Qualité des données produit : sept erreurs qui coûtent des ventes

Par Manuel Mattar3 min de lecture

En bref

La qualité des données produit mesure si les données du catalogue sont complètes, correctes et cohérentes. Les erreurs les plus coûteuses sont rares et récurrentes : SKU en double, valeurs non normalisées, mesures sans unité, caractéristiques perdues dans le texte et fiches différentes selon le canal. On les évite avec des règles dans le système, pas avec des relectures manuelles.

La qualité se voit dans les ventes

Un catalogue aux données de mauvaise qualité ne fait pas mauvaise impression dans un tableau de bord : c'est dans l'activité qu'il se voit. Des produits qu'un canal rejette, des filtres qui ne trouvent rien, des retours parce que la mesure était différente, des questions au service client auxquelles la fiche aurait dû répondre. Chaque erreur paraît petite ; ensemble, elles coûtent des ventes tous les jours.

Voici les sept erreurs qui reviennent le plus dans les catalogues, quel que soit le secteur.

1. Des SKU en double ou qui changent

Deux produits avec le même SKU s'écrasent l'un l'autre ; un produit qui change de SKU d'un import à l'autre apparaît deux fois. Comme le SKU est la clé qui relie tous les systèmes, une erreur à ce niveau se propage à la boutique, à l'ERP et à chaque marketplace.

2. Des valeurs non normalisées

« Bleu marine », « Marine », « Navy » et « BLEU MARINE » comme quatre couleurs différentes. Le filtre de la boutique affiche quatre options et chacune ne trouve qu'une partie des produits. On l'évite avec des attributs de type liste et des valeurs autorisées.

3. Des mesures sans unité

« 250 » ne dit pas s'il s'agit de millilitres ou de grammes ; « 12 » ne dit pas s'il s'agit de pouces ou de centimètres. Sans l'unité, la donnée ne peut être ni comparée, ni filtrée, ni convertie pour un autre marché.

4. Des caractéristiques perdues dans le texte

« Fabriqué en acier inoxydable de 2 mm avec poignée antidérapante » au milieu d'un paragraphe, c'est une information que la boutique ne peut ni filtrer ni envoyer à un canal. Les caractéristiques vont dans les attributs ; la description les mentionne.

5. Des fiches différentes sur chaque canal

Quand chaque canal est modifié séparément, l'information dérive : un prix, une mesure ou une photo différente à chaque endroit. L'acheteur qui compare se méfie, et celui qui achète reçoit quelque chose qu'il n'attendait pas.

6. Des images non vérifiées

Des photos qui ne correspondent pas à la variante, des images sans texte alternatif, la même photo pour trois couleurs différentes. L'image est la première chose que regarde l'acheteur, et la dernière que l'on vérifie.

7. Des données sans responsable

Quand personne n'est responsable d'une donnée, personne ne la corrige. Un attribut rempli par un fournisseur il y a deux ans est toujours là alors que le produit a changé. Sans responsable ni historique des modifications, on ne sait ni qui l'a changé ni quand.

Comment les repérer

Pas besoin d'un audit gigantesque pour trouver ces erreurs. Quelques vérifications simples suffisent pour commencer :

  • SKU répétés : triez le catalogue par SKU et cherchez ceux qui apparaissent deux fois.
  • Valeurs non normalisées : passez en revue la liste des valeurs distinctes de chaque attribut de type liste ; les variantes d'écriture sautent aux yeux.
  • Mesures sans unité : cherchez les valeurs qui ne sont qu'un nombre dans les attributs de mesure.
  • Écarts entre canaux : comparez la fiche de vos dix produits les plus vendus sur chaque canal où ils sont publiés.
  • Ce que demande le client : les questions qui reviennent encore et encore au service client signalent la donnée qui manque ou qui est erronée.

Comment éviter qu'elles reviennent

Corriger à la main fonctionne une fois ; les règles fonctionnent toujours :

  • Des attributs typés avec des valeurs autorisées et des unités.
  • Des champs obligatoires par famille et par canal.
  • Une relecture avant publication, avec une étape d'approbation claire.
  • Un historique des modifications qui dise ce qui a changé, qui l'a fait et quand, et qui permette de revenir en arrière.
  • Une source unique pour la fiche, exportée vers chaque canal au lieu d'être modifiée dans chacun.

Comment Bruxel y répond

Dans Bruxel, les attributs sont typés, avec des listes de valeurs et des mesures avec unité, et les familles indiquent ce qui est obligatoire. Chaque fiche conserve un historique de ce qui a changé dans chaque version et permet de revenir à une version antérieure, et les rapports de qualité du catalogue montrent ce qui manque et où. Tout s'exporte depuis un seul endroit vers chaque canal, comme le montre le guide pour exporter. Si vous voulez mesurer ce qui manque, poursuivez avec la complétude du catalogue.

Le tutoriel vidéo

Ce tutoriel a une vidéo dans d'autres langues : en espagnol · en anglais

Questions fréquentes

Qui doit être responsable de la qualité des données ?

Chaque donnée doit avoir un responsable clairement identifié : le service qui la saisit et la corrige. La qualité globale est l'affaire de tous, mais si une donnée n'a pas de responsable, personne ne la corrige.

À quelle fréquence faut-il passer le catalogue en revue ?

Les règles doivent vérifier chaque modification au moment où elle arrive. En plus, une revue hebdomadaire des produits qui se vendent le plus et une revue mensuelle du reste repèrent ce qui passe entre les mailles.

L'IA améliore-t-elle ou dégrade-t-elle la qualité des données ?

Elle l'améliore si elle part de données réelles et que quelqu'un relit ce qu'elle propose ; elle la dégrade si l'on publie sans relecture, car elle peut combler un vide avec une donnée qui sonne juste mais qui est fausse.

Sources

  1. Calidad de datos (Wikipedia, en espagnol)
  2. Data quality (Wikipedia, en anglais)

À propos de l'auteur

Manuel Mattar

Fondateur de Bruxel.AI

Il a fondé en 2014 Wolf Sellers, agence e-commerce à Mexico, puis Bruxel.AI, le PIM avec IA.

Voir tous les articles de Manuel Mattar

Essayez-le avec votre catalogue

Créez votre compte gratuit et essayez Bruxel avec vos propres produits grâce aux crédits de bienvenue.

À lire aussi

Qualité des données produit : sept erreurs qui coûtent des ventes