International audience ; Using pipe failure prediction models (such as the one embedded in the Casses software) typically requires the complete knowledge of each pipe’s characteristics and maintenance history (repairs, renewals). This may involve data manipulation, and sometimes data imputation. In this article, we show examples of data manipulations that were designed (using the programming language R) to help SWDE further develop its infrastructure asset management. Three problems are addressed in the case of SWDE: i) Detecting the underlying database structure in the various files and making use of database concepts to maximize the use and interoperability of the data for IAM; ii) Detecting and correcting data which are not consistent with “field constraints” (list of pre-defined values), especially manually input text such as locations; iii) Imputing missing data. ; L’utilisation de modèles de prédiction des défaillances des canalisations (tels que celui intégré au logiciel Casses) nécessite généralement une connaissance complète des caractéristiques et de l’historique de maintenance de chaque canalisation (réparations, renouvellements). Cela peut impliquer des manipulations de données et parfois une complétion des données. Dans cet article, nous montrons des exemples de traitements des données qui ont été conçus (à l'aide du langage de programmation R) pour aider la SWDE à améliorer la gestion patrimoniale de ses infrastructures. Trois problèmes sont abordés dans le cas de SWDE : i) Détecter la structure de base de données sous-jacente dans les différents fichiers et utiliser les concepts de base de données pour maximiser l'utilisation et l'interopérabilité des données pour la gestion patrimoniale des infrastructures ; ii) Détecter et corriger les données qui ne sont pas cohérentes avec les réalités du terrain » (liste de valeurs prédéfinies), notamment les textes saisis manuellement tels que les emplacements ; iii) complétion des données manquantes.