Opérations
Des SKU propres sans projet de nettoyage.
Aurélien
Le détaillant
Un détaillant lifestyle de 12 magasins exploitant un catalogue de 12 000 SKU, constitué sur quatre ans.
Notre détaillant opère 12 magasins en France, sur le segment lifestyle apparel multicanal milieu de gamme. L’équipe est structurée : une équipe achat de 3 personnes, un responsable opérations à temps plein, et un merchandiser à temps plein, qui pilotent environ 6 500 SKU en saison entre les magasins, l’e-commerce et trois marketplaces.
Le stack est standard pour le secteur — LCV Mag comme cœur du pilotage retail, Shopify pour l’e-commerce, et Excel comme tissu de liaison entre le reste. Ça fonctionne. Jusqu’au moment où ce n’est plus le cas.
« Notre référentiel SKU avait quatre ans de désordre accumulé. Personne n’avait le temps de le nettoyer. Personne ne pouvait non plus construire un plan fiable dessus. »
— Responsable opérations
Contexte
Quatre ans de croissance du catalogue, zéro hygiène.
2024. Le détaillant lifestyle connaissait une forte croissance : 6 magasins en 2020, 12 magasins en 2024, avec un déploiement vers l’e-commerce et trois marketplaces. Le référentiel produit dans LCV Mag était passé de 3 000 SKU à 12 000 — avec quatre ans d’incohérences accumulées en parallèle, rendant le pilotage des ruptures de stock, des surstocks, de la démarque et du réassort beaucoup plus difficile.
Références dupliquées pour le même produit. Tailles libellées différemment selon les catégories. Noms de catégories en français et en anglais mélangés. Champs d’attributs partiellement renseignés. Toutes les équipes s’en plaignaient. Personne n’avait une semaine à consacrer à la correction.
Le catalogue a grossi. Pas l’hygiène.
La problématique
Les données étaient erronées au point de casser tous les tableaux de bord.
Quand l’équipe achats a essayé d’analyser le sell-through par catégorie, la moitié des lignes se retrouvait dans 'Other' à cause d’un étiquetage incohérent. Quand la finance a essayé de suivre la marge par fournisseur, des fournisseurs identiques apparaissaient sous trois noms différents. Quand le marketing a essayé de pousser un produit sur l’e-com, la fiche maître manquait d’attributs clés.
Un projet de nettoyage avait été chiffré à 8 semaines de travail pour un data analyst junior. Personne n’avait 8 semaines. Donc le chaos continuait de grandir.
Trois problèmes qui se renforçaient mutuellement :
Références produits dupliquées entre les systèmes et dans le temps.
Étiquetage incohérent (catégories, tailles, fournisseurs) qui cassait les agrégations.
Attributs manquants ou partiels qui bloquaient le marketing et l’analytics.
L’équipe ne manquait pas de volonté. Elle manquait de capacité.
La solution
Nettoyage automatique à l’ingestion. Hygiène continue dans le temps.
La couche de préparation des données de Solya nettoyait le catalogue à l’ingestion. Les doublons étaient détectés et fusionnés. Les tags incohérents étaient harmonisés à l’aide du fuzzy matching et de la taxonomie préférée de l’équipe. Les attributs manquants étaient enrichis à partir des flux fournisseurs, des photos produit et des patterns historiques.
Plus important encore : le nettoyage n’était pas ponctuel. Solya surveillait chaque nouveau SKU, chaque mise à jour du catalogue, chaque flux fournisseur — et appliquait la même hygiène en continu. Le désordre a cessé de s’accumuler. L’équipe a cessé de redouter le catalogue.
Fuzzy matching détectait les doublons avec un score de confiance.
Harmonisation des tags selon la taxonomie choisie par l’équipe.
Enrichissement des attributs à partir des flux fournisseurs + reconnaissance visuelle sur les photos.
Le nettoyage n’était plus un projet. Il devenait une propriété des données.
nettoyage
Comment nous avons procédé
Dans la boucle.
La boucle de nettoyage s'est exécutée sur la Data Layer, le moteur de préparation de Solya prenant en charge l'essentiel du travail, tandis que l'équipe validait les cas limites. Voici comment le système fonctionne, de bout en bout.
01 — Détecter les doublons.
Solya a analysé chaque référence produit dans tous les systèmes. Le fuzzy matching a fait ressortir les doublons avec un fort niveau de confiance — même produit, plusieurs enregistrements.
02 — Harmoniser les tags.
Les catégories, tailles, noms de fournisseurs et valeurs d'attributs ont été normalisés selon la taxonomie préférée de l'équipe. L'équipe a validé la taxonomie une seule fois ; Solya l'a appliquée partout.
03 — Enrichir les attributs.
Les attributs manquants ont été renseignés à partir des flux fournisseurs, des photos produit (via reconnaissance visuelle) et des schémas historiques. Des niveaux de confiance ont été associés à chaque enrichissement.
04 — Faire remonter les cas limites.
Lorsque le nettoyage n'était pas sûr à 100 %, Solya signalait le cas à l'équipe. La revue prenait quelques minutes, pas des heures.
05 — Maintenir en continu.
Chaque nouvelle SKU, chaque mise à jour du catalogue, chaque nouveau flux fournisseur passait par le même workflow d'hygiène. Le désordre ne s'accumulait plus.
Le nettoyage n'était plus un projet. Il devenait une propriété de la donnée.
Les impacts
Un catalogue auquel l'équipe peut enfin se fier.
Après l'exécution du nettoyage initial (quatre jours, principalement automatisé), le catalogue est resté propre en continu. Les tableaux de bord se sont agrégés correctement. Le marketing pouvait pousser chaque produit. La finance pouvait suivre chaque fournisseur.
0 — semaines de nettoyage manuel.
12 000 — SKU nettoyées et enrichies automatiquement.
Continu — nettoyage maintenu dans le temps.
4 jours — pour la première passe de nettoyage automatisé.
« Nous avons arrêté de dire : "quand nous aurons le temps, nous nettoierons les données." Solya nous a débarrassés de cette promesse. »
— Responsable des opérations
Découvrez d'autres cas d'usage
Une seule plateforme. Chaque décision retail.
Stocks, allocation, tarification, planification, exécution — réunis dans une seule couche opérationnelle.
