Dans sa course de fond avec Decathlon, Intersport muscle sa donnée produit avec l’IA

Le traitement de la donnée, un « pain point » pour Intersport

« Nous avons une volonté affichée de devenir l’enseigne de sport la plus proche des Français », lance Mathieu Pellet, directeur de la transformation numérique d’Intersport. « Pour cela, nous misons sur l’accessibilité aux plus grandes marques de sport. C’est une différence majeure par rapport à notre concurrent principal ».

Ce catalogue de marques plus large n’est pas sans introduire de la complexité. Cinq cents marques envoient plusieurs fois par an au distributeur leurs références sous forme de fichiers qui doivent être traités en amont, avant leur vente en rayon et sur le site e-commerce. Le site Web est d’ailleurs en plein boom, il représente désormais plus de 5 % du chiffre d’affaires.

« Notre rôle de centrale, c’est de permettre de commander facilement. Il faut que nous ayons les catalogues les plus larges et complets possibles, et qu’ils soient disponibles en temps et en heure ».

La récupération des données, leur standardisation, puis leur intégration dans les outils métiers d’Intersport, constituaient de véritables « pain points », comme les qualifie Mathieu Pellet. L’enjeu pour l’entreprise était donc de résoudre ces points bloquants et d’accélérer dans le traitement de la donnée produit pour favoriser le time-to-market, mais aussi pour l’harmoniser dans une optique omnicanal (online et offline).

De manière opérationnelle, il s’agissait pour Intersport d’automatiser le plus possible la catégorisation des produits pour gagner du temps et d’avancer sur la problématique du référentiel produits unique pour son réseau de magasins. Ce référentiel constitue un facilitateur pour les commandes des adhérents auprès de la centrale.

« Chaque adhérent est libre de ses achats et des marques qu’il souhaite proposer en magasin », rappelle Olivier Robert, responsable organisations et référentiels. « Notre rôle en tant que centrale, c’est de lui permettre de commander plus facilement. Il faut donc que nous ayons les catalogues les plus larges et les plus complets possibles, et qu’ils soient mis à disposition en temps et en heure ».

100 000 produits classifiés en un mois grâce à l’IA

Le planning est serré et la volumétrie conséquente. Les données doivent être intégrées avant le passage dans les boutiques des commerciaux des marques, sous peine de voir se créer des référentiels localement – ce qui remet en cause l’harmonisation à l’échelle de l’ensemble du réseau.

Crédit : Intersport

Pour accélérer la préparation et la présentation des catalogues aux acheteurs, il était donc capital d’automatiser la classification des articles.

Cette opération consiste à ajouter de la donnée interne aux informations transmises par les fournisseurs. Intersport utilise sa propre classification, qui lui permet ensuite de disposer de chiffres détaillés sur ses ventes, c’est-à-dire de piloter l’ensemble de son business.

Le descriptif produit communiqué par la marque comprend des données comme « chemise, blanche, taille S ». Dans son référentiel, Intersport ajoutera par exemple « textile homme, chemise, homme, manche longue. » Et la liste des critères est longue et confidentielle.

Catégoriser ainsi plusieurs fois par an, sur 1,5 mois 500 catalogues, représentait une tâche titanesque, mais elle était essentielle pour suivre la performance des magasins, rayon par rayon.

Il y a un an, ces opérations étaient manuelles. L’automatisation devait faire gagner du temps dans le processus, tout en garantissant un niveau de qualité identique.

C’est la fonction assurée désormais par l’intelligence artificielle (du machine learning) conçue par l’éditeur Unifai. L’humain n’est cependant pas totalement exclu. Pour chaque classification, l’IA identifie, en fonction d’un niveau de précision personnalisable, les lignes nécessitant d’être validées ou complétées par un collaborateur. Aujourd’hui, 80 % de la classification sont automatisés.

Prochaine épreuve : enrichir automatiquement les fiches e-commerce

La mise en production de cet algorithme est intervenue en octobre 2020, après des premiers contacts avec Unifai en juillet. Pour Intersport, l’automatisation représente aujourd’hui un gain de 50 % sur le temps de classification des nouveautés (soit 100 000 articles traités en un mois et 18 heures économisées par responsable intégration, par semaine).

« Une fiche produit enrichie convertit jusqu’à 1,5 fois plus qu’une fiche standard. »

Ces jours gagnés sont aussi l’opportunité d’observer plus vite les tendances de ventes en magasin et de mettre à disposition plus d’articles sur le site Web, notamment en ship-from-store (SFS). Intersport propose en effet de la livraison de commandes en ligne directement depuis plus de 200 des boutiques du réseau. Or, le SFS est un accélérateur de l’activité e-commerce de l’enseigne, encore plus depuis la Covid.

Intersport espère aujourd’hui progresser encore grâce à l’amélioration continue de son IA de classification, liée à la capacité d’apprentissage du ML. Olivier Robert anticipe logiquement une hausse du taux d’automatisation au cours des prochains mois. Au démarrage du projet, deux mois (juillet-août) ont déjà été consacrés à l’apprentissage de la machine via des catalogues préclassifiés ; suivait une phase de tunning de l’IA sur un mois en septembre.

Le distributeur français prépare à présent un deuxième cas d’usage de la plateforme Unifai. Elle sera, cette fois, au service de l’e-commerce. Intersport prévoit donc d’automatiser l’enrichissement des fiches produits au travers de l’ajout d’attributs.

À la clé, plus d’informations pour les consommateurs, un facteur clé pour la conversion, et aussi pour les moteurs de recherche.

« Des marques constatent qu’une fiche produit enrichie convertit jusqu’à 1,5 fois plus qu’une fiche standard. C’est considérable », promet Jesse Créange, PDG et cofondateur d’Unifai.