Automatiser le traitement des données en entreprise avec Power Query
Exports mensuels à consolider, fichiers clients à rapprocher, tableaux de suivi à remettre à jour chaque lundi : dans beaucoup d’équipes, la préparation des données absorbe une part importante du temps consacré à l’analyse. Pour automatiser le traitement des données et gagner du temps en entreprise, Microsoft a intégré à Excel et à Power BI un outil dédié, Power Query. Il permet de se connecter à des sources variées, de nettoyer et transformer leur contenu, puis de rejouer ces opérations à chaque actualisation, sans repartir de zéro.
Accessible depuis l’onglet Données d’Excel comme depuis Power BI Desktop, cet outil s’apprend progressivement, en autonomie à partir de cas simples ou de façon plus structurée, par exemple avec une formation Power Query en visio. Avant de détailler son fonctionnement, il est utile de revenir sur ce que coûtent réellement les manipulations manuelles.
Pourquoi automatiser le traitement des données en entreprise
Une manipulation isolée paraît toujours rapide. Supprimer quelques colonnes, trier un export, recopier une formule ou corriger trois dates mal formatées prend quelques minutes. La difficulté apparaît avec la répétition : la même suite d’opérations, reproduite chaque semaine par une ou plusieurs personnes, finit par représenter des heures de travail sur une année, consacrées à des tâches qui produisent peu de valeur en elles-mêmes.
Le second enjeu concerne la fiabilité. Un traitement manuel dépend de la mémoire et de la rigueur de celui qui l’exécute. D’un mois à l’autre, un filtre peut être appliqué différemment, une ligne d’en-tête oubliée, une formule étendue sur une plage incomplète. Lorsque plusieurs collaborateurs se partagent la tâche, chacun développe ses habitudes, et les résultats finissent par diverger sans que l’origine de l’écart soit facile à retrouver. Le travail reste par ailleurs peu traçable : une fois le fichier final produit, il devient difficile de retracer précisément les corrections apportées aux données brutes.
Automatiser revient donc à transformer un savoir-faire implicite en une procédure explicite. Les règles de préparation sont décrites une fois, enregistrées, puis appliquées de manière identique à chaque nouvelle livraison de données. Le gain de temps est réel, mais la cohérence obtenue compte au moins autant : deux analyses produites à six mois d’intervalle reposent sur exactement la même méthode.
Power Query : importer des données issues de sources multiples
Power Query se présente comme un moteur de préparation des données doté d’une interface graphique. Microsoft le décrit dans sa documentation officielle consacrée à Power Query comme un outil permettant d’obtenir des données depuis de nombreuses sources et de leur appliquer des transformations enregistrées sous forme de requêtes. On le retrouve dans Excel, dans Power BI et dans plusieurs services de la plateforme Microsoft.
Des connecteurs pour centraliser fichiers, bases et services en ligne
Le point de départ d’une requête est un connecteur. Power Query sait lire un classeur Excel, un fichier CSV ou texte, un dossier entier de fichiers, une base de données relationnelle, une liste SharePoint, une page web ou encore des formats semi-structurés comme le JSON et le XML. L’utilisateur choisit la source, l’outil affiche un aperçu du contenu, puis il sélectionne la feuille, la table ou la vue qui l’intéresse.
Le connecteur Dossier illustre bien l’intérêt de cette logique. Une équipe qui reçoit chaque mois un export au même format peut déposer les fichiers dans un répertoire commun : la requête les lit tous, les empile et intègre automatiquement le dernier arrivé lors de l’actualisation suivante. Plusieurs sources de nature différente peuvent aussi coexister dans un même classeur, par exemple un export de ventes en CSV, un référentiel clients issu d’une base de données et une table de correspondance tenue à la main par le service commercial.
Le typage des colonnes, une étape à soigner dès l’import
Chaque colonne importée reçoit un type : texte, nombre décimal ou entier, date, date et heure, durée, booléen, devise. Ce typage conditionne tout le reste du traitement. Une date reconnue comme texte se trie par ordre alphabétique, un montant importé avec un séparateur décimal inattendu devient impossible à additionner, un code postal converti en nombre perd son zéro initial. Power Query propose une détection automatique des types, qu’il reste prudent de vérifier colonne par colonne, en tenant compte des paramètres régionaux de la source, notamment pour les dates et les décimales.
Les paramètres apportent une souplesse supplémentaire. Le chemin d’un dossier, le nom d’un serveur ou une période d’analyse peuvent être isolés dans une valeur indépendante, que l’on modifie à un seul endroit lorsque l’environnement change, sans toucher aux étapes de la requête.
Nettoyer et transformer les données avec Power Query
Une fois la source connectée, l’éditeur Power Query offre un large éventail de transformations accessibles par menus. Il est possible de supprimer les colonnes inutiles, de filtrer les lignes hors périmètre, de retirer les doublons, de remplacer des valeurs, de supprimer les espaces superflus en début ou en fin de texte, de nettoyer les caractères non imprimables ou d’harmoniser la casse. Ces opérations simples règlent une grande partie des problèmes rencontrés dans les exports issus de logiciels métiers.
Gérer les valeurs manquantes et restructurer les colonnes
Les valeurs manquantes méritent une attention particulière. Power Query distingue la valeur nulle, qui signale l’absence d’information, d’une cellule contenant un texte vide ou un zéro. Cette nuance pèse sur les calculs : une moyenne, un comptage ou un regroupement donnent des résultats différents selon la façon dont les absences sont traitées. Le bon choix dépend de la règle de gestion de l’entreprise, qui peut consister à conserver la valeur nulle, à la remplacer par une valeur par défaut ou à écarter la ligne concernée.
La structure des tableaux se travaille tout aussi facilement. Une colonne qui regroupe un code et un libellé peut être fractionnée à partir d’un délimiteur ou d’un nombre de caractères. À l’inverse, plusieurs champs peuvent être fusionnés en un seul. Le dépivotement transforme un tableau où chaque mois occupe une colonne en une table plus longue, avec une colonne Mois et une colonne Valeur, format bien mieux adapté aux tableaux croisés dynamiques et aux visuels Power BI. Le pivotement réalise l’opération inverse.
Des étapes enregistrées et un langage dédié, le M
Chaque action effectuée dans l’éditeur s’ajoute au volet des étapes appliquées, qui fonctionne comme un historique lisible de la préparation. Il est possible de revenir sur une étape, de la modifier, de la déplacer ou de la supprimer, et de constater immédiatement l’effet sur l’aperçu. Les données sources, elles, restent intactes : Power Query travaille sur une copie et rejoue la séquence à chaque actualisation.
En arrière-plan, ces étapes sont traduites en langage M, un langage de formules propre à Power Query que l’on peut consulter et modifier dans l’éditeur avancé. L’interface suffit pour démarrer et couvre la plupart des besoins courants. Quelques notions de M deviennent précieuses dès que l’on veut créer une colonne personnalisée avec une règle précise, construire une fonction réutilisable ou diagnostiquer une erreur qui apparaît après une modification de la source.
Combiner plusieurs tables pour obtenir une vue consolidée
La combinaison de sources est souvent la tâche la plus chronophage lorsqu’elle se fait à la main, à coups de copier-coller et de fonctions de recherche. Power Query propose deux mécanismes distincts, qu’il convient de bien différencier.
Ajouter des requêtes pour empiler des tables de même structure
L’ajout de requêtes place les lignes de plusieurs tables les unes sous les autres. C’est l’opération adaptée pour regrouper les ventes de plusieurs agences, les exports de douze mois ou les fichiers de différentes filiales, à condition que leurs colonnes portent les mêmes noms et les mêmes types. Une colonne nommée différemment d’un fichier à l’autre crée un champ supplémentaire rempli de valeurs nulles : harmoniser les en-têtes en amont évite ce type de surprise.
Fusionner des requêtes pour enrichir une table
La fusion de requêtes rapproche deux tables à partir d’une ou plusieurs colonnes communes, sur le principe d’une jointure en base de données. Une table de commandes peut ainsi récupérer le secteur, la région ou le commercial attitré de chaque client grâce à son identifiant. Power Query propose plusieurs types de jointure : la jointure externe gauche conserve toutes les lignes de la première table, la jointure interne garde uniquement les correspondances présentes des deux côtés, et les anti-jointures isolent les lignes sans correspondance, ce qui s’avère très utile pour repérer des clients absents du référentiel.
La qualité d’une fusion repose sur celle des clés. Les deux colonnes doivent partager le même type et le même format, débarrassé de tout espace invisible. Il faut aussi vérifier l’unicité de la clé dans la table de référence : un identifiant présent deux fois multiplie les lignes après la jointure et gonfle artificiellement les totaux. Comparer le nombre de lignes avant et après l’opération constitue un contrôle simple et efficace.
Actualiser les résultats et sécuriser les traitements
Une fois la requête construite, la mise à jour se résume à un clic sur Actualiser, ou à une actualisation planifiée dans Power BI. Power Query relit les sources, rejoue toutes les étapes et recharge le résultat dans une feuille Excel, dans le modèle de données ou dans un rapport. Le traitement qui demandait une demi-journée chaque mois s’exécute en quelques secondes.
Cette automatisation suppose une certaine stabilité des sources. Un en-tête renommé, une colonne supprimée, un fichier déplacé ou un droit d’accès modifié peuvent interrompre la requête. Quelques réflexes limitent ces incidents : référencer les colonnes de façon robuste, surveiller les lignes en erreur, garder un œil sur le volume de lignes chargées et tester les rapprochements après chaque évolution importante d’une source. Sur les bases de données volumineuses, filtrer et sélectionner les colonnes dès les premières étapes améliore les performances, car une partie du travail peut alors être confiée directement au serveur.
Se former à Power Query pour gagner en autonomie sur l’analyse
Beaucoup d’utilisateurs découvrent Power Query par hasard, en important un fichier, et s’en tiennent à quelques fonctions de base. Une montée en compétences plus structurée permet d’en tirer un bénéfice bien supérieur : savoir choisir le bon connecteur, typer correctement les colonnes, organiser les étapes dans un ordre logique, distinguer ajout et fusion, lire une erreur et la corriger, puis documenter la requête pour qu’un collègue puisse la reprendre.
Pour l’entreprise, l’intérêt est double. Les analyses gagnent en fiabilité, puisque les règles de préparation sont partagées et appliquées de façon constante. Les équipes métiers deviennent aussi plus autonomes : elles adaptent elles-mêmes une requête lorsque le périmètre change et formulent des demandes plus précises aux équipes informatiques lorsque le besoin dépasse leur périmètre. Les profils qui maîtrisent la préparation des données sont par ailleurs recherchés dans la finance, le contrôle de gestion, le marketing ou les achats, où Excel et Power BI restent des outils du quotidien.
La progression la plus efficace consiste à travailler sur des cas réels : un reporting mensuel, une consolidation de fichiers, un rapprochement entre deux référentiels. Ces situations concrètes font apparaître les vrais problèmes de format, de qualité et de structure, et permettent de mesurer rapidement le temps économisé.
Power Query transforme une succession de manipulations répétitives en un processus documenté, réutilisable et contrôlable. Importer, nettoyer, transformer puis combiner les données dans un même outil permet de consacrer davantage de temps à l’interprétation des résultats. Pour démarrer, le plus simple reste de choisir un traitement récurrent et bien délimité, d’en formaliser les règles, puis de construire une première requête testée avant d’étendre la démarche à d’autres usages.
