Les métadonnées sont les informations descriptives associées à un produit qui ne constituent pas le produit lui-même mais le décrivent : des attributs comme la marque, la matière, la catégorie ou les étiquettes personnalisées, qui aident une plateforme à interpréter, classer et positionner correctement l'article. Il s'agit de la couche d'un flux produits qui va au-delà des simples données de prix et de disponibilité, en donnant à un algorithme shopping ou à un moteur de recherche le contexte nécessaire pour associer une fiche à la bonne requête ou au bon rayon. Un produit doté de métadonnées riches et exactes ressort généralement sur davantage de recherches pertinentes qu'un produit identique aux métadonnées lacunaires.
Pourquoi les métadonnées comptent pour la visibilité du flux
Les plateformes shopping classent et associent les fiches en grande partie selon l'adéquation entre leurs métadonnées et ce que recherche l'acheteur. Deux produits par ailleurs identiques peuvent donc obtenir des performances très différentes dans Google Shopping ou sur Meta uniquement en fonction du degré de complétude de leurs métadonnées. Des champs comme la catégorie de produit, les étiquettes personnalisées ou les attributs de matière et de motif ne sont pas décoratifs : ce sont des données que l'algorithme de correspondance d'une plateforme lit réellement, et leurs lacunes se traduisent directement par des impressions perdues. C'est aussi là que l'automatisation intervient le plus : compléter à la main les métadonnées manquantes d'un grand catalogue est lent et source d'erreurs, c'est pourquoi de nombreux processus de gestion de flux utilisent désormais des règles ou l'enrichissement par l'IA pour renseigner à grande échelle les champs de catégorie, d'attributs ou d'étiquettes plutôt que de les laisser vides.
Fonctionnement des métadonnées
Les métadonnées proviennent généralement d'un système source (un PIM ou un ERP) et rejoignent le flux soit directement, si elles ont été correctement saisies lors de la création du produit, soit via des étapes d'enrichissement qui les déduisent d'un titre ou d'une description dans le cas contraire. Une fois renseignés, les champs de métadonnées passent par une étape de normalisation pour correspondre à la taxonomie ou à l'énumération attendue par le canal de destination : une étiquette de catégorie interne est ainsi mappée vers la taxonomie produits de Google, et les étiquettes personnalisées sont standardisées afin de permettre une segmentation cohérente plus tard dans la campagne. Les outils de gestion de flux permettent souvent aux marchands de configurer des règles de métadonnées de repli (par exemple, déduire la couleur à partir du titre lorsque le champ est vide), précisément parce que les lacunes de métadonnées sont l'un des problèmes de qualité les plus courants d'un flux de données.
Exemple : champs de métadonnées d'un article de flux
<item>
<g:id>SKU-63120</g:id>
<title>Hand-Thrown Stoneware Mug - Speckled Blue</title>
<g:brand>Kiln & Co.</g:brand>
<g:google_product_category>Home & Garden > Kitchen & Dining > Tableware</g:google_product_category>
<g:product_type>Mugs > 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 du mug : chacun d'eux est une métadonnée, et chacun offre à la plateforme shopping une manière différente de classer, d'associer ou de segmenter cette fiche précise.
Concepts associés
Les métadonnées ne sont utiles qu'une fois normalisées selon les valeurs réellement attendues par un canal, et elles arrivent généralement dans le flux dans le cadre d'un pipeline de flux produits plus large, alimenté par un PIM avant même d'atteindre les rayons d'un canal. Pour une approche pratique du comblement des lacunes de métadonnées à grande échelle, consultez Comment automatiser l'enrichissement des données produits avec l'IA pour les flux.
