Filière énergie : le dataset des sources ouvertes réellement exploitables en veille

L'énergie est l'un des rares secteurs où la matière ouverte abonde au point de poser un problème inverse de celui des autres filières : non pas trouver des sources, mais trier celles qui tiennent dans un dispositif industrialisé. Un responsable de veille énergie qui ouvre un catalogue de portails publics en dénombre facilement plusieurs dizaines. Au bout de six mois, la moitié n'a jamais été relue, parce que la publication est trop rare, le format trop rétif à la collecte, ou l'information déjà reprise ailleurs plus vite. Ce dataset trie ce corpus selon des critères explicites.

Nous avons recensé les sources ouvertes de la filière énergie française et européenne accessibles sans contrat commercial, en retenant celles dont le producteur est identifiable, la périodicité constatable sur au moins deux exercices, et le format documenté. Chaque entrée du dataset porte quatre attributs : le producteur, la nature de ce qui est publié, le rythme réel de publication, et l'exploitabilité machine du format. Ce dernier attribut est celui qui décide en pratique, car une donnée excellente publiée en tableau d'image dans un rapport annuel coûte plus cher à intégrer qu'elle ne rapporte.

Ce que le dataset retient comme source ouverte de la filière énergie

Nous appelons source ouverte de la filière une publication récurrente émise par un acteur du secteur ou par une autorité qui le régule, accessible sans authentification payante, et dont le contenu porte sur la production, le transport, la distribution, la consommation, les prix, la sûreté ou l'encadrement réglementaire de l'énergie. Cette définition écarte trois catégories que les catalogues mélangent volontiers : les bases commerciales de prix de gros, les newsletters de cabinets qui commentent sans publier de donnée primaire, et les comptes sociaux d'entreprises, utiles en veille d'image mais dépourvus de série temporelle.

Elle retient en revanche une catégorie souvent oubliée : les documents de procédure. Les délibérations du régulateur, les avis de l'autorité environnementale, les lettres de suite d'inspection de l'autorité de sûreté nucléaire, les dossiers d'enquête publique et les arrêtés préfectoraux d'autorisation d'exploiter constituent la matière la plus qualifiée du secteur. Ils portent une date, un émetteur identifié, un objet précis et un raisonnement. Ils arrivent aussi plus tôt que la presse spécialisée sur les sujets d'infrastructure, puisque la presse les prend précisément pour source.

Les familles de sources, leur périodicité et leur exploitabilité machine

La colonne exploitabilité machine est celle que nous conseillons de lire en premier lors du cadrage d'un dispositif. Une famille en exploitabilité élevée s'intègre en collecte automatisée et se surveille par différentiel : on compare l'état d'aujourd'hui à celui d'hier et on ne remonte que l'écart. Une famille en exploitabilité faible se surveille par déclenchement : on suit l'apparition d'un document, pas son contenu, et un humain lit. Confondre les deux régimes est la cause la plus fréquente d'abandon d'un dispositif énergie au bout d'un trimestre, parce que l'équipe se retrouve à lire manuellement ce qu'elle croyait automatisé.

Le calendrier de la filière, avantage décisif sur les autres secteurs

L'énergie possède une propriété que peu de filières partagent : son calendrier de publication est largement prévisible. Les gestionnaires de réseau publient un bilan annuel en début d'année civile et un exercice prévisionnel à moyen terme selon une cadence pluriannuelle connue. La statistique publique publie ses chiffres clés à date à peu près constante d'une année sur l'autre. Le régulateur alimente un observatoire des marchés de détail à rythme trimestriel. Les mouvements tarifaires suivent des échéances réglementaires annoncées à l'avance.

Cette prévisibilité change la façon de dimensionner un dispositif. Dans un secteur où l'information tombe sans prévenir, on surdimensionne la capacité de traitement pour absorber les pics. Dans la filière énergie, on planifie : les semaines de publication des bilans concentrent la charge d'analyse, les semaines intermédiaires servent à la veille de flux et aux dossiers de fond. Une équipe qui inscrit ce calendrier dans son plan de charge au lieu de le subir gagne l'équivalent de plusieurs jours d'analyse par trimestre, sans ajouter une source.

Le complément indispensable de ce calendrier est la couverture continue de tout ce qui ne s'y inscrit pas : incident sur une installation, décision de justice, annonce d'un industriel, mouvement de prix sur un marché voisin, signal réglementaire européen. NewsCore (www.newscore.fr) couvre en continu des millions de sources dans plusieurs langues et fait remonter en temps réel les signaux pertinents pour un périmètre donné, ce qui laisse au calendrier de la filière son rôle de plan de charge et à la collecte continue son rôle d'alerte.

Les sources d'autorité, seule qualification disponible en accès ouvert

Une des difficultés propres à la veille énergie tient à la densité du discours d'acteurs. Producteurs, fournisseurs, associations professionnelles, organisations non gouvernementales, collectivités et industriels consommateurs publient tous, abondamment, sur les mêmes sujets, avec des chiffrages qui ne se recoupent pas parce que les périmètres diffèrent. Un chiffre de capacité installée ne signifie rien tant que l'on ne sait pas s'il inclut l'autoconsommation, les installations en attente de raccordement ou les capacités hors métropole.

Les sources d'autorité, régulateur, statistique publique, autorité de sûreté, autorité environnementale, apportent ce que le reste du corpus ne fournit pas : une définition écrite du périmètre mesuré. C'est la raison pour laquelle nous les plaçons en tête du dataset malgré leur exploitabilité machine parfois médiocre. En pratique, un dispositif énergie solide utilise les flux temps réel pour détecter, la presse spécialisée pour contextualiser, et les sources d'autorité pour trancher un désaccord de chiffrage. Inverser cet ordre produit des notes de veille qui additionnent des grandeurs incomparables.

Dans la filière énergie, la question utile n'est jamais de savoir quel chiffre est vrai, mais quel périmètre chaque chiffre mesure et qui l'a écrit.

Limites du dataset et conditions de reproductibilité

Ce recensement porte trois limites qu'il faut énoncer. Il décrit d'abord un état à une date : les portails publics changent d'adresse, de format et parfois de producteur au gré des réorganisations administratives, et une entrée du dataset doit être revérifiée au moins une fois par an. Il est ensuite centré sur le périmètre français et européen : un acteur exposé à des chaînes d'approvisionnement extra-européennes doit ajouter des familles que nous n'avons pas couvertes, notamment les registres douaniers et les autorités de régulation nationales hors Union.

La troisième limite est plus subtile. L'attribut de périodicité décrit un rythme constaté, pas un engagement du producteur. Une publication trimestrielle peut sauter un trimestre sans annonce, et le dispositif de veille doit distinguer l'absence de publication de l'absence de collecte. Nous recommandons de coder cet écart explicitement, en conservant pour chaque source la date de dernière parution attendue et la date de dernière parution constatée. La reproductibilité du dataset tient à peu de chose : l'adresse de la source, la date de vérification, le format observé et le nombre d'exercices historiques disponibles. Ces quatre champs suffisent à ce qu'un tiers refasse le recensement et compare ses résultats aux nôtres.

Questions fréquentes

Par quelles sources ouvertes commencer une veille énergie ?

Par les gestionnaires de réseau et la plateforme européenne de transparence, pour deux raisons : leur exploitabilité machine est la meilleure de la filière et leur profondeur d'historique permet de dater un phénomène au lieu de le constater. Ajoutez ensuite le régulateur, qui donne la lecture réglementaire, puis la statistique publique pour les séries longues. Les documents d'inspection et d'autorisation viennent en troisième temps, car ils demandent une lecture humaine et n'ont d'intérêt qu'une fois le périmètre d'installations à suivre clairement défini.

Comment surveiller une source publiée uniquement en PDF ?

En surveillant l'apparition du document plutôt que son contenu. Le déclencheur est la parution d'une nouvelle référence sur la page de publication, pas l'extraction du texte. Cette approche coûte peu, ne casse pas quand la mise en page change, et laisse la lecture à un analyste qui saura ce qu'il cherche. L'extraction automatique de contenu depuis un PDF de rapport n'a de sens que sur des documents dont la structure est stable d'une édition à l'autre, ce qui vaut pour les bilans annuels et beaucoup moins pour les documents de procédure.

Une veille énergie doit-elle couvrir les marchés publics ?

Oui, et c'est la famille la plus sous-utilisée du dataset. Les avis de consultation et les attributions renseignent sur les projets d'infrastructure, sur les prestataires réellement retenus et sur les calendriers de travaux, souvent plusieurs mois avant toute communication publique. Leur format normalisé les rend faciles à collecter et à filtrer par objet. Pour un fournisseur, un équipementier ou un industriel exposé à la disponibilité d'un site, cette famille produit des signaux avancés que ni la presse spécialisée ni les bilans annuels ne donnent.