Base entreprises France — personnes morales, à jour du jour

Sources utilisées (toutes en licence ouverte)

• Stock INSEE Sirene (data.gouv, mensuel, parquet 2,2 Go + 0,7 Go) : 54 variables établissement + 35 unité légale — nom, enseigne, adresse décomposée, CP, commune, NAF, effectifs, employeur, date de création, catégorie juridique.
• Dump quotidien « Annuaire des Entreprises » (data.gouv, ~19h UTC) : état actif/fermé et statut de diffusion du jour pour les 44 M d'établissements → c'est lui qui rend la base « à jour du jour ».
• API Sirene INSEE 3.11 (portail-api.insee.fr, compte gratuit, 30 req/min) : flux intra-journée si besoin (filtre dateDernierTraitement).
• API Recherche d'entreprises (7 req/s, sans clé) : dirigeants, finances, RGE/FINESS/UAI liés — pour l'enrichissement à l'unité.
• Nomenclature NAF rév. 2 (732 codes, libellés INSEE) jointe sur chaque établissement.

Ce qu'il n'y a PAS dans les données publiques

• Sirene : aucun champ téléphone / email / site web (dessins de fichiers 311 vérifiés).
• RNE (INPI, compte gratuit) : téléphone et courriel du déclarant collectés par le Guichet unique mais non diffusés ; seul le nomDomaine du site est ouvert.
• API Recherche d'entreprises / export bulk : idem, zéro contact.

Périmètre retenu (personnes morales uniquement)

Exclus : entrepreneurs individuels / micro-entrepreneurs (cat. 1000 : 7 644 260 établissements — personnes physiques au sens de la loi, dont 2,35 M en diffusion partielle interdite en prospection), associations/fondations (1,5 M), administrations (253 k), groupements sans personnalité morale (225 k). Réintégrables en une ligne de filtre si besoin. Les SCI (1,86 M) sont conservées mais isolables par cat_juridique = 6540.

Diffusion partielle

Seules 11 376 unités du périmètre sont en statut « P » (adresse masquée, commune conservée) contre 2,35 M chez les personnes physiques : le choix « PM seulement » évacue quasi entièrement ce problème juridique.

• Loi n° 2025-594 du 30 juin 2025, art. 13 → nouvel art. L.223-1 code conso, en vigueur depuis le 11 août 2026 : interdiction de démarcher par téléphone un consommateur sans consentement préalable (décret 2026-662 : consentement 1 an, preuve 3 ans). Ne s'applique pas aux personnes morales — un « consommateur » est une personne physique agissant hors de son activité professionnelle. Bloctel a été supprimé le même jour.
• Prospection B2B (CNIL, fiche téléphone mise à jour 10/06/2026 ; L.34-5 CPCE pour l'email) : opt-out — intérêt légitime si l'offre est en lien avec l'activité, information sur l'origine des données au 1er contact (art. 14 RGPD), droit d'opposition simple, conservation ~3 ans après le dernier contact.
• Horaires 10-13 h / 14-20 h et 4 tentatives / 30 jours (D.223-9) : B2C uniquement (FAQ DGCCRF). Les garder en bonne pratique n'a aucun coût.
• Le choix « personnes morales seulement » supprime la zone grise : les EI / micro-entrepreneurs joints sur un numéro personnel ou pour une offre sans lien avec leur activité redeviennent des consommateurs (opt-in). Le standard d'une société n'est pas une donnée personnelle.

• Crawl des mentions légales : licite sur l'intérêt légitime (CNIL 2020 + recommandations du 12/06/2024 « réutilisation de données publiquement accessibles ») aux conditions : coordonnées professionnelles publiées pour être contactées (c'est exactement l'objet d'une mention légale, obligatoire par la LCEN), respect des CGU/robots.txt, minimisation, information au 1er contact, opposition effective, durée limitée, AIPD si grande échelle. Contre-exemple sanctionné : Kaspr (240 k€, 2024) pour des données que les personnes avaient masquées.
• Interdit : extraction de PagesJaunes / 118 712 / 118 000 / societe.com (CGU + droit sui generis du producteur de base, L.342-1 CPI) ; stockage des téléphones Google Places / Bing / HERE / Foursquare (CGU : cache 30 jours max, place_id seulement).
• Annuaire universel (L.34 CPCE, R.10 à R.10-11) : listes d'abonnés réservées aux éditeurs d'annuaires, usage exclusif annuaire/renseignements, revente interdite, liste anti-prospection opposable → voie fermée ; seuls des éditeurs déclarés (Amabis, Solocal) vendent de l'enrichissement dérivé.
• Unités Sirene en diffusion partielle « P » : interdites en prospection (A.123-96 code de commerce) — 11 376 dans le périmètre PM, exclues par défaut.
• OSM (ODbL) : usage interne OK avec attribution ; share-alike seulement si la base dérivée est publiée/revendue.

Pipeline (tout sur ce serveur, DuckDB, zéro GPU)

1. Socle quotidien — 06h00 : téléchargement du dump Annuaire (J-1) + stock INSEE si nouveau mois → reconstruction de base_entreprises_pm.parquet (6 s). Fait
2. Couche contacts open data — OSM (hebdo), RGE, FINESS, Annuaire Santé (quotidien) → contacts_opendata.parquet, jointure SIRET. Fait ; rapprochement des 260 k téléphones OSM sans SIRET par nom + géolocalisation INSEE (parquet mensuel 809 Mo) et flux DATAtourisme JSON : à faire
3. Crawler mentions légales — liste de domaines (AFNIC 4,2 M .fr + Common Crawl + nomDomaine RNE) → pages /mentions-legales, /contact → extraction SIREN (clé Luhn) + téléphone + email → validation SIREN ∈ base. PoC en cours
4. Licence fichier national (option C) — appel d'offres sur le périmètre « employeurs hors SCI/holdings » (1,8 M) auprès d'Easyfichiers / Zecible / Altares-mList / Societe.com ; import et jointure SIRET. Décision Dan
5. Hygiène appels — normalisation E.164, dédoublonnage, exclusion des unités « P », marquage fixe/mobile, horaires (10-13 h / 14-20 h, lun-ven), journal d'opposition (droit d'opposition B2B). à faire
6. Export vers le dialer / CRM — vue par département × NAF × effectif, CSV ou table SQL. à faire

Avancement

Couverture téléphone attendue (établissements PM employeurs, 1,8 M)

Les deux dernières lignes sont des estimations (taux d'équipement web INSEE : 69 % des ≥ 10 salariés, 37 % des micro ; stocks vendeurs 3-4,5 M) à confirmer par le PoC et par les devis.

Code : /scratch/entreprises-fr/cc_poc/ (index columnar Common Crawl lu par DuckDB, fetch WARC par HTTP Range, extraction selectolax + regex, jointure base). Piège traité : les SIREN/téléphones d'OVH, o2switch et des agences web apparaissent sur des dizaines de sites → filtre « vu sur ≥ 3 domaines » + 1er SIREN cité = éditeur.

Ce que ça donne à l'échelle

• Common Crawl seul (.fr, 1 crawl) : ≈ 50 800 couples SIREN ↔ tél. + ≈ 49 400 emails, 3,7 Go à lire. Limite : CC ne voit que ~20 % des .fr et CloudFront bloque au-delà de quelques req/s (403 constaté) → passer par S3 us-east-1 ou lisser à 5 req/s (~6 h).
• + ~100 000 domaines non-.fr en français (.com 66 %, .net 14 %) repérables via content_languages = 'fra'.
• Crawler direct des 4,2 M de .fr (liste AFNIC, licence ouverte) : à ~30-40 % de sites avec mentions légales joignables × 44 % → ordre de grandeur 500 k à 700 k couples SIREN ↔ téléphone, gratuits, réactualisables en continu. C'est le vrai levier « données publiques » : les entreprises publient elles-mêmes tél. et RCS (obligation LCEN).
• Coût : bande passante + quelques jours de crawl poli (1 page/domaine, robots.txt respecté) sur ce serveur ; aucune donnée à acheter.