icon

Intelligence économique dans le e-commerce

Matching de produit dans le secteur e-commerce

Challenge

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 :

  • Garder une bonne vision sur son positionnement
  • Fournir instantanément à un acheteur les informations nécessaires pour évaluer et renégocier les offres des fournisseurs
  • Automatiser pour gagner en précision, gagner du temps et gagner des marges…

Solution

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 : 

  • les références de produits parfois spécifiques à un site
  • les informations sous différentes étiquettes
  • les normes d’écriture
  • les fautes d’orthographe… 

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.

Pourquoi Octopeek ?

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.

Cas d’usages

Amélioration de la qualité de service dans le secteur automobile

Exploitation des remontées clients lors de réparations chez les garagistes

En savoir plus

Automatisation des processus en banque d’investissement

Automatisation du bon de souscription par OCR

En savoir plus

Connaissance client dans le secteur assurance

Identifier et cibler les clients ayant une deuxième voiture

En savoir plus

Détection de fraude dans l’assurance automobile

Détecter les fournisseurs frauduleux

En savoir plus

Qualité de service dans les télécoms

Améliorer la qualité de service, augmenter le taux de renouvellement de contrat et réduire le nombre de mauvais payeurs

En savoir plus

Gestion du risque de crédit bancaire

Amélioration du système d’octroi de crédit chez les jeunes

En savoir plus

Diminuer le taux d’attrition dans les polices d’assurance habitation

Détecter et éviter l’attrition des clients insatisfaits

En savoir plus