Déploiement de l'assistant IA d'OTTO
OTTO, le plus grand détaillant en ligne d'Allemagne, a lancé des assistants IA directement intégrés à sa boutique en ligne et à son application pour l'aide aux achats et le service client. À partir du 31 juillet, la fonctionnalité apparaît sous la forme d'une barre de chat au-dessus des avis sur les produits sur otto.de, fournissant des réponses en quelques secondes tirées des titres, des descriptions des produits et d'au moins 50 avis clients pour garantir des réponses équilibrées. Disponible initialement pour environ 180 000 articles dans des catégories telles que les chaussures, les tapis, les machines à café et les canapés, l'assistant utilise le grand modèle de langage PaLM 2 de Google Cloud combiné aux données propriétaires d'OTTO via Vertex AI, tout en conservant toutes les données sur les serveurs d'OTTO.[1]
Ce déploiement fait d'OTTO la première boutique en ligne allemande à tester une telle IA nativement dans les environnements de bureau et mobiles. Il gère les requêtes familières, les erreurs d'orthographe et les données d'avis subjectives, avec un test A/B contrôlé subdivisant les clients : la moitié accède à l'assistant, l'autre non, pour mesurer les impacts sur la satisfaction, l'orientation et les taux de retour. Développé par l'équipe Digital & Consulting d'OTTO, cela s'appuie sur les utilisations existantes de l'IA, telles que le regroupement d'avis, la reconnaissance d'images et la prévention de la fraude.[1]
Implications pour les feeds de produits et les normes de catalog
Les assistants IA comme celui d'OTTO améliorent directement les feeds de produits en synthétisant les données non structurées provenant des avis et des descriptions en informations exploitables, réduisant ainsi la dépendance aux métadonnées statiques. Cela élève les normes de catalog, car les réponses doivent provenir d'articles avec un volume élevé d'avis, ce qui pousse implicitement les marchands à donner la priorité à l'accumulation d'avis pour la visibilité. Les feeds structurés tirent profit de la capacité de l'IA à normaliser les entrées variées - titres, spécifications, commentaires des utilisateurs - en formats cohérents et réactifs aux requêtes, simplifiant ainsi l'ingestion des données pour les grands assortiments.[1] Si vous souhaitez en savoir plus sur les feeds de produits, consultez notre article de blog sur Feed produit - NotPIM.
Dans la pratique, cette configuration impose des seuils de qualité minimum : les produits sans plus de 50 avis ne sont pas admissibles, favorisant ainsi une meilleure hygiène du catalog. Pour les plateformes e-commerce, cela signale un changement où les feeds passent de simples listes à des actifs dynamiques et interrogeables par l'IA, standardisant potentiellement les attributs tels que les détails des matériaux ou l'ajustement dans toutes les catégories pour alimenter des générations plus précises.[1]
Booster la qualité des fiches et la vélocité de l'assortiment
L'exhaustivité des fiches augmente considérablement, car l'IA regroupe les sentiments des avis avec les descriptions, faisant apparaître des détails oubliés comme la durabilité ou le dimensionnement sans sélection manuelle. Les clients qui demandent « ce tapis perd-il ses poils ? » reçoivent des réponses synthétiques, comblant les lacunes des fiches statiques et améliorant la sensation de complétude. Cette couche sans code - exploitant les LLM pré-entraînés - permet des améliorations rapides sans repenser les modèles, car OTTO l'a intégrée rapidement via des outils cloud.[1] Pour plus d'informations sur la façon de créer d'excellentes descriptions de produits, lisez notre article sur Comment créer des descriptions de produits qui stimulent les ventes sans dépenser une fortune - NotPIM.
La vitesse de déploiement des assortiments s'accélère considérablement : les nouvelles listes accélèrent la visibilité une fois que les seuils d'avis sont atteints, ce qui permet des tests de marché plus rapides pour les articles saisonniers ou tendance. Les obstacles traditionnels comme la lente accumulation d'avis retardent l'exposition ; L'IA atténue ce problème en qualifiant les articles plus rapidement, transformant les catalogs naissants en feeds prêts à être interrogés et en comprimant le délai de mise sur le marché de plusieurs semaines à quelques jours.[1][2]
IA sans code et intégration du commerce conversationnel
Le déploiement sans code brille ici, avec l'assistant d'OTTO construit via les interfaces de Vertex AI, contournant le codage personnalisé intensif pour le réglage fin du LLM sur les données internes. Cela démocratise l'IA pour les détaillants de niveau intermédiaire, où les modèles plug-and-play gèrent des requêtes complexes au-delà des bots scriptés, s'adaptant aux changements en temps réel du catalog sans recyclage.[1][2] Si vous cherchez un outil, vous voudrez peut-être utiliser notre Valideur de feed - NotPIM.
Dans l'infrastructure de contenu, il alimente le commerce conversationnel en interprétant l'intention à partir de recherches vagues, d'indices émotionnels ou de paniers abandonnés, en tirant des données de feed en direct pour des relances de vente incitative. Cette boucle - requête à synthèse de feed en réponse - élève le e-commerce statique en systèmes proactifs, réduisant la fatigue décisionnelle et l'abandon tout en s'adaptant à des échelles B2C sans opérations de contenu proportionnelles.[2][3] Pour en savoir plus sur notre contenu produit, cliquez sur le lien.
Changements plus larges dans le e-commerce
Pour l'infrastructure d'achat, la décision d'OTTO souligne le rôle de l'IA dans la réduction des retours grâce à une clarté avant l'achat, car les requêtes éclairées sont corrélées à de meilleures correspondances. Hypothèse : l'adoption généralisée pourrait standardiser les feeds prêts pour l'IA, privilégiant les catalogs riches et denses en avis par rapport aux catalogs clairsemés, ce qui modifierait les incitations des fournisseurs. Les plateformes tirent des analyses des schémas de requête, affinant les feeds de manière itérative sans boucles de rétroaction explicites.[1]
Handelsblatt.
GeekWire.
L'exemple d'OTTO met en évidence un changement important dans le e-commerce, où les informations sur les produits sont générées et améliorées dynamiquement par l'IA, soulignant l'importance de catalogs de produits de haute qualité et riches en données. Cette tendance accroît la pression sur les détaillants pour qu'ils maintiennent des données produits complètes et standardisées. Pour les plateformes comme NotPIM, cela souligne la valeur de la gestion efficace des données et des capacités d'optimisation des feeds. Nos utilisateurs peuvent utiliser NotPIM pour rationaliser l'enrichissement des données, garantissant ainsi que leurs informations sur les produits répondent non seulement aux demandes croissantes des expériences d'achat basées sur l'IA, mais les anticipent également.