Glossaire

Le glossaire des données produit et du commerce assisté par l’IA.

Des définitions claires des termes des données produit, des identifiants, de la taxonomie et du commerce assisté par l’IA qui décident si vos produits sont trouvés, comparés et achetés.

IA et commerce agentique

Agent IA: Logiciel qui agit pour le compte d’un acheteur afin de trouver, comparer et acheter des produits. Il décide à partir de données structurées, et non en parcourant des pages.
IA agentique: Systèmes d’IA qui planifient et mènent à bien de manière autonome des tâches en plusieurs étapes, en choisissant en cours de route les actions et les outils à utiliser. Les agents IA qui font des achats sont de l’IA agentique appliquée au commerce.
Commerce assisté par l’IA: Commerce dans lequel des agents et des assistants IA découvrent, évaluent et réalisent des transactions, en lisant des données produit structurées plutôt que des pages marketing.
Commerce agentique: Commerce dans lequel des agents IA découvrent, comparent et achètent pour le compte d’un acheteur, en s’appuyant sur des données produit structurées plutôt qu’en parcourant des pages. C’est le terme en usage sur le marché pour désigner le commerce assisté par l’IA. Le commerce agentique et le Golden Catalog →
Agent Engine OptimizationAEO: Optimisation pour les agents IA : la pratique qui consiste à structurer les attributs produit pour que les agents IA puissent lire, comparer et recommander un produit. On parle aussi d’Answer Engine Optimization. Les agents IA achètent sur la base des attributs →
Attributs prêts pour les agents IA: Attributs produit validés et structurés, mis en forme pour que les agents IA puissent les lire et s’en servir pour agir. Attributs prêts pour les agents IA : marques de mode →
Protocoles agentiques: Normes émergentes qui permettent aux agents IA d’échanger des données de commerce structurées. atronous livre des données compatibles avec ces protocoles.
Model Context ProtocolMCP: Norme ouverte qui permet de connecter des agents IA à des outils et à des sources de données externes, comme le catalogue produit ou le système de gestion des stocks d’une marque.
Agent2AgentA2A: Protocole ouvert qui permet aux agents IA de se découvrir, de communiquer et de se coordonner entre eux, d’un système à l’autre.
Universal Commerce ProtocolUCP: Norme ouverte de commerce agentique qui permet aux agents IA, aux marchands et aux prestataires de paiement d’interopérer sur l’ensemble du parcours d’achat, sans intégrations ponctuelles développées sur mesure.
Agentic Commerce ProtocolACP: Norme ouverte (créée par OpenAI et Stripe) qui permet à un acheteur de finaliser un achat dans un assistant d’IA générative tel que ChatGPT.
Agent Payments ProtocolAP2: Norme d’autorisation et de traitement des paiements entre les agents IA et les systèmes de commerce.
Paiements agentiques: Flux de paiement conçus pour que des agents IA initient et finalisent des achats pour le compte d’un acheteur, le consentement et l’autorisation étant gérés par un protocole plutôt que par une page de paiement.
Paiement agentique: Achat qu’un agent IA finalise pour l’acheteur au sein d’une conversation ou d’un workflow. Notion proche du paiement zéro clic, qui supprime entièrement la visite de la boutique en ligne.
Commerce conversationnel: Le fait d’acheter par l’intermédiaire d’un assistant conversationnel, écrit ou vocal, qui interprète une demande et renvoie des produits précis.
Paiement zéro clic: Achat qu’un agent ou un assistant finalise sans que l’acheteur se rende sur une boutique en ligne.
Grand modèle de langageLLM: Modèle d’IA entraîné sur de vastes corpus de textes, qui génère et interprète le langage naturel. C’est le moteur de la plupart des assistants IA d’aide à l’achat.
Embedding: Représentation vectorielle : un vecteur numérique qui représente un texte ou une image pour permettre à un système de mesurer des similarités. On l’utilise pour la recherche, les recommandations et la mise en correspondance.
Recherche sémantique: Recherche fondée sur le sens plutôt que sur des mots-clés exacts, souvent à l’aide d’embeddings.
Recherche vectorielle: Méthode de récupération qui classe les éléments selon la similarité entre leurs embeddings.
Génération augmentée par récupérationRAG: Approche dans laquelle un modèle d’IA récupère des données pertinentes, comme des attributs produit, et s’en sert pour ancrer sa réponse.
Recherche en langage naturel: Recherche qui accepte une question ou une instruction complète et renvoie des résultats précis, qui correspondent aux attributs demandés.

Recherche IA, moteurs de réponse et découverte

Moteur de réponse: Système d’IA qui répond à une requête par une réponse unique et synthétique, au lieu d’une liste de liens.
Moteur génératif: Expérience de recherche par IA qui compose une réponse à partir de nombreuses sources, comme ChatGPT, Perplexity ou les AI Overviews de Google.
Generative Engine OptimizationGEO: Optimisation pour les moteurs génératifs : structurer contenus et données pour qu’une marque apparaisse et soit citée dans les réponses générées par l’IA. Notion très proche de l’AEO.
AI OverviewAIO: Le résumé de réponse généré par l’IA que Google affiche au-dessus des résultats de recherche classiques, appelé « Aperçu IA » en français.
Citation par l’IA: Le fait qu’une réponse d’IA mentionne votre marque ou votre contenu, ou renvoie vers eux. C’est l’équivalent, à l’ère de l’IA, d’un classement dans les résultats de recherche.
Citation intégrée: Lien cliquable vers une source, placé à l’intérieur d’une réponse générée par l’IA.
IA générative: IA qui crée de nouveaux contenus, comme du texte ou des images, au lieu de se limiter à analyser des données existantes.
Traitement automatique du langage naturelNLP: IA qui interprète et comprend le langage humain.
Génération de langage naturelNLG: IA qui produit un texte lisible par un humain à partir de données ou d’entrées structurées.
Ancrage (grounding): La façon dont un modèle d’IA ancre sa réponse dans des sources vérifiables et à jour plutôt que dans sa mémoire, ce qui réduit les erreurs.
Hallucination: Réponse factuellement fausse, affirmée avec assurance, qu’un modèle d’IA donne lorsqu’il ne dispose pas de données sur lesquelles ancrer sa réponse. Des données produit exactes et structurées en sont l’antidote.
Query fan-out: Démultiplication d’une requête : un moteur d’IA décompose un prompt en plusieurs sous-requêtes lancées en arrière-plan, puis en synthétise les résultats.
Recherche agentique: Recherche en plusieurs étapes, menée par des agents IA sur plusieurs sources, pour répondre à une requête.
Recherche conversationnelle: Le fait de poser des questions en langage naturel et de les affiner au fil d’un échange.
Base de données vectorielle: Système de stockage optimisé pour les embeddings, sur lequel reposent la recherche par similarité et la recherche sémantique.
Données structurées: Balisage standardisé qui indique aux moteurs de recherche et à l’IA ce que signifie le contenu d’une page.
Balisage schema.org: Le vocabulaire schema.org ajouté aux pages, par exemple Product, Offer et FAQ, pour que les moteurs puissent en interpréter le contenu.
Résultat enrichi: Résultat de recherche amélioré, qui affiche par exemple un prix, une note ou la disponibilité, généré à partir de données structurées.
Extrait optimisé: Encadré de réponse directe affiché en haut d’une page de résultats de recherche.
Autres questions poséesPAA: Fonctionnalité des pages de résultats qui présente des questions connexes avec des réponses dépliables.
Page de résultats de rechercheSERP: La page de résultats qu’un moteur renvoie pour une requête.
Entité: Chose ou concept distinct, comme un produit, une marque ou une personne, que les moteurs peuvent identifier et relier à d’autres.
Graphe de connaissances: Base de données d’entités et de leurs relations, qui fournit du contexte à un moteur.
Autorité thématique: La crédibilité qu’un site acquiert sur un sujet grâce à des contenus complets et cohérents.
E-E-A-T: Le cadre qualité de Google : Experience, Expertise, Authoritativeness et Trust (expérience, expertise, autorité et fiabilité). Il influence aussi la façon dont l’IA pondère ses sources.
llms.txt: Fichier placé à la racine d’un site, encore au stade de proposition, qui oriente les robots d’exploration IA vers ses contenus les plus importants, à la manière d’un robots.txt pour l’ère de l’IA.
robots.txt: Fichier placé à la racine d’un site, qui indique aux robots d’exploration les parties du site auxquelles ils peuvent accéder.
Robot d’exploration: Logiciel, souvent appelé bot, qui parcourt le web pour collecter et indexer des contenus. Les robots d’exploration IA en font partie.

Données produit et systèmes

Données produit: Les informations structurées qui décrivent un produit : identifiants, attributs, descriptions, médias et prix.
Intelligence des données produit: La catégorie qu’atronous a faite sienne : la génération, la validation et l’activation des données produit, pilotées par l’IA, avec une exactitude déterministe à grande échelle. À propos d’atronous →
Gestion des informations produitPIM: Système qui stocke et organise les informations produit en vue de leur diffusion vers les canaux. Il stocke les données ; il ne les génère pas et ne les valide pas selon les règles de catégorie à grande échelle. Ce qui distingue atronous d’un PIM →
Gestion des données produitPDM: Dans le commerce, la discipline qui consiste à collecter, valider et maintenir les données qui décrivent les produits destinés à la vente. En ingénierie, la même abréviation désigne la gestion des fichiers CAO et de conception, une pratique distincte.
Gestion de l’expérience produitPXM: Le PIM étendu à des expériences produit et à une présentation propres à chaque canal.
Gestion des actifs numériquesDAM: Système qui stocke et organise des médias tels que des images, des vidéos et des documents.
Progiciel de gestion intégréERP: Le système de référence des opérations essentielles de l’entreprise, notamment les stocks, les commandes et la finance.
Données de référence: Les fiches de base qui font autorité et qu’une entreprise partage entre ses systèmes, comme les produits, les clients et les sites.
Gestion des données de référenceMDM: La discipline et les outils qui maintiennent la cohérence des fiches de base, comme les produits, les clients et les sites, dans tous les systèmes qui les utilisent. Les données de référence produit en sont la partie qui décrit ce qu’une entreprise vend.
Golden record: Fiche de référence unique : une seule fiche, validée et qui fait autorité, pour une entité donnée, réconciliée à partir de nombreuses sources.
Golden Catalog: Le terme d’atronous pour désigner des données produit normalisées, validées et prêtes pour chaque canal, qui circulent partout où elles sont nécessaires. Le commerce agentique et le Golden Catalog →
Source de vérité: Le jeu de données qui fait autorité, auquel les autres systèmes et les agents IA se fient et qu’ils consultent.
Activation des données: Rendre des données validées exploitables dans les systèmes et les canaux en aval. atronous active et livre les données ; c’est le client ou son PIM qui les publie.
Syndication: Diffusion des données produit vers plusieurs canaux ou places de marché.
Flux de données: Fichier structuré ou flux continu de données produit, envoyé à un canal.
Flux produit: Export structuré de données produit envoyé à un canal, à une place de marché ou à une plateforme publicitaire, généralement à intervalles réguliers. Autre nom du flux de données.
Interface de programmation d’applicationAPI: Interface définie qui permet à des systèmes d’échanger des données par programmation.
Webhook: Message automatique qu’un système envoie à un autre lorsqu’un événement se produit.

Identifiants et normes

Unité de gestion de stockSKU: L’identifiant interne qu’un vendeur attribue à une variante précise d’un produit, proposée à la vente.
Global Trade Item NumberGTIN: Identifiant mondial GS1 d’une unité commerciale. Les codes UPC et EAN sont des formats de GTIN.
Universal Product CodeUPC: Identifiant de code-barres à 12 chiffres, utilisé principalement en Amérique du Nord.
European Article NumberEAN: Identifiant de code-barres à 13 chiffres, aussi appelé International Article Number.
Référence fabricantMPN: L’identifiant propre au fabricant pour une pièce ou un produit.
Amazon Standard Identification NumberASIN: L’identifiant produit interne d’Amazon.
Code-barres: Représentation lisible par les machines d’un identifiant tel qu’un UPC ou un EAN.
Clé de contrôle: Le dernier chiffre d’un identifiant, calculé à partir des autres chiffres pour détecter les erreurs. Un contrôle de clé réussi confirme que le numéro est bien formé.
GS1: L’organisme de normalisation mondial qui gère le GTIN, les codes-barres et les identifiants associés. atronous rejoint GS1 US en tant que partenaire →
Global Data Synchronization NetworkGDSN: Le réseau GS1 qui permet aux partenaires commerciaux d’échanger des données produit standardisées via des catalogues électroniques certifiés (data pools), pour que les attributs d’une marque parviennent à chaque détaillant dans un format cohérent.
Préfixe de marque: Le préfixe entreprise attribué par GS1, par lequel commencent les GTIN d’une marque.

Taxonomie et attributs

Attribut: Une propriété précise et nommée d’un produit, comme la couleur, la matière ou la tension.
Jeu d’attributs: L’ensemble complet des attributs qui décrivent un produit dans une catégorie.
Taxonomie: La hiérarchie de catégories qui sert à organiser les produits pour la navigation et la découverte. Pourquoi la taxonomie produit est décisive en e-commerce →
Catégorisation: Le fait d’affecter un produit au bon nœud d’une taxonomie. La taxonomie produit avec le ML et les embeddings →
Classification des produits: Le fait d’affecter des produits aux bonnes catégories d’une taxonomie, manuellement ou par apprentissage automatique. Autre nom de la catégorisation. La taxonomie produit expliquée →
Mapping de catégories: Le fait de transposer des produits ou des catégories d’une taxonomie vers une autre, par exemple en mettant une arborescence de catégories interne en correspondance avec celle d’un détaillant. Chaque place de marché attend les produits dans sa propre structure. La taxonomie produit expliquée →
Contraintes de catégorie: Les règles propres à une catégorie de produits : axes de variation autorisés, vocabulaires d’attributs, unités et logique des identifiants. La taxonomie produit expliquée →
Moteur de contraintes: La couche d’atronous qui encode les règles propres à chaque catégorie et les applique indépendamment, sur plus de 400 catégories, avant livraison. L’automatisation des données produit pour les produits techniques et industriels →
Variante: Version précise d’un produit que l’on peut acheter, comme une taille ou une couleur.
Axe de variation: Axe selon lequel les variantes se distinguent, comme la taille ou la couleur.
Unité de mesureUoM: L’unité standardisée d’un attribut numérique, comme le millimètre ou le millilitre.
Vocabulaire d’attributs: L’ensemble approuvé des valeurs autorisées pour un attribut au sein d’une catégorie.
Nom étendu: Nom de produit standardisé, construit à partir d’attributs validés.
Normalisation: La conversion des valeurs dans des formats, des unités et des vocabulaires cohérents.
Enrichissement: L’ajout ou l’amélioration d’attributs. atronous privilégie la génération validée et l’activation des données plutôt que le simple enrichissement.

Qualité des données et validation

Qualité des données: Le degré de complétude, d’exactitude, de cohérence et de validité d’un ensemble de données produit.
Complétude: La part des attributs obligatoires qui sont présents et renseignés.
Exactitude: Indique si les valeurs des attributs sont correctes pour le produit.
Cohérence: Indique si les valeurs suivent les mêmes formats et les mêmes vocabulaires d’une fiche à l’autre.
Validation: La vérification de chaque valeur selon des règles, avant livraison. atronous maintient séparées la génération par l’IA et la validation déterministe.
Validation déterministe: Contrôle fondé sur des règles, dans lequel une valeur réussit ou non le test de l’algorithme, comme la vérification d’une clé de contrôle.
Score de qualité des données: Mesure indiquant à quel point une fiche produit est prête, selon sa complétude et sa validité. Obtenez une évaluation gratuite de la qualité des données →
Score de contenu: Mesure du niveau de complétude du contenu d’une fiche produit. atronous présente les lacunes comme des attributs manquants pour la découverte par les agents IA. Obtenez une évaluation gratuite de la qualité des données →
Point de contrôle bloquant: Étape qui bloque la livraison tant qu’une fiche n’a pas passé tous les contrôles requis.
Signalement qualité: Exception documentée qui signale une fiche ou une valeur pour revue, au lieu de l’écarter en silence.
L’exactitude avant l’exhaustivité: Le principe d’atronous : livrer un sous-ensemble validé avec des exceptions signalées plutôt qu’un fichier complet aux erreurs cachées.

Commerce et places de marché

Place de marché: Plateforme sur laquelle de nombreux vendeurs mettent en ligne des produits à destination des acheteurs, comme Amazon, Walmart ou Wayfair.
Fiche produit en ligne: La page et les données d’un produit sur un canal ou une place de marché.
Page produitPDP: La page qui présente un seul produit à un acheteur.
Références en ligne: Les produits qu’un détaillant ou une place de marché accepte et met en ligne. atronous mesure les références en ligne, et non des taux de publication. Tjernlund : 3x plus de références en ligne en 90 jours →
Taux de référencement: La part des produits soumis qu’un détaillant ou une place de marché accepte.
Temps de mise sur le marché: Le temps nécessaire pour qu’un produit soit référencé et mis en ligne.
Conversion: Le moment où un acheteur ou un agent finalise un achat.
Intégration (onboarding): Faire entrer les produits d’un fournisseur ou d’un fabricant dans un catalogue et les rendre prêts pour chaque canal. Étude de cas : automatiser l’intégration produit en dropshipping →
Vente multi-places de marché: Le fait de vendre les mêmes produits sur plusieurs places de marché, chacune avec ses propres règles et ses propres modèles.
Assortiment: L’ensemble des produits qu’un détaillant choisit de proposer, et la façon dont il est structuré par catégories, marques et niveaux de prix.
Vente first-party1P: Vendre son stock en gros à un détaillant ou à une place de marché, qui le revend ensuite aux acheteurs en tant que marchand officiel.
Vente third-party3P: Vendre directement aux acheteurs via une place de marché, le vendeur conservant la propriété de son stock et la maîtrise de ses prix et de son contenu.
Marchand officiel (merchant of record): L’entreprise qui porte la responsabilité juridique et financière d’une transaction, même lorsqu’un agent IA effectue l’achat pour le compte d’un acheteur.

Rendez vos données produit prêtes pour les agents IA.

Commencez par une conversation sur vos données produit.

Voir une démo Lire le blog