Intelligence économique dans le e-commerce
Matching de produit dans le secteur e-commerce
Matching de produit dans le secteur e-commerce
Un pure player international veut améliorer la productivité de sa veille concurrentielle.
Cette veille est réalisée en deux étapes : une veille des sites concurrents réalisée par un prestataire externe livrée dans un fichier excel, puis un rapprochement établi manuellement par les équipes pricing / achats selon une méthode d’échantillonnage par recoupement des catalogues produits avec les fichiers concurrents.
Cela représente environ 7 000 nouvelles références par jour à traiter.
Ce travail n’est pas très gratifiant, prend beaucoup de temps et a un impact sur la marge (coût du prestataire externe).
Ce client a trois objectifs :
Les données des sites concurrents sont collectées et traitées sur notre plateforme Big Data as a Service (conformément à la législation applicable). En parallèle, les données du catalogue client sont stockées sur notre BDaaS.
En amont, une préparation des données est effectuée. Nous extrayons les mots (phase de tokenisation), éliminons la ponctuation, supprimons les « stop words » c’est à dire tous les éléments qui n’apportent aucune valeur sémantique au texte. Les couleurs, le poids et le volume sont également normalisés.
Les données sont ensuite soumises à notre modèle basé sur du NLP (TF IDF – Term Frequency-Inverse Document Frequency algorithm) qui prend en compte certains problèmes rencontrés lors de l’appariement des produits tels que :
Il s’agit d’un algorithme qui permet de voir la similitude entre deux textes.
Nous allons trouver le produit du concurrent qui correspond le mieux à celui du catalogue du client.
Nous établissons ensuite un indice de confiance normalisé par rapport à l’entreprise et aux données du client. Cela permet d’obtenir un bon compromis entre les faux positifs et les faux négatifs.
L’Intelligence Artificielle ne fait pas tout. La force de notre approche est de ne pas laisser l’Intelligence Artificielle s’en charger tout le temps. Le métier doit pouvoir arbitrer les degrés de liberté que nous donnons à l’Intelligence Artificielle. D’où l’importance d’une bonne collaboration entre les experts en Intelligence Artificielle et les experts métier pour maximiser la correspondance.
Une IHM permet l’exploitation des données valorisées, la visualisation des résultats et le partage entre les différents utilisateurs.
L’automatisation permet un gain de temps important : tout volume de références peut maintenant être traité en presque un clic et permet d’obtenir des résultats aussi bons que le travail d’un humain voire meilleur (5 à 10% de plus) ainsi qu’une visualisation instantanée des KPIs.
Des équipes qui passaient auparavant toutes leurs journées à croiser des données peuvent maintenant se repositionner sur des tâches plus gratifiantes.
Les entreprises du retail et du e-commerce doivent passer d’une expérimentation Ad Hoc de l’Intelligence Artificielle à une utilisation par tous les collaborateurs pour améliorer l’efficacité opérationnelle et apporter de la valeur ajoutée.
Octopeek démocratise l’Intelligence Artificielle dans l’entreprise : elle permet la création dynamique et le provisionnement d’applications d’Intelligence Artificielle d’entreprise « tout en un », personnalisables par les business analystes.