Extraire l'adresse et le numéro de commande
d'une discussion WhatsApp Business
La discussion WhatsApp Business est le moyen par lequel des millions de petites entreprises dans le monde prennent des commandes chaque jour. Un client vous envoie un message — « Il me faut trois unités, livrer au 123 MG Road, Bangalore » — et vous faites une capture d'écran de la conversation pour garder une trace. L'adresse, le numéro de commande et la quantité sont tous là, dans la bulle de discussion. Mais ils y sont aussi piégés — dans un texte libre qui se trouve dans un fil de discussion, pas dans un formulaire, pas dans un reçu, pas dans un document d'aucune sorte.
Points clés à retenir
- Tout le monde suppose qu'une bulle WhatsApp ne peut pas être analysée comme un formulaire — l'adresse de livraison n'est qu'une phrase, pas un champ, et le numéro de commande flotte quelque part dans le même message.
- L'OCR lit chaque caractère mais ne comprend rien — il aplatit « Rua Augusta, 1500 » et « Commande n°4 » dans la même chaîne indifférenciée car aucune mise en page de formulaire ne lui indique quel texte est quoi.
- L'extraction sémantique lit par le sens — elle sépare les adresses des numéros de commande dans les formats de quatre pays en un seul lot, sans modèle par pays.
Où se trouvent réellement l'adresse et le numéro de commande
Un fil de discussion WhatsApp Business est une séquence de bulles de messages. Les messages du client apparaissent d'un côté (vert sur Android, bleu sur iOS), les réponses de l'entreprise de l'autre. Chaque bulle contient ce que le client a tapé — texte brut, emoji, parfois une photo des produits eux-mêmes. Il n'y a pas de « champ adresse » ni de « champ numéro de commande ». Il y a juste une phrase qui ressemble à ceci :
« Bonjour, je veux 2 t-shirts taille L et 1 jean taille 32. Livrer au 45, 3rd Cross, Indiranagar, Bangalore 560038. Commande n°4. »
L'adresse, les articles, la quantité et le numéro de commande se trouvent tous dans la même bulle — parfois répartis sur quelques messages dans la même conversation. Le format de l'adresse lui-même varie complètement selon le pays et la région :
Inde
« 45, 3rd Cross, Indiranagar, Bangalore 560038, Karnataka » — code PIN à six chiffres, système de localité/rues transversales courant, la connaissance du code postal n'est pas universelle dans les zones rurales.
Brésil
« Rua Augusta, 1500, apto 42, Consolação, São Paulo - SP, 01304-001 » — CEP (code postal à huit chiffres), le bairro (quartier) est un contexte obligatoire, le complemento (appartement/bloc) est essentiel pour la livraison.
Nigeria
« 12 Adeola Odeku Street, Victoria Island, Lagos » — code postal à six chiffres, de nombreuses zones rurales utilisent des indications basées sur des points de repère plutôt que des noms de rue officiels.
Indonésie
« Jl. Merdeka No. 10, RT 03 RW 05, Kelurahan Gambir, Jakarta Pusat 10110 » — préfixe Jl. pour les rues, système de quartier RT/RW, code postal à cinq chiffres.
Le problème n'est pas seulement que l'adresse n'a pas de champ dédié. C'est que chaque pays écrit son adresse différemment, et WhatsApp les traite toutes de manière identique — comme du texte brut tapé dans une bulle de discussion. Il n'y a pas de standard, pas de modèle, pas de position prévisible à l'écran.
Pourquoi l'OCR traditionnel ne peut pas extraire les données de discussion
Prenez une capture d'écran d'une discussion WhatsApp Business et passez-la dans un moteur d'OCR traditionnel. Le résultat est un bloc de texte dans l'ordre de lecture — de haut en bas, de gauche à droite. Vous obtenez l'horodatage en haut de l'écran, le nom du profil professionnel, le numéro de téléphone du client, le contenu de la bulle de message, votre réponse, le message suivant. Tout est mélangé, car l'OCR lit les positions des caractères, pas le sens.
Un outil d'OCR traditionnel ne sait pas que « Rua Augusta, 1500 » est une adresse et que « apto 42 » est le numéro d'appartement. Il ne sait pas que « Commande #4 » est un identifiant de référence. Il lit tout cela comme une seule chaîne indifférenciée et vous laisse le soin d'extraire les éléments vous-même. Si le client a envoyé trois messages à la suite — d'abord la liste des articles, puis l'adresse, puis le numéro de commande — le résultat est un fouillis concaténé qui nécessite une analyse manuelle pour être démêlé.
Ce n'est pas une limitation de la résolution ou de la précision de l'OCR. C'est une inadéquation fondamentale entre la façon dont l'OCR fonctionne (trouver des formes qui ressemblent à des lettres) et ce dont l'utilisateur a réellement besoin (comprendre quel texte signifie quoi). Les captures d'écran de discussion n'ont pas de champs de formulaire, d'étiquettes ou de mises en page structurées — elles ont une conversation, et la conversation nécessite de la compréhension.
Extraction sémantique — Lire une discussion par le sens
ImageToTable.ai utilise une approche différente. Au lieu de scanner l'image pour trouver les coordonnées du texte, il regarde la capture d'écran comme le ferait une personne : il lit le contenu, comprend ce que chaque information signifie et extrait exactement ce que vous avez demandé.
Vous définissez les colonnes de sortie — Adresse, Numéro de commande. L'IA lit la capture d'écran et trouve le texte qui correspond à chaque colonne par son rôle sémantique, et non par sa position. Elle identifie l'adresse car elle reconnaît les éléments qui font qu'un texte fonctionne comme un lieu de livraison — noms de rue, noms de ville, codes postaux, identifiants de quartier — même lorsque ces éléments apparaissent dans une phrase à côté de noms de produits et de quantités.
C'est ce que fait le paradigme Extraction de colonnes personnalisées : vous définissez ce que vous voulez, et l'IA le trouve par le sens. Cela fonctionne avec toutes les variations de format d'adresse présentées ci-dessus, car elle n'a pas besoin de savoir à l'avance à quoi ressemble une « adresse brésilienne ». Elle comprend le concept d'une adresse — la rue, le numéro, la ville, le code postal — et les identifie où qu'ils apparaissent dans le texte de la discussion.
Aucun modèle. Aucun exemple de document à télécharger au préalable. Aucun apprentissage de format d'adresse par pays. Vous téléchargez la capture d'écran, tapez les noms des colonnes, et l'IA lit la discussion.
Les fichiers sont traités de manière sécurisée et ne sont pas conservés.
Ce qui en ressort — une ligne par commande
Téléchargez un lot de captures d'écran de discussions WhatsApp Business — disons, dix commandes reçues en une seule journée. Chaque capture d'écran passe par la même extraction avec les mêmes définitions de colonnes. Le résultat est un tableur unique où chaque ligne représente une commande :
| Capture d'écran | Adresse | Numéro de commande |
|---|---|---|
| chat_01.png | 45, 3rd Cross, Indiranagar, Bangalore 560038 | #4 |
| chat_02.png | Rua Augusta, 1500, apto 42, Consolação, São Paulo - SP | #102 |
| chat_03.png | 12 Adeola Odeku Street, Victoria Island, Lagos | ORD-23 |
Le tableau fusionne des commandes de différents pays avec des formats d'adresse complètement différents en une seule structure cohérente. Vous pouvez ajouter d'autres colonnes — Nom du client, Numéro de téléphone, Articles commandés, Quantité — en les ajoutant simplement à votre liste de colonnes. L'IA relit les mêmes captures d'écran, cette fois en trouvant le nom du client dans l'en-tête de la discussion ou dans le contenu du message, en extrayant le numéro de téléphone du texte, et en listant les articles demandés par le client.
Un seul lot peut inclure des captures d'écran de clients en Inde, au Brésil, au Nigeria et en Indonésie — traitées ensemble, extraites ensemble, livrées dans un seul tableur. Aucune configuration par pays, aucun modèle spécifique au format.
Où ça coince — les limites honnêtes
Les captures d'écran de discussion sont l'entrée la moins structurée que cet outil traite. L'extraction sémantique fonctionne bien, mais ce n'est pas magique. Voici les vraies limites :
Adresse répartie sur plusieurs messages. Un client envoie la rue dans un message, la ville dans le suivant, et le code PIN dans un troisième — avec des réponses professionnelles entre les deux. Une seule capture peut ne pas tous les saisir. La solution consiste à capturer l'intégralité du fil de discussion (capture défilante si disponible) pour que l'IA ait le contexte complet.
Messages vocaux au lieu de texte. Si un client envoie son adresse sous forme de note vocale, il n'y a aucun texte à extraire de la capture d'écran. La transcription vocale est une fonctionnalité distincte non incluse dans l'extraction par capture. Vous devriez demander au client de taper l'adresse ou de transcrire la note vocale séparément.
Adresses vagues ou basées sur des points de repère. « Envoie à l'endroit habituel » ou « près de la grande mosquée à Surulere » ne contiennent aucun composant d'adresse extractible. L'IA identifie correctement qu'aucune adresse formelle n'existe dans le texte — elle le signalera plutôt que d'en inventer une. Ces commandes nécessitent toujours un message de suivi pour confirmer les détails de livraison.
Plusieurs adresses dans une seule capture. Un client demandant une livraison à deux endroits distincts dans la même commande — « envoie la moitié à mon bureau et la moitié chez moi » — crée une ambiguïté. L'extraction renvoie les deux adresses, mais vous devez décider comment les mapper à votre structure de commande. L'ajout d'une colonne Étiquette de livraison (« bureau » / « domicile ») peut aider à lever l'ambiguïté.
Émojis et stickers. Bien que l'IA puisse lire les émojis comme indices contextuels (une épingle 📍 à côté d'un texte signale « ceci est lié à un lieu »), les images de sticker recouvrant le texte de l'adresse créent un angle mort. Le texte derrière un sticker n'est pas visible dans la capture d'écran.
Ce ne sont pas des raisons d'éviter l'extraction de discussion. Ce sont les limites réalistes auxquelles tout outil opérant sur des captures d'écran de discussion est confronté. Les connaître vous permet de concevoir votre workflow de capture autour d'elles — capturez les fils de discussion complets, demandez aux clients de taper les adresses pour les commandes critiques, signalez les indications vagues pour un suivi.
Ce que cela signifie pour votre flux de commandes
Le vrai coût du traitement manuel des commandes WhatsApp n'est pas l'action de taper une adresse dans un tableur. C'est l'accumulation — les dix commandes par jour qui nécessitent chacune de recopier l'adresse et le numéro de commande, le retard du lundi matin, la commande que vous avez traitée deux fois parce que vous aviez perdu le fil des messages déjà gérés, la livraison qui est partie au mauvais endroit parce que vous avez mal lu un nom de rue similaire dans le message d'un client.
Un petit commerçant de l'alimentation sur Reddit l'a décrit simplement : « Je passais beaucoup trop de temps à recopier manuellement les commandes WhatsApp dans des tableurs. » Un autre, qui gère une entreprise de distribution d'eau, a noté que chaque client passe ses commandes via WhatsApp et que tout est géré manuellement — un goulot d'étranglement qui s'aggrave à chaque nouveau client ajouté.
Passer du copier-coller manuel à l'extraction par capture d'écran modifie le flux de travail au point où l'information entre dans votre système. La capture d'écran est déjà l'enregistrement — vous la prenez pour conserver le message du client. Au lieu de lire cette capture et de retaper les détails, vous la téléchargez directement. L'adresse et le numéro de commande atterrissent dans votre tableur sans passer par votre clavier. La confirmation de commande qui prenait une minute par client peut être traitée au moment même où vous prenez la capture d'écran.
Le tableur devient également plus utile. Une fois les adresses dans une colonne structurée, vous pouvez trier par ville pour regrouper les livraisons par itinéraire, filtrer par plage de numéros de commande pour vérifier un lot, ou exporter un sous-ensemble à envoyer à votre équipe de livraison. Les numéros de commande dispersés dans les fils de discussion deviennent une liste unique que vous pouvez parcourir en quelques secondes.
Foire aux questions
ImageToTable.ai peut-il extraire une adresse à partir d'une capture d'écran de discussion WhatsApp Business ?
Oui. Définissez une colonne nommée « Adresse » (ou « Adresse de livraison ») et importez la capture d'écran de la discussion. L'IA lit le contenu du message du client et extrait le texte qui fait office d'adresse de livraison — nom de rue, ville, code postal et tout autre détail de localisation. Cela fonctionne avec différents formats d'adresse (Inde, Brésil, Nigeria, Indonésie, etc.), car elle identifie les composants de l'adresse par leur sens, et non par un modèle prédéfini.
Que faire si l'adresse et le numéro de commande se trouvent dans des messages séparés ?
L'outil lit l'intégralité de la capture d'écran. Si l'adresse du client se trouve dans une bulle et que le numéro de commande apparaît dans votre réponse (« Merci, commande #4 confirmée »), l'IA peut localiser les deux tant qu'ils sont visibles sur la même capture. Pour un long fil de discussion où les informations s'étendent sur plusieurs écrans, faites une capture défilante ou plusieurs captures d'écran et incluez-les dans le même lot — l'IA traite chaque capture indépendamment et vous pouvez fusionner les résultats.
Fonctionne-t-il avec des adresses dans d'autres langues que l'anglais ?
Oui. L'IA lit le texte tel qu'il apparaît dans la capture d'écran, quelle que soit la langue. Une adresse brésilienne écrite en portugais (« Rua Augusta, 1500, Consolação ») ou une adresse indienne en écriture hindi fonctionne de la même manière — l'IA identifie les composants qui en font une adresse. Le nom de colonne que vous utilisez (« Adresse ») est en français, mais les valeurs extraites ressortent telles qu'elles sont écrites dans la discussion, préservant la langue et le format d'origine.
Puis-je extraire d'autres champs comme le nom du client, son numéro de téléphone ou les articles commandés ?
Oui. Ajoutez le nom de colonne de votre choix — « Nom du client », « Numéro de téléphone », « Articles », « Quantité », « Montant total » — et l'IA lit la capture d'écran pour trouver les informations correspondantes. Le nom du client peut provenir de l'en-tête du profil WhatsApp ou du contenu du message. Les numéros de téléphone sont reconnus par leur structure de chiffres. Les articles et les quantités sont extraits de la description de la commande dans le texte de la discussion. Vous n'êtes pas limité à l'adresse et au numéro de commande ; la liste des colonnes définit ce qui est extrait.
Que se passe-t-il lorsqu'un client envoie une adresse vague, comme « au lieu habituel » ?
L'IA renvoie ce qu'elle trouve. Si le texte ne contient aucun composant d'adresse identifiable — ni nom de rue, ni ville, ni code postal — la valeur extraite sera vide ou signalée. L'outil n'invente pas de données. Pour les instructions de livraison vagues, la bonne pratique consiste à capturer la commande dans la capture d'écran et à contacter le client pour obtenir une adresse complète avant d'expédier. L'extraction vous évite de saisir les commandes pour lesquelles les clients fournissent une adresse claire, ce qui est le cas de la plupart d'entre elles.
L'adresse et le numéro de commande sont déjà dans la capture d'écran — à chaque fois que vous capturez une conversation de commande WhatsApp. La question est de savoir si vous les retapez ou si vous laissez l'IA les lire. Une approche vous maintient dans un cycle de copier-coller. L'autre transforme la capture d'écran elle-même en entrée de votre flux de travail de commandes. Le même principe qui s'applique à l'extraction de données à partir de captures d'écran de paiement s'applique ici : les données sont là, même lorsque l'interface n'est pas un document — vous avez simplement besoin d'un outil qui lit par le sens, pas par la position.
Aucune inscription requise • Les fichiers sont traités de manière sécurisée et non stockés