03
Service
Un moteur ne vaut que les données qu'il reçoit. Nous construisons des pipelines qui nettoient, normalisent et enrichissent les métadonnées produit avant leur entrée dans l'index.
01
Vous disposez déjà d’un moteur moderne, peut-être même venez-vous de le mettre en production, et les résultats ne sont toujours pas satisfaisants. Avant de modifier le classement, il vaut mieux regarder ce que contient l’index : le problème se trouve presque toujours là.
Le catalogue d’un site e-commerce se stratifie au fil des années. Différents fournisseurs, des imports successifs, des champs libres remplis manuellement par plusieurs personnes. Le résultat typique :
Aucun de ces problèmes ne se résout en ajustant la pertinence. Ce sont des données manquantes ou incohérentes, et le moteur ne peut pas les inventer.
02
Correction des fautes récurrentes, suppression du HTML et des caractères parasites, uniformisation des majuscules et de la ponctuation, gestion des champs vides. Les règles sont explicites et versionnées, il ne s’agit pas de corrections ponctuelles directement dans la base de données.
Nous ramenons chaque attribut à un vocabulaire contrôlé : une couleur, une taille ou une matière possède une valeur canonique vers laquelle convergent toutes les variantes d’écriture. Nous uniformisons les unités de mesure, les formats numériques, les codes (EAN, SKU, MPN) et les noms de marques. Les filtres fonctionnent alors réellement, car chaque produit n’apparaît plus que dans une seule facette.
Nous extrayons des descriptions et des fiches techniques les attributs qui ne sont aujourd’hui que du texte, pour en faire de véritables champs : filtrables, triables et utilisables dans le classement. Nous comblons les lacunes lorsqu’elles peuvent être déduites avec certitude de vos données. Lorsque c’est utile, nous ajoutons des catégorisations et des attributs dérivés absents du système de gestion mais employés par vos utilisateurs dans leurs recherches.
Chaque étape produit un rapport : combien de produits ont été modifiés, combien d’attributs sont encore manquants, quelles valeurs n’ont pas pu être rattachées au vocabulaire. La couverture des attributs devient un indicateur que vous pouvez suivre dans le temps, et non plus une impression.
03
| Champ | À l’arrivée | Dans l’index |
|---|---|---|
| Titre | Chaussure running NIKE Pegasus 41 homme noire 42.5 | Pegasus 41 |
| Marque | (vide) | Nike |
| Catégorie | chaussures | Chaussures > Running > Homme |
| Couleur | (vide) | Noir |
| Pointure | 42.5 | 42.5 EU |
| Genre | (dans le titre) | Homme |
Même produit, même source. Dans la colonne de gauche, il n’est accessible qu’à la personne qui saisit le bon nom. Dans celle de droite, il peut être trouvé en filtrant par marque, pointure ou couleur, ou en recherchant des chaussures de course noires en 42 et demi.
04
La pipeline se place entre votre source de données et l’index de recherche. Nous ne touchons ni au système de gestion ni au catalogue de la plateforme : vos processus internes restent inchangés et les données enrichies résident dans le moteur.
Si vous souhaitez ensuite réinjecter ce travail dans le PIM, le système de gestion, les flux Google Shopping ou les marketplaces, le choix vous appartient et la pipeline est déjà prête à le faire.
Les règles s’exécutent à chaque synchronisation : les produits ajoutés demain arrivent donc eux aussi propres, sans que personne ait à y penser.
05
Une partie du travail est réalisée par des modèles de langage : extraire des attributs d’un texte libre, rattacher des valeurs incohérentes à un vocabulaire, proposer des catégorisations. Pour les grands catalogues, il n’existe pas d’alternative raisonnable.
Si une donnée n’existe pas et ne peut pas être déduite, elle reste vide et apparaît dans le rapport — une couleur erronée est pire qu’une couleur manquante, car elle fait disparaître le produit du bon filtre.
Avant la mise en production, les résultats sont vérifiés sur un échantillon et les règles de correspondance restent lisibles et modifiables par vos soins.
Votre projet