Les bases de données vectorielles et les embeddings aident les marques de e-commerce à faire correspondre les produits à ce que les acheteurs recherchent réellement, et pas seulement aux mots qu’ils tapent. Un embedding transforme un titre, une description ou une image de produit en une liste de nombres qui capture le sens ; une base de données vectorielle stocke ces listes et trouve rapidement les correspondances les plus proches. Les résultats pratiques sont une meilleure recherche sur site, des suggestions de produits connexes et un nettoyage de catalogue plus rapide.
La recherche par mots-clés échoue de manière familière. Un acheteur tape “robe d’été pour un mariage à la plage” et n’obtient rien, car aucun produit ne contient cette expression exacte. Les embeddings permettent au magasin de reconnaître qu’une robe midi légère en lin est une bonne réponse. C’est l’idée centrale, et la plupart des cas d’utilisation en découlent.
Comment les embeddings et les bases de données vectorielles fonctionnent-ils ensemble ?
Un modèle d’embedding, disponible auprès de fournisseurs tels qu’OpenAI, Google, Cohere ou sous forme de modèles open source, convertit du texte ou des images en vecteurs avec des centaines ou des milliers de dimensions. Les éléments ayant une signification similaire finissent par être proches les uns des autres dans cet espace. Une requête est intégrée de la même manière, et le système recherche les vecteurs de produits les plus proches.
La base de données vectorielle gère le stockage et la recherche rapide des plus proches voisins à grande échelle. Les options incluent des services gérés tels que Pinecone, des moteurs open source tels que Weaviate, Qdrant et Milvus, et des extensions comme pgvector pour PostgreSQL. Elasticsearch et OpenSearch prennent également en charge les champs vectoriels, ce qui est utile si vous les utilisez déjà pour la recherche.
Quels cas d’utilisation e-commerce sont les plus rentables ?
La recherche est généralement la première victoire, car les recherches infructueuses sont visibles dans les analyses et coûtent directement des ventes. Les recommandations et le travail sur le catalogue suivent.
- Recherche sémantique : comprenez les requêtes descriptives, les synonymes et les fautes d’orthographe au-delà de ce qu’une liste de synonymes couvre.
- Produits similaires : affichez des articles visuellement ou fonctionnellement similaires lorsqu’un produit est en rupture de stock.
- Recherche par image : permettez aux acheteurs de télécharger une photo et de trouver des styles correspondants, en utilisant des embeddings d’image.
- Détection de doublons : trouvez des listes quasi identiques créées par différents fournisseurs ou importations.
- Catégorisation automatique : suggérez une catégorie pour les nouveaux produits en fonction de produits existants similaires.
- Réponses de support : récupérez la bonne politique de retour ou le bon paragraphe du guide des tailles pour un chatbot.
Faut-il remplacer la recherche par mots-clés par des vecteurs ?
Généralement non. La recherche hybride, qui combine la pertinence des mots-clés (comme BM25) avec la similarité vectorielle, a tendance à surpasser l’une ou l’autre seule. Les mots-clés restent forts pour les correspondances exactes comme les numéros de modèle, les tailles et les noms de marque ; les vecteurs aident pour les requêtes descriptives et floues.
De nombreuses plateformes de recherche e-commerce, notamment Algolia, Elastic et les propres fonctionnalités de recherche de Shopify, combinent désormais les deux approches. Vérifiez ce que votre plateforme actuelle propose avant de construire une pile personnalisée.
Le classement nécessite toujours des règles métier
La similarité n’est pas le seul objectif. Les niveaux de stock, la marge, le délai de livraison et la saisonnalité comptent toujours. Appliquez-les comme filtres ou facteurs de re-classement après la récupération, afin qu’une correspondance parfaite mais en rupture de stock ne soit pas en tête des résultats.
Combien cela coûte-t-il à exploiter ?
Les coûts proviennent de la création d’embeddings, du stockage de vecteurs et du traitement des requêtes. L’intégration d’un catalogue de dizaines de milliers de produits avec un modèle hébergé est généralement modeste, car chaque produit n’a besoin d’être intégré qu’une seule fois et à nouveau lorsqu’il change. Les coûts de requête augmentent avec le trafic, et le stockage augmente avec la taille du catalogue et les dimensions vectorielles.
Le temps d’ingénierie est le coût le plus important. Quelqu’un doit construire le pipeline qui maintient les vecteurs synchronisés avec le catalogue, ajuster le classement hybride et surveiller la qualité. Un petit magasin sur une plateforme hébergée peut tirer la plupart des avantages des fonctionnalités intégrées sans aucune ingénierie.
Comment mesurer la qualité de la recherche ?
Commencez par les données que vous avez déjà. Les outils d’analyse enregistrent les termes de recherche sur le site, et de nombreuses plateformes signalent les recherches sans résultat. Ce sont vos problèmes de base.
- Taux de zéro résultat : part des recherches ne renvoyant rien.
- Taux de sortie de recherche : part des chercheurs qui partent juste après avoir cherché.
- Conversion de recherche : commandes issues de sessions ayant utilisé la recherche.
- Position de clic : jusqu’où les acheteurs font défiler avant de cliquer.
- Vérifications manuelles de pertinence : un panel de 50 requêtes réelles évaluées avant et après les changements.
Quels sont les pièges courants ?
De mauvaises données produit sapent tout. Si les descriptions sont maigres ou copiées des fournisseurs, les embeddings ont peu de choses avec lesquelles travailler. Enrichissez d’abord les titres et les attributs. Un autre piège est d’ignorer la langue : les magasins multilingues ont besoin d’un modèle d’embedding qui gère bien toutes leurs langues, ou d’index séparés par langue.
La fraîcheur est le troisième point. Lorsque les prix, les stocks ou les descriptions changent, les vecteurs et les métadonnées doivent également être mis à jour. Intégrez la synchronisation dans le processus de mise à jour des produits au lieu d’exécuter des tâches par lots occasionnelles.
Combien de temps prend un premier projet ?
Pour un magasin sur une plateforme avec recherche sémantique intégrée, la configuration et les tests peuvent tenir en quelques semaines. La majeure partie de ce temps est consacrée à l’examen des journaux de requêtes, à l’ajustement des synonymes et à la vérification manuelle des résultats. Une pile personnalisée prend plus de temps, car vous avez besoin d’un pipeline d’embedding, d’un processus de synchronisation pour les mises à jour de catalogue, d’un classement hybride et d’un ensemble d’évaluation.
Planifiez l’itinéraire personnalisé par phases. La phase un gère uniquement la recherche, pour une langue et une catégorie principale. La phase deux ajoute des suggestions de produits similaires et les catégories restantes. La phase trois couvre la recherche par image ou la récupération de support si les données le permettent. Chaque phase doit se terminer par une vérification de la pertinence par rapport au même panel de requêtes, afin que vous sachiez que la phase suivante s’appuie sur quelque chose qui fonctionne.
Une règle utile est d’envoyer la phase un à une partie du trafic, par exemple via un test A/B sur la page de recherche, plutôt qu’à tout le monde à la fois. Si la conversion de recherche chute, vous pouvez revenir en arrière sans perdre une saison de ventes.
Comment Alien Road applique les bases de données vectorielles pour les clients e-commerce
Dans un engagement typique, la découverte commence par les journaux de recherche du client : requêtes principales, requêtes sans résultat et conversion de recherche. Nous examinons également la qualité des données produit, car l’enrichissement précède souvent tout travail vectoriel.
La configuration dépend de la plateforme. Pour les magasins sur des plateformes hébergées, nous commençons par configurer la recherche sémantique ou hybride intégrée et les règles de synonymes. Pour les piles personnalisées, nous construisons un pipeline d’embedding, choisissons un magasin vectoriel qui correspond à l’infrastructure existante et ajoutons un re-classement basé sur les règles métier. La mesure compare le taux de zéro résultat, la conversion de recherche et un panel de pertinence fixe avant et après. Les rapports sont mensuels, avec une liste de requêtes échouées à corriger ensuite.
Par où commencer cette semaine
Exportez les termes de recherche du site du mois dernier et triez-les par fréquence. Marquez ceux des 100 premiers qui ne renvoient aucun résultat ou qui sont manifestement erronés. Si beaucoup sont des phrases descriptives plutôt que des fautes de frappe, il vaut probablement la peine de tester la recherche sémantique ou hybride ; si la plupart sont des fautes d’orthographe, une meilleure tolérance orthographique peut suffire.
Continuez à lire : Optimisation par IA · Optimisation par IA