Métriques de qualité des données pour le merchandising et le catalogue

Une cliente cherche « robe midi noire » sur votre site. Quarante résultats s'affichent. Douze n'indiquent aucune composition de tissu, cinq ne montrent qu'une photo à plat sans vue portée, trois ont un guide des tailles qui associe « M » à un tour de taille de 32 pouces (faux pour cette marque), et deux correspondent à la même robe référencée deux fois sous des SKU différents. Cette cliente rebondit. Vous ne verrez jamais pourquoi dans votre dashboard de chiffre d'affaires. C'est la qualité des données catalogue, et elle détruit silencieusement à la fois la conversion et l'allocation.

Cette leçon vous montre comment la mesurer.

Pourquoi la qualité du catalogue est un problème de données, pas un problème de contenu

Les merchandisers traitent souvent les données produit manquantes comme un problème du type « quelqu'un a oublié de remplir le champ ». C'est en réalité un problème de qualité de données mesurable et suivable, avec des effets directs en aval.

Deux systèmes consomment vos données catalogue :

• Le système côté client (recherche sur le site, filtres, pages produit). Des attributs manquants signifient que les produits n'apparaissent pas dans les résultats filtrés. Une robe sans valeur « longueur de manche » est invisible quand une cliente filtre sur « manches longues ».
• Le système d'allocation et de planification. Les SKU (Stock Keeping Units, le code unique de chaque variante vendable) en doublon répartissent le signal de demande sur deux enregistrements, si bien que votre modèle de réapprovisionnement sous-commande les deux.

Des données catalogue défectueuses cassent la découverte et elles cassent les calculs qui décident où va le stock.

Les quatre métriques clés

Nous suivons quatre métriques. Chacune est un ratio simple que vous pouvez calculer dès aujourd'hui depuis un export produit.

1. Taux de complétude des attributs

La part des attributs requis effectivement renseignés dans votre catalogue.

D'abord, définissez un ensemble d'attributs requis par catégorie. Pour les robes, ce pourrait être : couleur, composition du tissu, longueur de manche, encolure, longueur de robe, instructions d'entretien, pays d'origine. Pour les sacs à main, c'est différent : matière, dimensions, type de bandoulière, fermeture.

Ensuite :

Complétude des attributs = cellules d'attributs remplies / (produits x attributs requis par produit)

Exemple chiffré. Vous avez 500 robes, chacune nécessitant 7 attributs. Cela fait 3 500 cellules requises. Votre export montre que 2 940 sont renseignées.

2 940 / 3 500 = 0,84 = 84 % de complétude

Note de benchmark : les distributeurs visent couramment 95 % ou plus pour les attributs critiques pour la recherche. En dessous de 90 %, cela signifie généralement des trous visibles dans la navigation filtrée. (Considérez « 95 % » comme un objectif opérationnel largement cité, non comme une norme officielle.)

Ne faites pas la moyenne de tous les attributs à poids égal. Pondérez ceux sur lesquels les clients filtrent. Une « instruction d'entretien » manquante fait moins de mal qu'une « couleur » manquante qui retire l'article de tous les filtres de couleur.

2. CouvertureCouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → des images

Les images pèsent plus sur la conversion en mode que n'importe quel champ texte. Mesurez deux choses.

Conformité au nombre minimum d'images : la part des SKU qui respectent votre standard d'images. Si votre standard est « au moins une vue portée plus trois vues détail », un produit avec seulement une photo à plat échoue.

Conformité images = SKU respectant le standard d'images / total des SKU

La couverture en vue portée spécifiquement, parce que le prêt-à-porter convertit bien mieux avec une photo portée qu'avec une image produit seule.

Exemple : 500 robes, 430 ont une image portée.

430 / 500 = 86 % de couverture en vue portée

L'écart de 14 % correspond souvent aux arrivages de nouvelle saison ou aux articles issus de marketplaces où vous n'avez hérité que de l'image à plat du fournisseur.

3. Exactitude des guides des tailles

La moins mesurée et la plus coûteuse. Des guides des tailles erronés génèrent des retours, et les taux de retour en prêt-à-porter sont élevés : pour le prêt-à-porter en ligne, les retours se situent couramment entre 20 et 30 %, avec une part importante liée au fit (estimations sectorielles largement citées, à date de 2025). Les retours liés au fit sont une pure fuite de marge, plus le coût de la logistique retour.

L'exactitude des guides des tailles est plus difficile à calculer que les autres parce que « correct » n'est pas une cellule remplie ou vide. Mesures pratiques :

• Taux de rattachement guide-produit : part des SKU rattachés au bon guide des tailles pour leur marque et leur catégorie. Le guide d'une marque américaine appliqué à un article en tailles européennes est un défaut.
• Contrôle de cohérence des mesures : signalez les guides où les mesures n'augmentent pas de façon monotone d'une taille à l'autre (un tour de poitrine S supérieur à un tour de poitrine M est une erreur de données).

# Signale les guides des tailles non monotones (signal d'erreur de saisie)
def flag_bad_charts(chart):
    chests = [chart[s] for s in ["XS","S","M","L","XL"]]
    return chests != sorted(chests)   # True = signalé comme défectueux

Faites tourner ce contrôle sur chaque guide chaque semaine. Il attrape les erreurs du type « M et L inversés » qui génèrent des pics de retours.

4. Taux de SKU en doublon

Les doublons apparaissent quand le même produit physique entre deux fois dans votre système : une fois via un flux fournisseur, une fois par saisie manuelle, souvent avec des titres légèrement différents.

Taux de doublons = enregistrements SKU en doublon / total des enregistrements SKU

Détecter les doublons exige une logique de rapprochement, pas seulement une correspondance exacte sur le titre. Rapprochez sur des combinaisons : marque + numéro de modèle + couleur + taille, ou utilisez le GTIN (Global Trade Item Number, le standard de code-barres) quand il est disponible. Si deux enregistrements partagent un GTIN, c'est le même produit.

Exemple : 12 000 enregistrements SKU, la logique de rapprochement en identifie 360 qui sont des doublons d'un enregistrement existant.

360 / 12 000 = 3 % de taux de doublons

Même 3 % comptent : ces 360 répartissent stock et demande sur deux enregistrements, ce qui corrompt votre modèle d'allocation.

🎬 [VIDEO: "Product Data QualityData QualityLe degré d'aptitude des données à l'usage prévu : exactes, complètes, cohérentes, à jour, valides et uniques. Une data quality faible fragilise l'analytics, le reporting et l'IA.Voir la définition complète → Fundamentals" - youtube.com - un parcours clair des dimensions de complétude, cohérence et exactitude appliquées aux catalogues retail]

Où vivent ces données

Vos métriques ne valent que ce que valent vos sources. Le flux type de données catalogue en prêt-à-porter :

• PIM (Product Information Management) : le système mamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →ître qui héberge attributs, descriptions et liens d'images. C'est là que la complétude se mesure et s'impose.
• DAM (Digital Asset Management) : stocke les fichiers images et vidéos réels auxquels les métriques de couverture d'images font référence.
• ERP / système de merchandising : héberge les enregistrements SKU, les GTIN et le stock, la source pour la détection des doublons.
• Flux fournisseurs / marketplaces : données entrantes de qualité variable, la source la plus fréquente de trous et de doublons.

Le principe de gouvernance : définissez les attributs requis et les standards d'images dans le PIM sous forme de règles de validation, pour que les enregistrements défectueux ne puissent pas être publiés au départ. Mesurer la qualité après publication, c'est du triage. Bloquer à l'ingestion, c'est de la prévention.

Pour une introduction solide et indépendante des éditeurs sur la discipline qui sous-tend ces dimensions, voir l'aperçu des dimensions de qualité des données DAMA, l'organisme sectoriel de la gestion des données.

TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → les métriques en scorecard

Combinez les quatre en une vue unique de santé du catalogue, rafraîchie chaque semaine, découpée par catégorie et par source de données.

Le découpage par source révèle généralement que les flux marketplace et dropship portent l'essentiel des défauts, tandis que les produits first-party shootés en studio obtiennent de bons scores. Cela vous dit exactement où investir : des règles d'onboarding fournisseurs, pas plus d'effectifs internes.

Relier la qualité aux résultats

Pour obtenir du budget sur les travaux de qualité des données, reliez les métriques à l'argent avec des données, pas des suppositions.

Gain de découverte. Menez un test avant/après. Prenez 200 robes sans « longueur de manche », renseignez-la, et mesurez leurs impressionsimpressionsLe nombre total de fois qu'une publicité ou un contenu est affiché, indépendamment des clics. Chaque affichage compte pour une impression, même auprès de la même personne.Voir la définition complète → en recherche filtrée sur quatre semaines face à un groupe de contrôle. Les produits qui apparaissent désormais dans les filtres devraient gagner des impressions. C'est un test causal propre et mesurable.

Réduction des retours. Suivez le taux de retour des SKU avant et après correction du guide des tailles. Si un guide corrigé sur un modèle de jean fait passer son taux de retour lié au fit de 28 % à 22 %, cette baisse de six points est directement attribuable et quantifiable à l'unité.

Exactitude de l'allocation. Après dédoublonnage, comparez l'erreur de prévision (mesurée en MAPE, Mean Absolute Percentage Error, l'ampleur moyenne des écarts de prévision) pour les SKU fusionnés. Un signal de demande consolidé resserre généralement la prévision.

L'idée : ne défendez jamais la qualité des données par principe. Instrumentez-la. Chacune de ces métriques a un effet mesurable en aval que vous pouvez tester.

Une cadence simple

• Quotidien : les règles de validation bloquent les enregistrements incomplets à l'ingestion dans le PIM.
• Hebdomadaire : faites tourner la scorecard à quatre métriques, découpée par catégorie et par source.
• Mensuel : lancez le contrôle de non-monotonie des guides des tailles et un scan complet des doublons sur tout le catalogue.
• Trimestriel : menez un test avant/après sur la découverte ou les retours pour garder le discours financier à jour.

Points clés à retenir

• Quatre métriques couvrent l'essentiel du risque catalogue : complétude des attributs, couverture des images, exactitude des guides des tailles et taux de SKU en doublon. Chacune est un ratio simple issu d'un export produit.
• Pondérez la complétude selon ce sur quoi les clients filtrent. Une couleur manquante retire un article de la recherche ; une étiquette d'entretien manquante, rarement.
• L'exactitude des guides des tailles est la plus coûteuse et la moins mesurée. Les retours liés au fit (une large part de la fourchette couramment citée de 20 à 30 % de retours en prêt-à-porter en ligne) remontent directement à des guides erronés ou mal rattachés.
• Prévenez à l'ingestion, pas après publication. Imposez les attributs requis et les standards d'images comme règles de validation PIM ; découpez les défauts par source, puisque les flux marketplace en portent généralement la majorité.
• Reliez toujours la qualité à un résultat mesuré : impressions en découverte, taux de retour ou erreur de prévision. Instrumentez l'effet, ne l'affirmez pas.