Le machine learning (apprentissage automatique) est un ensemble de techniques statistiques qui permettent à un logiciel d'apprendre des schémas à partir de données et de faire des prédictions sans être explicitement programmé pour chaque cas. En gestion de flux, il sert à des tâches comme la prédiction d'attributs produits manquants, la mise en correspondance d'annonces entre catalogues, la prévision de la demande ou la détection d'erreurs de données, des travaux trop lents ou trop irréguliers pour être confiés à de simples règles manuelles fixes. Plutôt que de remplacer purement et simplement les règles de flux, le machine learning fonctionne généralement à leurs côtés, en traitant les cas ambigus qu'une règle rigide manquerait ou traiterait mal.
Pourquoi le machine learning compte pour la gestion des flux
Les catalogues de plusieurs milliers ou millions de SKU présentent inévitablement des lacunes : catégories manquantes, conventions de tailles incohérentes, attributs incomplets ou titres qui ne correspondent pas à ce que les acheteurs recherchent réellement. Les corriger manuellement ne passe pas à l'échelle, et des règles métier statiques ne couvrent que les cas pour lesquels quelqu'un a pensé à écrire une règle. Des modèles de machine learning entraînés sur les données existantes du catalogue et des ventes peuvent déduire un attribut manquant à partir de produits similaires, prédire la catégorie d'un nouvel article ou estimer les évolutions de la demande en fonction de la saisonnalité et de l'historique des prix, comblant ainsi des lacunes à une échelle qu'aucune revue manuelle ne pourrait atteindre. L'enjeu touche directement le chiffre d'affaires : les attributs remplis à partir de la meilleure estimation d'un modèle doivent rester suffisamment exacts pour satisfaire aux exigences des canaux et correspondre à l'intention des acheteurs, faute de quoi l'automatisation ne fait que remplacer un type d'erreur par un autre.
Comment fonctionne le machine learning dans les pipelines de flux
La plupart des applications de machine learning liées aux flux reposent sur un modèle entraîné (construit à partir de données produits historiques, de résultats de ventes ou d'annonces concurrentes collectées) qui attribue un score ou prédit une valeur pour chaque article traversant le pipeline. Il peut s'agir de prédire un type de produit manquant, d'estimer des niveaux de prix optimaux ou de faire correspondre le SKU d'un marchand avec la fiche de référence du catalogue d'une marketplace, une tâche étroitement liée au matching hybride, qui combine souvent le scoring par machine learning avec une logique à base de règles pour les cas où le modèle est moins sûr de lui. Les mêmes techniques alimentent la prévision de la demande, où des modèles entraînés sur l'historique des ventes et la saisonnalité prédisent la demande future, ainsi que la normalisation, où des modèles peuvent standardiser des valeurs de taille, de couleur ou d'unité incohérentes d'un fournisseur à l'autre bien plus vite que des tables de correspondance manuelles. Comme les résultats d'un modèle sont probabilistes et non certains, la plupart des pipelines en production fixent des seuils de confiance : seules les prédictions au-dessus d'un certain score sont appliquées automatiquement, les cas moins sûrs étant transmis à une revue humaine.
Exemple : champs prédits par machine learning dans un flux produits
<item>
<g:id>SKU-40217</g:id>
<title>Ceramic Pour-Over Coffee Dripper - Speckled White</title>
<link>https://example-shop.com/products/ceramic-pour-over-dripper</link>
<g:price>34.00 USD</g:price>
<g:product_type>Home & Kitchen > Coffee & Tea > Drip Coffee Makers</g:product_type>
<g:google_product_category>Kitchen & Dining > Kitchen Appliances</g:google_product_category>
<custom_label_0>ml_category_confidence:0.91</custom_label_0>
<custom_label_1>ml_predicted_field:product_type</custom_label_1>
</item>Ici, product_type et google_product_category ont été renseignés par un modèle plutôt que saisis manuellement, et le score de confiance indiqué dans le libellé personnalisé permet aux règles en aval de décider si cette prédiction est suffisamment fiable pour être publiée telle quelle.
Concepts liés
Le machine learning sous-tend plusieurs autres disciplines de la gestion des flux plutôt que d'exister à part : c'est le moteur d'une grande partie de la prévision de la demande moderne, il alimente le volet automatisé de la normalisation lorsque les catalogues ont besoin de valeurs cohérentes à grande échelle, et il est fréquemment combiné à une logique déterministe dans le matching hybride pour rapprocher des annonces de sources différentes. Les équipes qui souhaitent appliquer ces techniques à leurs propres catalogues trouveront un guide pratique dans Utiliser l'IA pour une gestion et une automatisation plus intelligentes des flux e-commerce, qui montre où l'automatisation pilotée par des modèles trouve sa place à côté des règles de flux traditionnelles.
