consommateur ne voit qu'une seule forme.
Oui, c'est même sa mission principale dans les flux documentaires européens : l'extraction par le sens est indépendante de la langue, si bien que des arrivées mêlant allemand, français, italien et anglais se normalisent dans un seul schéma. MiruIQ traite les documents dans la langue où ils arrivent ; la langue de sortie est celle de votre schéma.
Voyez le résultat sur vos propres documents.
L'essai gratuit de 14 jours couvre 200 documents : de quoi définir vos schémas, traiter de vrais fichiers et mesurer les résultats avant le moindre appel commercial.