Manutan automatise la gestion de ses références produits grâce à l’IA. L’entreprise a ainsi rénové un de ses processus qui est au cœur de son modèle économique avec l’aide de l’IA générative. Il s’agit d’un projet plutôt court, avec une équipe resserrée et des bénéfices de création de valeur, de réduction de coûts, et de transformation d’un processus grâce à l’IA.
Un projet mené avec le cabinet Avisia
Pour cela, Manutan a fait appel au cabinet Avisia. Ce cas d’usage parle à beaucoup de commerçants, qui doivent générer leurs fiches produits. C’est ce que rappelle Guillaume Duval, Chief Data Officer de Manutan. Il a pris la parole le 4 février à l’occasion de l’événement organisé par le Hub Institute sur le futur de la Data et de l’IA.
Le métier de Manutan est la distribution d’équipements et de fournitures pour les entreprises et les collectivités. Manutan est particulièrement actif dans l’e-commerce « B to B ». Il est présent dans 17 pays en Europe et réalise un chiffre d’affaires d’un peu plus d’un milliard d’euros avec un assortiment de 850 000 références produits.
Avoir un contenu produit fiable, propre et riche
Manutan est un distributeur. Il ne fabrique pas de produits. Les caractéristiques techniques des produits, sont collectées auprès des fournisseurs et tout l’objectif est d’avoir un contenu fiable, propre et riche. Ce contenu est proposé aux clients pour leur permettre de mieux comprendre les produits. « Il est important d’avoir un contenu clair. Nous sommes sur des produits où l’on veut que nos utilisateurs comprennent ce qu’ils achètent, n’aient pas d’accident avec les produits. Donc la notion du contenu est très importante pour nous » insiste le CDO.
Manutan doit intégrer 20 000 nouveaux produits par mois. Le retraitement des fiches produits correspondantes occupe une quinzaine de jours, puisque même si Manutan cadre beaucoup les besoins ou la charte éditoriale avec ses fournisseurs, il faut souvent retraiter le contenu produit. C’est un travail assez conséquent. Deux personnes y sont dédiées en interne. Manutan a aussi recours à des agences de réécriture de ces fiches produits « pour un budget annuel d’environ 24 000 € » précise-t-il.
Un outil utilisant les services Azure et OpenAI
Afin de clarifier la signification des références des produits reçues et de respecter la charte éditoriale, Manutan a mis en place une plateforme développée sous Streamlit, un framework front de Data science. L’outil fonctionne sur Azure App Service, qui communique sur Azure aussi avec OpenAI pour la partie LLM (Large Language Model) et qui va capter des informations sur la base de produits présente sur Snowflake, et aussi hébergée sur Azure et qui va aller stocker les résultats sur Azure storage.
La solution fonctionne entièrement sur Azure. Le fichier producteur, c’est le fichier que l’utilisateur va envoyer. La démarche consiste alors à écrier le bon « prompt » de l’IA, afin que celle-ci réalise correctement les tâches que l’on attend d’elle, qui est de réécrire des noms des produits. Il faut que ce soit clair et pertinent pour le client, sans abréviation et en français.
Traitement en masse des références produits reçues des fournisseurs
Cela pourrait être fait simplement sur ChatGPT. Mais l’objectif est d’automatiser et d’effectuer cela en masse. Il faut alors traiter le fichier Excel automatiquement dans l’outil, réunir toutes les déclinaisons par offre de produits, et insérer du contexte, tout cela en un seul appel via l’API d’OpenAI. La base de données de Manutan sert à récupérer des exemples proches pour que le moteur puisse s’en inspirer.
Cela marche sur un exemple où il y a avait une belle description du produit déjà écrite, mais il arrive qu’il n’y ait aucune description dans les fichiers. Que va faire le modèle d’IA générative ? Il va inventer souvent, c’est ce qui se passe sur ce GPT, c’est le concept d’hallucination. Pour éviter cela, Avisia va donner à l’IA énormément de contexte, le plus de contexte possible. Des exemples, des titres, puisqu’il y a des informations dans le titre. Et il est précisé au modèle qu’il ne faut rien extrapoler. Le prompt s’il est bien écrit permet de récupérer les bonnes informations afin que le LLM les mette en forme.
Un projet mené en six mois avec une phase de POC
Le projet est en production. Il aura pris six mois. Les trois premiers mois ont permis d’avoir une bonne idée du modèle en tant que tel. Manutan a réalisé un POC (Proof of concept) du modèle de génération de contenu. « On a vu tout de suite l’apport du potentiel de valeur qui nous a amené vers le lancement d’un développement en mode produit industriel, qui a pris trois mois de plus pour bien gérer la logique de prompting, faire le développement de l’interface utilisateur et affiner progressivement les résultats » explique Guillaume Duval.
Manutan est passé ensuite dans un mode de préproduction. L’application a été un petit peu « stress testée » avec un usage plus intensif et des cas assez variés d’échantillons de fiches de fiches fournisseurs. « Et donc, on a ajouté quelques fonctionnalités à ce moment-là pour une mise en production le mois dernier. » Le projet a été réalisé avec trois ingénieurs côté Manutan, dont un Data scientist et un Data product owner qui a permis la coordination avec les utilisateurs métiers qui ont été impliqués tout au long du projet, ce qui est un facteur clé de succès. Et un Data engineer Azure pour adresser une solution qui va toucher aujourd’hui une vingtaine d’utilisateurs.
Réduction du temps de traitement et mise en ligne plus rapide des produits
Du côté des apports du projet, il y a trois types de bénéfices. Le premier est la création de valeur directe, par la réduction du temps de traitement, les produits sont mis en ligne beaucoup plus vite avec le bon contenu. Cela accélère le cycle de vente et la génération de revenu plus tôt dans le cycle de vie du produit. Cela améliore la qualité du contenu produits. Cela va favoriser l’indexation des moteurs de recherche et améliorer le référencement naturel, donc le SEO.
Et cela va permettre une navigation plus claire pour les clients, qui va forcément apporter un trafic plus qualifié et améliorer le taux de conversion des produits. Le deuxième aspect est l’optimisation des opérations, et la réduction de coûts. Les tâches internes sont réduites de 88% sur ce sujet. Les coûts de prestations externes sont réduits de 50% environ, puisqu’il y a moins besoin d’avoir recours à du retraitement par ces agences. L’IA a été ainsi intégrée au cœur d’un processus métier régulier.
Apporter de la valeur aux métiers
De manière plus globale, il faut souligner l’importance de la Data chez Manutan. Le premier enjeu pour le Chief Data Officer est de rendre la data disponible à l’ensemble des métiers, de leur apporter de la matière pour réaliser des analyses, comprendre la performance et donc agir de manière plus éclairée
Ce gisement de données sert également à réaliser des « smart use cases » ou des cas d’usage à valeur ajoutée face aux irritants que les métiers peuvent rencontrer, apporter de la valeur ajoutée additionnelle ou des nouveaux services qui vont apporter de la valeur concurrentielle.
Côté socle technologique, Manutan dispose d’une plateforme Data sur Azure et Snowflake. L’entreprise utilise aussi les modules Azure pour travailler sur les cas de usage d’IA et de Data science, avec Azure AI. En matière de visualisation de données, Manutan mise sur Power BI et MicroStrategy, ainsi que sur des outils qui permettent d’améliorer la qualité de ses données ou travailler sur la gouvernance notamment avec Informatica. En termes d’organisation, la Data chez Manutan, c’est 40 personnes.
