Concentration des sources : quel décile du corpus produit la majorité des signaux

Un corpus de veille n'est pas un ensemble homogène de sources qui contribueraient à parts égales. Une minorité produit la majorité des signaux effectivement retenus, tandis qu'une longue traîne ne fournit, source par source, qu'une contribution marginale. Cette inégalité est connue des praticiens ; elle est rarement mesurée, et presque jamais traitée comme ce qu'elle est : un facteur de risque.

Ce jeu de données mesure cette concentration sur le corpus de l'Observatoire. Il complète notre cartographie des sources de veille par secteur, qui comptait les sources disponibles, en documentant ce que ce comptage masque : le fait que le nombre de sources suivies renseigne mal sur la robustesse réelle du dispositif. Une veille qui suit deux mille sources dont vingt fournissent la moitié de sa matière n'est pas une veille à deux mille sources.

L'indicateur publié est la part cumulée des signaux retenus par décile de sources. Les sources sont classées par contribution décroissante, puis regroupées en dix tranches d'effectif égal : le premier décile rassemble les 10 % de sources les plus contributrices. Les valeurs sont des indices relatifs, ce qui permet de comparer des périmètres de tailles différentes.

La courbe de concentration : ce que mesure le premier décile

Le signal retenu désigne ici un contenu qualifié comme pertinent au terme du tri, et non un contenu collecté. La distinction est essentielle : la concentration observée sur les signaux retenus est plus forte que celle observée sur le volume brut, car le tri élimine davantage de bruit dans la traîne que dans la tête de distribution. Mesurer la concentration sur le volume brut la sous-estime donc systématiquement. Le tableau ci-dessous se lit de haut en bas : la deuxième ligne indique la part atteinte par les deux premiers déciles réunis, et ainsi de suite.

Trois lectures s'imposent. Le premier décile franchit à lui seul la barre de la moitié. La médiane des sources, celle qui sépare le corpus en deux moitiés d'effectif, se situe dans une zone où la contribution marginale est déjà retombée à quelques points. Enfin, les deux derniers déciles réunis n'apportent, en cumul, qu'une fraction de point supplémentaire.

Cette dernière observation ne signifie pas que la traîne est inutile. Elle signifie que sa valeur ne se lit pas en volume. Une source qui fournit trois signaux par an peut fournir les trois signaux qu'aucune autre n'aurait donnés. Le volume et l'unicité sont deux propriétés distinctes d'une source, et la courbe de concentration ne mesure que la première.

Pourquoi cette concentration est structurelle et non accidentelle

La tentation est grande d'interpréter une telle courbe comme le symptôme d'un corpus mal constitué, qu'un effort de collecte suffirait à aplatir. Nos mesures conduisent à l'inverse : la concentration résiste à l'élargissement du périmètre. Ajouter des sources allonge la traîne sans déplacer la tête. Le premier décile change de composition, il ne change pas de poids.

Trois mécanismes produisent cet effet, et aucun ne relève de la qualité de la collecte. Le premier est la fréquence de publication : les sources contributrices sont d'abord celles qui publient beaucoup, et l'écart de fréquence entre une agence à flux continu et une publication spécialisée mensuelle se compte en ordres de grandeur. Le deuxième est la reprise en cascade : une source primaire dont l'information est massivement reprise concentre l'antériorité, donc l'attribution du signal, tandis que ses reprises sont dédupliquées.

Le troisième mécanisme est le plus décisif. La sélection s'applique après la collecte, et elle favorise les sources dont la production est la plus régulièrement qualifiée. Une source dont le taux de pertinence est élevé voit une proportion supérieure de sa production franchir le tri, ce qui amplifie mécaniquement sa contribution au corpus retenu par rapport à sa contribution au corpus collecté. La concentration observée est donc en partie produite par le tri lui-même, ce qui la rend d'autant plus stable.

Un quatrième facteur agit plus lentement : l'économie de la production d'information favorise les acteurs capables d'entretenir des rédactions denses et des flux normalisés. La concentration du corpus reflète alors celle du secteur qui l'alimente.

Ajouter des sources allonge la traîne sans déplacer la tête. Le premier décile change de composition, il ne change pas de poids.

La dépendance : ce que coûte la perte d'une source majeure

Une distribution aussi déséquilibrée crée une exposition qu'il faut nommer. Si la moitié des signaux provient d'un dixième des sources, alors la disparition d'une seule source de tête ampute une part du flux que l'on peut calculer à l'avance. Ce n'est pas un risque hypothétique : trois événements ordinaires le déclenchent, et aucun ne dépend de l'organisation qui veille.

Le premier est la fermeture, ou l'arrêt d'un flux de syndication. Le deuxième est le passage derrière un paywall. Le troisième, le plus insidieux, est le changement de politique éditoriale ou technique : une source qui restreint son flux, réduit sa granularité ou cesse de publier certaines rubriques. La perte est alors partielle et progressive, donc rarement détectée au moment où elle se produit.

L'effet ne se limite pas au volume perdu. Une source de tête est fréquemment primaire, donc porteuse d'antériorité. La perdre ne retire pas seulement des signaux : elle retarde ceux qui subsistent, puisque l'information continuera d'arriver par ses reprises. La dégradation se lit alors sur le délai de détection avant de se lire sur le volume, ce qui la rend difficile à imputer à sa cause.

La conséquence pratique est qu'un dispositif de veille doit connaître sa propre courbe de concentration. Un indicateur suffit à ouvrir le sujet : la part des signaux retenus imputable aux cinq premières sources. Au-delà d'un seuil que chaque organisation fixe selon son exposition, cette part signale une dépendance qui appelle une décision, et non un simple constat.

La diversification raisonnée, une stratégie de couverture et non de volume

La réponse évidente, multiplier les sources, est la moins efficace. Elle allonge la traîne, augmente le coût de traitement et laisse la dépendance intacte, puisque les sources ajoutées se rangent presque toutes dans les derniers déciles. Diversifier utilement suppose de viser la substituabilité : non pas combien de sources je suis, mais par quoi chacune de mes sources de tête est remplaçable.

Trois axes de diversification déplacent réellement le risque. La substituabilité d'abord : identifier, pour chaque source du premier décile, au moins une source capable de couvrir le même terrain, même avec un léger retard. La diversité de nature ensuite : adjoindre aux sources médiatiques des sources dont le mécanisme de publication est indépendant du choix éditorial, comme les registres et dépôts que nous mesurons par ailleurs, qui ne disparaissent pas dans les mêmes circonstances. La diversité linguistique enfin, qui ouvre des chemins alternatifs vers un même fait.

Le mot raisonné n'est pas décoratif. Diversifier a un coût, en collecte comme en tri, et ce coût ne se justifie que là où la dépendance est réelle. Une source de tête aisément substituable ne demande aucun effort particulier ; une source unique en son genre en demande beaucoup. L'arbitrage se fait source par source, non par une règle uniforme.

Cette stratégie a une dimension d'infrastructure. Maintenir une redondance utile suppose de collecter en continu bien au-delà du strict nécessaire, dans plusieurs langues et plusieurs natures de sources, puis de dédupliquer pour que cette redondance ne se paie pas en bruit. NewsCore (www.newscore.fr) couvre en continu des millions de sources dans un large éventail de langues, déduplique les reprises et rattache chaque signal à son document d'origine : la redondance de couverture est assurée en amont, et l'organisation garde la main sur ce qu'elle décide de suivre.

Méthode, périmètre et reproductibilité

Périmètre : corpus qualifié de l'Observatoire, sources francophones et internationales confondues, sur une fenêtre glissante de douze mois. L'unité de compte est le signal retenu après tri, attribué à une source unique. En cas de reprise, l'attribution revient à la première source ayant publié le fait, comme dans nos mesures d'antériorité.

Les déciles sont construits sur l'effectif des sources actives, une source étant réputée active dès lors qu'elle a produit au moins un contenu collecté sur la fenêtre. Inclure les sources très peu productives gonfle l'effectif des derniers déciles et accentue mécaniquement la concentration apparente. Un seuil d'activité plus exigeant aplatirait la courbe sans en modifier la forme générale ; le seuil retenu figure dans la documentation.

Limites assumées. La règle d'attribution en cas de reprise favorise les sources primaires et concentre donc la tête de distribution ; c'est un choix méthodologique défendable, pas une propriété du réel. La composition du premier décile varie selon les secteurs, et la courbe publiée lisse ces écarts. Les indices, la table de contribution par décile et le code de calcul sont publiés sous licence CC BY 4.0, avec attribution à l'Observatoire de l'Intelligence Économique.

Questions fréquentes

Faut-il réduire sa dépendance aux sources majeures ? Il faut la connaître et la borner, pas la supprimer. Les sources de tête concentrent l'antériorité et la fiabilité ; s'en priver dégraderait la détection. L'objectif est de disposer, pour chacune, d'un chemin alternatif vers la même information.

Suivre plus de sources aplatit-il la concentration ? Non, ou très peu. Les sources ajoutées se placent presque toujours dans les derniers déciles et n'entament pas le poids du premier. Élargir le périmètre améliore la couverture des angles morts, ce qui est un objectif légitime, mais ne réduit pas la dépendance.

Comment savoir si une source de tête est remplaçable ? En vérifiant, sur une période passée, quelle proportion des signaux qu'elle a fournis apparaît également ailleurs dans le corpus, et avec quel décalage. Une source dont 80 % des signaux se retrouvent ailleurs sous 48 heures pose un risque limité ; une source dont l'apport est largement exclusif en pose un élevé.

Les données sont-elles réutilisables ? Oui, sous licence CC BY 4.0, avec attribution à l'Observatoire de l'Intelligence Économique. Les indices étant relatifs, ils se comparent directement à une courbe calculée sur un autre corpus, à condition d'appliquer la même convention d'attribution et le même seuil d'activité.