L’IA au service de l’expérience produit
L’IA a tellement évolué qu’elle est désormais au service de l’expérience produit et donc de la donnée produit. Cette donnée est le plus souvent stockée, qualifiée et contextualisée au sein d’un référentiel, tel un PIM avant d’être exposée sur les différents canaux de distribution (Magasin, site e-commerce, applications) ou de diffusion (Catalogue papier, affichage…)
L’IA au travers de solutions tierces, de développement spécifiques ou directement intégrées au PIM va jouer un rôle de structuration de la donnée. L’IA va donc pouvoir enrichir, classifier, traduire ou encore redresser la donnée Produits
Quelques exemples concrets d’usage de l’IA:
- Chez « Foussier », distributeur national des plus grandes marques de quincaillerie du bâtiment, électroportatif et EPI pour le second œuvre du bâtiment, un outil basé sur ChatGPT a été utilisé pour structurer la donnée récupérée des fichiers fournisseurs peu renseigné et l’enrichir dans un second temps d’un point de vue marketing à partir des données produits fabricants scrappées sur le web.
Le bénéfice attendu était à la fois une amélioration de la qualité de la donnée produit et un contrôle en temps réel des données importées.
- Autre cas d’usage partagé lors du HubForum « Cdiscount » pour améliorer la recatégorisation des fiches produits. Déjà avancé en 2022 sur le sujet avec leur équipe de DataScientists qui avait développé des algorithmes s’appuyant sur un grand volume de données : le nombre de visiteurs (+16 Millions de visiteurs) et le nombres de produits (+80 Millions de produits). L’arrivée de l’IA générative a permis à Cdiscount et ses équipes DATA d’accélérer le process de recatégorisation avec 14 millions de fiches produits sur 35 millions présentés au système. L’impact business s’est tout de suite ressenti avec une augmentation de 30% de conversion sur les produits ayant bénéficié de cette recatégorisation profitant d’une meilleure qualité de l’information.
- Dernier exemple avec un POC réalisé avec un DAM pour identifier et trier des images provenant de fichiers zip et les classer dans des dossiers et sous dossiers : 3300 images triées avec un taux de réussite entre 92 et 95%. Les outils IA de Google tels que Google Lab, Keras, Tensor Flow ont été utilisés pour réaliser ce POC à partir d’une base de données images fashion avec la mise en place d’un fichier de configuration des mots clés souhaités pour la fonction de recherche et la création de répertoires et sous-répertoires pour ordonner la donnée.
Le constat chez les clients PIM/MDM de DATASOLUTION est une utilisation de l’IA en deux temps :
- Structuration, enrichissement (y compris la traduction) des données : utilisation de l’IA avec de nombreux outils comme le propose Akeneo (optimisation qualité, orthographe, harmonisation …)
- Génération de contenus (descriptifs courts / longs, images, tags …) à partir de ces données structurées
Pour ces deux cas, il est nécessaire d’un point de vue éthique et pour contrôler l’image de marques de l’enseigne de toujours prévoir une validation finale manuelle avant publication (et parfois même entre les deux étapes, avec une validation des contenus « techniques » avant l’étape de pré-génération). Ces rôles sont joués par les data steward ou data manager avant publication.
Si le sujet vous intéresse, il s’intègre dans un triptyque
d’articles que nous avons rédigé pour vous :
L’IA au service de l’expérience client
L’IA au service de l’e-commerce
Besoin de conseils pour l’intégration de l’IA dans votre gestion de données produits ?
Un projet ? Des idées ?
