Rémi Kokabi5 septembre 202610 min de lectureMis à jour: 28 sept. 2026
4 méthodes de matching pour éliminer les doublons CRM avant qu'ils ne sabotent votre outbound (étape par étape)
Le trimestre dernier, j'ai vu un commercial envoyer au même prospect deux emails identiques, à quatre heures d'intervalle, depuis deux séquences différentes. Le prospect a répondu aux deux. Aucune des deux réponses n'était aimable.
C'est un problème de doublons. Et c'est bien plus courant que la plupart des équipes commerciales ne l'admettent. Une mauvaise fusion peut anéantir tout un historique d'activités. Un doublon non détecté peut ruiner votre réputation d'expéditeur en une nuit. J'ai vu des bases CRM où 15 à 20 % des fiches contacts étaient des doublons, qui gonflaient tranquillement le pipeline et grillaient les limites d'envoi.
Dans cet article, je vous explique comment fonctionne la détection des doublons, les quatre méthodes de matching qui en attrapent le plus, comment configurer vos règles dans Salesforce et HubSpot, et comment empêcher les doublons d'entrer dans votre CRM.
Ce que fait un détecteur de doublons CRM
Un détecteur de doublons CRM scanne votre base de données pour repérer les fiches qui représentent probablement la même personne ou la même entreprise. Il compare les valeurs de champs comme l'email, le nom, le numéro de téléphone et le domaine, puis signale les paires qui dépassent un seuil de correspondance pour révision ou fusion.
Voici ce que cette comparaison implique concrètement :
Comparaison de champs : vérifie les valeurs comme l'email, le nom, le téléphone et le domaine sur l'ensemble des fiches pour repérer les recoupements
Score de confiance : attribue une probabilité de correspondance pour savoir quels doublons traiter en priorité
Signalement des fiches : fait remonter les paires identifiées dans une file de révision, ou les fusionne automatiquement quand le score de confiance est suffisant
Matching inter-entités : compare différents types de fiches, par exemple Lead et Contact, à partir des champs définis par chaque règle
Les contacts et les comptes partagent rarement les mêmes champs de matching. Une règle contact peut s'appuyer sur l'email et l'URL LinkedIn, tandis qu'une règle compte repose sur le domaine et l'adresse de facturation. Des règles distinctes pour chaque type de fiche, c'est ce qui rend la détection précise plutôt qu'approximative.
Pourquoi les doublons de contacts et de comptes cassent votre outbound
Les doublons ne font pas qu'encombrer votre CRM. Ils érodent silencieusement vos performances outbound, et les dégâts s'accumulent tant qu'ils restent là. J'ai débugué assez de pipelines cassés pour le savoir : les doublons font presque toujours partie du problème.
Séquences gaspillées et envois en double
Quand le même prospect existe sous deux fiches, un commercial peut l'inscrire dans deux séquences sans s'en rendre compte. Le prospect se fait contacter deux fois, parfois le même jour, et la prospection commence à ressembler à du spam. Lancez des campagnes multicanales par email, LinkedIn et téléphone, et le problème ne double pas. Il se multiplie à chaque canal ajouté.
Dégâts sur la délivrabilité à cause des bounces de doublons
Les vieilles fiches en doublon contiennent souvent des adresses email obsolètes. Envoyez-leur un message, et vous déclenchez des hard bounces qui grignotent votre réputation d'expéditeur. Le Deliverability Hub de lemlist peut surveiller la santé de vos boîtes et de vos domaines, repérer les signaux d'alerte comme les bounces en hausse et les signaux de spam, et diagnostiquer si une baisse de performance vient d'un problème de placement. Mais il ne peut protéger que les expéditeurs dont les données CRM sont propres au départ.
Pipeline gonflé et reporting faussé
Un seul deal rattaché à deux fiches contact crée un pipeline fantôme. Vos prévisions semblent meilleures qu'elles ne le sont, et personne ne s'en aperçoit avant que les chiffres ne collent plus à la clôture du trimestre. D'expérience, les doublons sont l'une des raisons les plus courantes pour lesquelles le reporting CRM décroche de la réalité.
Risque de conformité avec les fiches redondantes
Le RGPD et les lois similaires vous obligent à honorer les demandes de suppression et d'accès, y compris le droit à l'effacement prévu par l'article 17. Supprimez une copie d'un contact alors qu'un doublon subsiste, et cette faille a tendance à refaire surface au pire moment, en général pendant un audit.
Comment les doublons arrivent dans votre CRM
Les doublons apparaissent rarement parce que quelqu'un les a créés volontairement. Ils s'accumulent via les workflows commerciaux courants, chacun laissant une petite faille derrière lui.
Saisie manuelle sans recherche préalable. Les commerciaux créent de nouvelles fiches au lieu de chercher celles qui existent déjà, surtout quand ils enchaînent les appels ou sont en plein sprint de prospection.
Imports de leads depuis des événements, des CSV et des outils d'enrichissement. Les imports en masse depuis une liste de salon ou un enrichissement peuvent introduire des fiches qui existent déjà. Sans vérification des doublons activée à l'import, chaque upload comporte ce risque.
Synchronisation multi-systèmes sans clé de correspondance. Quand votre CRM se synchronise avec un outil outbound ou une plateforme marketing, des fiches peuvent se dupliquer si les deux systèmes utilisent des identifiants différents : l'un matche sur l'email, l'autre sur un champ d'ID personnalisé.
Soumissions de formulaires avec des variantes d'email. Un prospect qui remplit un formulaire avec son email pro une fois et son email perso une autre fois génère une deuxième fiche. La plupart des règles de détection ne la repèrent pas, puisque le champ d'identification lui-même a changé.
Méthodes de matching pour détecter les fiches en doublon
Chaque règle de détection des doublons repose sur une méthode de matching, c'est-à-dire la logique utilisée pour comparer les valeurs des champs. La meilleure méthode dépend du niveau de standardisation de vos données.
Méthode de matching | Fonctionnement | Cas d'usage |
|---|---|---|
Correspondance exacte | Compare les valeurs caractère par caractère | Identifiants, adresses email, champs standardisés |
N premiers / derniers caractères | Matche sur un nombre défini de caractères au début ou à la fin | Noms d'entreprise abrégés, prénoms raccourcis |
Correspondance floue (fuzzy) | Évalue la similarité des chaînes via des algorithmes comme Jaro-Winkler ou la distance de Levenshtein | Variantes orthographiques (« John Smith » vs « Jon Smyth ») |
Correspondance partielle (contains) | Signale les fiches où une valeur contient l'autre | Saisies partielles, noms raccourcis |
Correspondance phonétique | Compare la sonorité des noms plutôt que leur orthographe, via des algorithmes comme Soundex ou Metaphone | Variantes de noms entre langues ou translittérations (« Stephen » vs « Stefan ») |
Normalisation des numéros de téléphone | Supprime le formatage, les espaces, les tirets et les indicatifs pays avant de comparer les chiffres | Champs téléphone saisis comme « +1 (555) 867-5309 » vs « 5558675309 » |
La plupart des configurations combinent deux méthodes ou plus. Correspondance exacte sur l'email plus correspondance floue sur le nom d'entreprise, par exemple : ça attrape les doublons que chaque méthode seule aurait ratés.
Astuce : activez « ignorer les champs vides » pour les champs souvent non renseignés, comme un numéro de téléphone secondaire. Sinon, vous obtiendrez des faux positifs sur des fiches qui ont simplement moins de données remplies, pas des données différentes.
Comment configurer des règles de détection des doublons pour les contacts et les comptes
Le processus est similaire que vous soyez sur Salesforce, HubSpot ou Dynamics 365. L'interface change, la logique dessous reste la même.
Une distinction à comprendre d'entrée : la plupart des CRM séparent les règles au niveau entité des conditions au niveau champ. La règle entité définit quels types de fiches comparer (ex. Lead-to-Contact, ou Account-to-Account). Les conditions champ définissent sur quels champs matcher et quelle méthode utiliser pour chacun. Vous les configurez séparément, et respecter cette hiérarchie est clé pour la précision.
Voici un exemple concret pour démarrer sur chaque plateforme :
Dans Salesforce : allez dans Setup → Duplicate Rules → New Rule, puis associez une Matching Rule qui spécifie vos champs et méthodes. Selon les limites de Salesforce sur les règles de matching, vous pouvez inclure jusqu'à trois matching rules par duplicate rule, et jusqu'à cinq matching rules actives par objet.
Dans HubSpot : allez dans Settings → Data Management → Data Quality → Duplicate Management pour examiner et fusionner les doublons signalés. La déduplication native de HubSpot est plus automatisée et moins configurable que le rule builder de Salesforce. Les équipes qui ont besoin d'un contrôle granulaire complètent souvent avec les workflows d'Operations Hub.
Quelle que soit la plateforme, les étapes de configuration suivent la même logique :
1. Choisissez vos champs de matching. Privilégiez les champs à forte unicité : email et URL LinkedIn pour les contacts, domaine et nom pour les comptes. Quelques champs solides valent mieux que beaucoup de champs faibles.
2. Sélectionnez une méthode de matching par champ. Une combinaison classique : correspondance exacte pour l'email, correspondance floue pour le nom d'entreprise, correspondance phonétique pour le nom du contact.
3. Définissez les seuils de confiance. C'est le score minimum qu'une paire doit atteindre avant que le système la signale. Les correspondances à haute confiance peuvent être fusionnées automatiquement ; celles à confiance plus basse sont plus sûres en révision manuelle.
4. Publiez et testez la règle. Lancez-la d'abord sur un échantillon de vos données. Surveillez les faux positifs (fiches distinctes signalées comme doublons) et les faux négatifs (vrais doublons non détectés), puis ajustez les seuils.
5. Planifiez des détections récurrentes. Scans quotidiens pour les fiches récemment mises à jour, hebdomadaires pour un balayage complet. Les jobs récurrents attrapent ce qui passe entre les mailles lors des saisies manuelles ou des imports en masse.
Comment fusionner des doublons sans perdre de données
Détecter les doublons ne résout que la moitié du problème. Une fusion mal faite peut effacer l'historique d'activité ou supprimer des données valides de l'une ou l'autre fiche. Je l'ai vu arriver plus d'une fois, et récupérer des notes ou des associations de deals après une mauvaise fusion, c'est douloureux.
Choisissez la fiche principale
La fiche principale est celle qui survit à la fusion. Les équipes choisissent souvent selon l'activité la plus récente, les champs les plus complets, ou l'attribution au commercial en charge. Définissez la règle à l'avance pour que les fusions restent cohérentes.
Comparez les valeurs des champs avant de fusionner
Comparez les valeurs des champs côte à côte avant de combiner quoi que ce soit. Une fiche peut avoir le bon intitulé de poste, l'autre le bon numéro de téléphone. La plupart des CRM vous laissent choisir champ par champ.
Préservez l'historique d'activité et les associations
Emails, appels, notes, tâches et associations de deals doivent tous être transférés dans la fiche principale. Vérifiez après la fusion que rien n'a été perdu. C'est à cette étape que la plupart des pertes de données pendant la déduplication se produisent.
Prévenir les doublons lors de l'import de leads et de la synchronisation CRM
La détection réagit à un problème déjà présent. La prévention l'arrête avant qu'il ne commence, et c'est en général l'option la moins coûteuse.
Si vous sourcez vos leads via la base de données de 600M+ leads de lemlist, les données arrivent déjà vérifiées, avec des emails et numéros de téléphone contrôlés. Synchroniser ces fiches dans HubSpot ou Salesforce en utilisant l'email ou le domaine comme clé de correspondance réduit la création de doublons, puisque les données étaient standardisées avant d'atteindre votre CRM.
Une bonne configuration de prévention inclut généralement :
Empêchez les doublons de leads à l'import :: lancez une passe de matching sur chaque CSV avant l'import, via le contrôle d'import de votre CRM, un outil tableur ou un script dédié
Utilisez l'email ou le domaine comme clé de correspondance principale : l'email fonctionne mieux pour les contacts, le domaine pour les comptes
Activez les règles de détection sur les syncs entrantes : activez les vérifications de doublons pour chaque écriture d'intégration entrante, y compris les syncs CRM-to-CRM et les leads entrants depuis les formulaires
Standardisez les formats de champs avant la synchronisation : normalisez les numéros de téléphone, supprimez les espaces inutiles dans les emails, et imposez une casse cohérente pour les noms d'entreprise afin que vos règles de matching se déclenchent correctement
Utiliser l'IA pour automatiser la détection des doublons CRM
La détection basée sur des règles a un plafond. Elle n'attrape que ce que vous avez explicitement défini, et elle vérifie en général les champs au sein d'une seule fiche plutôt que de repérer les doublons connectés par des relations plus larges.
La détection par IA fonctionne différemment. Elle combine le matching exact avec le matching flou et probabiliste, puis applique des politiques de fusion avec une étape de validation humaine pour les cas risqués. Cette combinaison attrape ce qu'un jeu de règles rigide tend à rater.
Le Claude Skill de lemlist pour la détection des doublons CRM est construit sur ce principe. Il se connecte à lemlist MCP, ce qui vous permet de détecter les doublons, nettoyer vos données et lancer une campagne outbound personnalisée depuis un seul prompt, sans jongler entre les outils. Découvrez-le sur GitHub.
Ce que cette approche ajoute par rapport à la détection standard basée sur des règles :
Matching contextuel : pondère plusieurs champs simultanément au lieu de vérifier une règle à la fois, et détecte les relations entre fiches que les règles mono-champ ratent
Résolution automatisée avec validation humaine : suggère ou exécute les fusions selon des patterns appris, réduit la file de révision manuelle et redirige les cas limites vers un humain
Intégration aux workflows : injecte des fiches propres et dédupliquées directement dans les séquences outbound, pour que vos campagnes partent sur des données vérifiées
Synchronisation inter-outils : connecte votre CRM, votre plateforme outbound et vos sources d'enrichissement pour que la déduplication tourne sur tous les systèmes, pas juste dans une seule base
À vous de jouer
Des fiches propres, c'est la garantie que chaque séquence atteint la bonne personne une seule fois, que la délivrabilité reste intacte, et que les chiffres du pipeline reflètent vraiment la réalité. La boucle est simple : détectez les doublons, fusionnez-les soigneusement, empêchez-en de nouveaux via les contrôles d'import et les règles de sync, puis recommencez.
lemlist est construit autour de cette logique. Plus de 2 000 avis sur G2 avec une note de 4,6/5 nous confirment que les équipes qui font de l'outbound sur des données propres et vérifiées voient la différence sur leurs taux de réponse et la précision de leur pipeline.
Démarrez l'essai gratuit de 14 jours pour faire de l'outbound sur des données propres et vérifiées.
Transformez vos leads en pipeline
Trouvez des prospects, automatisez vos relances et générez plus d'opportunités commerciales.