Les métadonnées sont des informations descriptives associées à un produit. Elles ne constituent pas le produit lui-même, mais le décrivent : marques, matières, catégories ou étiquettes personnalisées, par exemple, qui aident une plateforme à interpréter, classer et référencer correctement l'article. Il s'agit de la couche d'un flux de produits qui va au-delà des simples informations de prix et de disponibilité, fournissant à un algorithme de recherche ou à un moteur de recherche le contexte nécessaire pour associer une fiche produit à la requête ou au rayon approprié. Un produit doté de métadonnées riches et précises apparaît généralement dans des résultats de recherche plus pertinents qu'un produit identique, mais avec des métadonnées incomplètes.

Pourquoi les métadonnées sont importantes pour la visibilité des flux

Les plateformes de shopping classent et associent les annonces principalement en fonction de la pertinence de leurs métadonnées par rapport aux recherches des acheteurs. Ainsi, deux produits par ailleurs identiques peuvent afficher des résultats très différents sur Google Shopping ou Meta, selon l'exhaustivité de leurs métadonnées. Des champs comme la catégorie du produit, les étiquettes personnalisées et les attributs de matière ou de motif ne sont pas de simples informations : ce sont des données que l'algorithme de correspondance de la plateforme analyse, et toute omission se traduit directement par une perte d'impressions. C'est là que l'automatisation intervient : renseigner manuellement les métadonnées manquantes dans un catalogue volumineux est long et source d'erreurs. De ce fait, de nombreux systèmes de gestion de flux utilisent désormais des règles ou l'enrichissement par IA pour compléter automatiquement les champs de catégorie, d'attribut ou d'étiquette à grande échelle, au lieu de les laisser vides.

Comment fonctionnent les métadonnées

Les métadonnées proviennent généralement d'un système source (PIM ou ERP) et sont intégrées au flux soit directement, si elles ont été correctement saisies lors de la création du produit, soit par le biais d'étapes d'enrichissement qui les déduisent d'un titre ou d'une description, dans le cas contraire. Une fois renseignés, les champs de métadonnées sont normalisés afin de correspondre à la taxonomie ou à l'énumération attendue par le canal de destination. Ainsi, une étiquette de catégorie interne est associée à la taxonomie produit de Google, et les étiquettes personnalisées sont standardisées pour permettre une segmentation cohérente ultérieurement dans une campagne. Les outils de gestion de flux permettent souvent aux détaillants de configurer des règles de métadonnées de secours (par exemple, déduire la couleur d'un titre lorsque le champ est vide), car les lacunes dans les métadonnées constituent l'un des problèmes de qualité les plus fréquents dans un flux de données.

Exemple : Champs de métadonnées d’un élément de flux

<item>
  <g:id>SKU-63120</g:id>
  <title>Hand-Thrown Stoneware Mug - Speckled Blue</title>
  <g:brand>Kiln &amp; Co.</g:brand>
  <g:google_product_category>Home &amp; Garden &gt; Kitchen &amp; Dining &gt; Tableware</g:google_product_category>
  <g:product_type>Mugs &gt; Ceramic</g:product_type>
  <g:material>Stoneware</g:material>
  <g:color>Speckled Blue</g:color>
  <g:custom_label_0>Bestseller</g:custom_label_0>
</item>

Aucun de ces champs ne décrit le prix ou la disponibilité de la tasse ; chacun d’eux est une métadonnée, et chacun offre à la plateforme d’achat une manière différente de classer, de faire correspondre ou de segmenter cette annonce précise.

Concepts associés

Les métadonnées ne sont utiles qu'une fois normalisées selon les valeurs attendues par un canal de distribution. Elles sont généralement intégrées au flux dans le cadre d'un processus plus large de traitement des données produits, extrait d'un système d'information produit (PIM), avant même d'être disponibles sur les plateformes de distribution. Pour une démonstration pratique de l'enrichissement des métadonnées à grande échelle, consultez l'article « Automatisation de l'enrichissement des données produits grâce à l'IA pour les flux ».