Les données Produits

Avant, dans la "vente en face à face", les erreurs de données produits n'avaient pas d'impact direct, car elles étaient corrigées par le personnel de l'entreprise au cours des interactions avec les clients (avant-vente et après-vente).

Dorénavant, avec le e-commerce et les appels d'offres informatisés, les interactions entre client et vendeurs sont rares. Car ces contacts sont trop fastidieux et trop lents pour les clients (et trop couteux pour les entreprises).

Ainsi, de bonnes données vont faire vendre les produits.  A l'inverse, lorsqu'un client sera confronté à de mauvaises données, il va échouer à trouver le produit ou renoncer à l'acheter.

Avec le e-commerce et les appels d'offres informatisés, en cas de mauvaises données, il n'y a plus de seconde chance, ni de feedback négatif, juste du chiffre d'affaires manqué, invisible et non quantifiable.

Dans ce contexte ultra-compétitif, les entreprises produisant de bonnes données vont prendre un avantage croissant et définitif sur leurs concurrents moins dynamiques.

Longtemps, les fabricants étaient les uniques consommateurs de leurs données produits. En effet, ils publient ces données sur leurs propres médias : brochures, catalogues, e-catalogue et logiciels. Ce processus était assez artisanal, avec une faible priorité et une correction permanente des erreurs.

Avec l'explosion du e-commerce, la demande de données aux fabricants est devenue pressante. Les données Produits constituent l'unique moyen de vendre en e-commerce. La guerre des prix laminant les marges des commerçants, pour faire des économies, ils ont tous renoncé à continuer à maintenir eux-même leurs données produits (même le Vieux Campeur).

Les commerçants se sont donc massivement mis à intégrer en l'état les données fabricants dans leurs ERP et leurs sites de e-commerce. Les problèmes de qualité de données ont alors été exposés au grand jour. Les fiches produits se sont avérée incomplètes, approximatives, inexactes, peu adaptées aux véritables attentes des clients finaux.

Chez les fabricants, les processus existants se sont avérés trop fragiles pour assurer le niveau de qualité attendu par leurs revendeurs. La tolérance à l'état de "brouillon permanent" des fiches produits s'est fracassée sur le niveau d'exigences des clients finaux et la complexité des mises à jour pour les commerçants.

Avec l'explosion de la demande en données produits et l'élévation critique du niveau d'exigence, les fabricants se sont pour la plupart noyés. Non seulement la collecte des informations est devenue monstrueuse, mais les revendeurs imposent le plus souvent des formats d'échange de données différents, voir exclusifs.

Cette situation a favorisé l'essor des formats d'échange de données standardisés. Les formats les plus anciens sont issus de la grande distribution alimentaire, où les produits sont moins techniques et donc l'information plus facile à modéliser. Mais pour les produits électriques, électroniques ou les fournitures pour professionnels, de nouveaux standards spécifiques ont été construits.

Les fabricants ont donc de moins en moins de formats différents à maintenir, mais les formats standardisés qui perdurent sont de plus en plus riches et complexes.

Standard ouvert

• Exemples : GS1, Fab-Dis, BMEcat
• Gouvernance collective du standard
• "Plus Petit Dénominateur Commun" entre adhérents
• Evolutivité par la diversité des demandes
• Souvent limité à un pays
• Réduction des coûts des données pour les fabricants

Standard Propriétaire e-commerçant

• Exemples : e-commerçants (ADEO, Amazon)
• Chaque e-commerçant impose exactement ses besoins
• Qualité des données et règles de mise à jour favorisées
• Levier de différenciation pour chaque distributeur
• Ventes à l'international (exemple : Amazon)
• Multiplie la charge de travail pour les fabricants

Transmission de fichier

• Exemples : Fab-Dis (Excel), BMEcat (XML)
• Moins d'investissements initialement
• Processus lent et lourd (100% des produits)
• Fréquence de mise à jour faible

Portail de gestion

• Exemples : 2BA (NL), e-commerçants
• Investissement initial élevé
• Mise à jour des données en temps réel
• Plus de maitrise sur l'impact des modifications

Informations structurées

• Exemple : ETIM
• Conçu pour alimenter des filtres par listes déroulantes
• Procède de méthodes anciennes, rigides et rudimentaires
• Harmonise les contenus mais bloque les spécificités produits
• Terminologie limitée pénalisant la recherche
• Evolutions extrêmement lourdes (multiples versions)

Descriptions libres et riches

• Exemple : Amazon
• Conçu pour une recherche libre comme sur Google
• Nécessite un excellent moteur de recherche sur le site de e-commerce
• Pages produits inégales, selon la maturité marketing des fabricants
• Terminologie riche et variée favorisant la recherche
• Evolutions faciles et rapides (rien à faire sur les systèmes)