Le logiciel de qualité des données était autrefois un achat réactif après un audit défaillant. En 2026, il décide si les projets IA passent en production. Cet article explique ce que ces outils font désormais et leurs limites pour les données produits. La deuxième partie montre comment PIM maintient l'exactitude des données avant leur publication.
Points clés
- Les données défectueuses sont la raison principale de l'arrêt des projets IA. Gartner a directement relié l'abandon de projets IA à l'absence de données prêtes pour l'IA.
- Le logiciel moderne de qualité des données associe des règles pour les problèmes connus et l'observabilité pour les changements inattendus. Les deux génèrent des alertes que quelqu'un doit gérer.
- Les agents IA corrigent et cassent les données à la même vitesse. Traitez-les comme des producteurs de données avec étapes d'approbation et journaux d'audit.
- Un score de complétude montre que les champs sont remplis. Il ne montre pas que les valeurs sont correctes.
- Pour les données produits, PIM est le lieu où bloquer les erreurs avant qu'elles n'atteignent un canal. Les outils en aval ne peuvent que les signaler.
- Les fabricants de l'UE font face à des dates fixes. Les passeports batterie deviennent obligatoires en février 2027, suivis d'autres groupes de produits.
Pourquoi la qualité des données est devenue un enjeu IA
Une enquête Gartner auprès de 1 203 responsables de la gestion des données en juillet 2024 a révélé que 63 % des organisations manquaient de pratiques appropriées de gestion des données pour l'IA ou n'en étaient pas sûrs. De là, Gartner a prédit que les organisations abandonneraient 60 % des projets IA non soutenus par des données prêtes pour l'IA d'ici 2026.
La logique est simple. Un tableau de bord affiche un chiffre étrange et quelqu'un fronce les sourcils. Un agent IA prend un poids incorrect ou un prix obsolète et agit dessus. Personne ne fronce les sourcils jusqu'à ce qu'un client le fasse.
L'analyste de Gartner l'a résumé dans le même communiqué :
« Si les données ont des problèmes, alors les données ne sont pas prêtes pour l'IA. »
Le communiqué traite également les données prêtes pour l'IA comme une pratique continue. Il recommande l'observabilité des données et une meilleure gestion des métadonnées, et s'attend à ce que les exigences en matière de données évoluent avec chaque nouveau cas d'usage IA. Un projet de nettoyage ponctuel ne tiendra donc pas longtemps.
Ce que fait le logiciel de qualité des données en 2026
Les règles et l'observabilité détectent des problèmes différents
Les contrôles basés sur les règles couvrent ce que vous connaissez déjà. Un GTIN a 14 chiffres. Un prix ne peut pas être négatif. Une valeur de tension doit avoir une unité. Vous écrivez la règle une fois et l'outil signale chaque enregistrement qui la viole.
L'observabilité couvre ce pour lequel personne n'a écrit de règle. L'outil apprend les modèles normaux de fraîcheur, de volume, de schéma et de distribution des valeurs, puis alerte quand quelque chose change. Un flux de fournisseur qui livre généralement 4 000 lignes en arrive avec 400. Une colonne change de type après une mise à jour ERP.
La plupart des équipes matures utilisent les deux. L'échec habituel est la surcharge d'alertes. Activez chaque détecteur et l'équipe arrêtera bientôt de lire les alertes. Décidez qui reçoit quelle alerte et réglez les seuils les premières semaines, sinon l'outil devient du bruit coûteux.
L'IA s'est intégrée dans les outils
L'authoring de règles en langage naturel est devenu une caractéristique commune. Un responsable de données écrit « chaque câble doit avoir une section en mm² » et l'outil génère la vérification. Beaucoup d'outils suggèrent également des règles à partir des résultats de profilage, proposent des corrections et répondent aux questions sur les résultats de qualité en chat. Certains vendeurs proposent désormais des agents de style « responsables de données » qui traitent les backlogs de problèmes.
Cela abaisse la barrière de compétence pour écrire des vérifications. Quelqu'un doit toujours savoir ce que la règle devrait dire, car l'outil écrira joyeusement une vérification parfaite pour une exigence incorrecte.
La qualité est maintenant définie par qui consomme les données
Une bonne donnée signifie désormais une donnée qui convient à un consommateur spécifique. Un enregistrement produit peut fonctionner parfaitement pour l'ERP et échouer sur une place de marché qui nécessite douze attributs que l'ERP n'a jamais stockés. Les contrats de données formalisent cela. L'équipe produisant les données et l'équipe les consommant s'accordent sur les champs, les formats, les propriétaires et les niveaux de service, et l'outil vérifie cet accord.
Les données non structurées sont désormais aussi incluses. Les fiches techniques, les PDF et les images alimentent les systèmes IA, donc les outils doivent extraire les attributs et vérifier les résultats.
Les vérifications se rapprochent de la source
Nettoyer les données dans l'entrepôt chaque nuit répète les mêmes corrections indéfiniment. Les organisations poussent donc les vérifications dans les systèmes où les données sont créées. MDM gère les enregistrements maîtres. PIM gère le contenu produit.
Risques à planifier
Le plus grand risque est que les plans IA avancent plus vite que la préparation des données. Les chiffres de Gartner ci-dessus le décrivent bien. La correction est simple : évaluer la préparation des données avant de financer un projet IA, et le faire avant le pilote au lieu de le faire après son échec.
Les agents IA apportent un risque plus nouveau. Ils créent des données aussi vite qu'ils les corrigent. En janvier 2026, Bloomberg a rapporté que l'outil Buy For Me expérimental d'Amazon avait automatiquement généré des listes de produits de boutiques indépendantes, y compris des boutiques qui n'ont jamais choisi de vendre sur Amazon. Certaines listes pointaient vers le mauvais article. Une papeterie a reçu des demandes de remboursement après que des clients ont commandé un ballon anti-stress plus grand que le magasin ne vend et ont reçu le plus petit qu'il a. D'autres marchands ont vu des images de produits incorrectes et des prix de gros affichés aux acheteurs. Amazon a déclaré que les vendeurs pouvaient se désabonner et que le programme couvrait plus de 500 000 articles, contre environ 65 000 au lancement.
Quand une marque ne publie pas de données produits structurées, l'IA de quelqu'un d'autre le devinera. La marque gère toujours les réclamations.
La consolidation des fournisseurs est un risque plus lent. Informatica appartient désormais à Salesforce, et Talend appartient à Qlik. Les outils acquis peuvent être fusionnés, rétarifiés ou déprioritisés. Si un fournisseur a changé de propriétaire récemment, mettez les formats d'export de données et les conditions de sortie dans le contrat.
Le dernier risque se situe dans l'étude de rentabilité. De nombreuses statistiques publiées sur la qualité des données proviennent d'enquêtes fournisseurs qui citent d'autres enquêtes fournisseurs, souvent sans date ni taille d'échantillon. Avant qu'un chiffre ne figure dans une demande budgétaire, trouvez la source et vérifiez l'année et qui a été interrogé.
Comment AtroCore PIM garantit la qualité des données produits
Les outils de qualité des données en entrepôt surveillent les pipelines. Au moment où l'un d'eux signale un poids produit incorrect, ce poids peut déjà se trouver dans plusieurs flux de distributeurs. PIM est placé plus tôt, où les données produits sont créées, enrichies et approuvées. Cette position lui permet de bloquer un mauvais enregistrement avant publication.
Nos clients viennent souvent vers nous après que les données produits ont dépassé l'ERP. Pour un fabricant typique, le maître d'articles ERP contient ce que la production et la logistique ont besoin. Les attributs marketing, les traductions et les certificats vivent dans des feuilles de calcul maintenues par celui qui avait du temps cette semaine. Chaque distributeur veut son propre modèle, donc le même produit est retapé pour chacun, et chaque retapé ajoute de nouvelles erreurs.
Dans les projets que nous avons mis en œuvre, la correction a commencé par un modèle de données partagé. Ensuite, les vérifications ont été intégrées à ce modèle. Ces contrôles font la plupart du travail :
- Attributs typés avec unités fixes et valeurs autorisées. Un champ de poids accepte un nombre en kilogrammes, donc « approx. 2 kg » n'entre jamais.
- Règles de validation par canal et langue. Une place de marché peut exiger un GTIN et des dimensions de colis, tandis que le catalogue allemand nécessite un avis de sécurité traduit.
- Scores de complétude et de préparation par canal, pour que l'équipe voie quels produits peuvent être mis en ligne où.
- Intégration des fournisseurs via des modèles validés ou un portail. Les fournisseurs corrigent leurs propres erreurs au téléchargement, avant que quelqu'un de votre équipe ne touche aux données.
- Extraction et enrichissement par IA avec approbation humaine. L'IA extrait les attributs des fiches techniques et rédige les descriptions, et une personne approuve le résultat.
- Un journal d'audit complet. Chaque modification enregistre qui l'a faite, quand et la valeur précédente, y compris les modifications apportées par l'IA.
- Vérifications contre la spécification de chaque canal avant l'export, pour qu'un flux qui viole les règles d'un détaillant ne quitte jamais le système.
Les scores de complétude peuvent être trompeurs
La complétude est le chiffre le plus facile en PIM. Il compte les champs requis remplis et les transforme en pourcentage. C'est aussi facile à jouer.
Un champ rempli avec une mauvaise valeur score exactement comme un correct.
Le tableau de bord reste vert tandis que les distributeurs renvoient les produits. Nous voyons régulièrement des catalogues qui semblent presque complets, où un contrôle d'un petit nombre par rapport aux fiches techniques originales trouve toujours des dimensions incorrectes et des certificats expirés.
Les règles de préparation vont plus loin. Elles demandent si un produit répond aux besoins d'un consommateur spécifique : la spécification d'un distributeur, les règles de catégorie d'une place de marché, le schéma de données d'un régulateur ou un assistant d'achat IA qui filtre par attributs. Chaque consommateur obtient son propre ensemble de règles.
Donc ajoutez l'échantillonnage d'exactitude. Chaque mois, extrayez 20 enregistrements aléatoires par famille de produits et comparez-les avec les fiches techniques et les certificats. Le taux d'erreur de cet échantillon vous en dit plus que le score de complétude.
Traitez les agents IA comme un nouveau fournisseur
Les fournisseurs PIM livrent désormais des agents qui mappent les données de fournisseur, rédigent les descriptions, traduisent et classent les produits. Ils travaillent vite. Un agent qui enrichit 10 000 produits en une heure peut aussi se tromper sur 10 000 produits en une heure.
Gouvernez-les comme un nouveau fournisseur dont vous ne faites pas confiance aux données pour le moment. Les agents proposent des modifications et une personne les approuve. Les permissions restent limitées, donc un agent peut modifier les descriptions mais pas les prix ou les données de sécurité. Chaque action d'agent obtient une entrée de journal. Le texte généré par l'IA porte une étiquette pour que les relecteurs et les auditeurs le trouvent plus tard.
Les clients qui commencent l'enrichissement IA avec nous commencent généralement par les champs à faible risque comme la copie marketing et les traductions. Ils gardent l'approbation sur chaque modification au début. Une fois que les taux d'erreur échantillonnés restent faibles, ils élargissent la portée aux attributs techniques. C'est plus lent que tout activer à la fois. Cela évite aussi un projet de nettoyage six mois plus tard.
Publiez des données structurées avant que quelqu'un d'autre ne les devine
Les assistants d'achat IA filtrent les produits par attributs, unités et catégories. Un produit avec une tension manquante ou un champ de matériau en texte libre sort de l'ensemble de candidats avant que quiconque ne lise la copie marketing. Le cas Amazon montre l'autre côté. Quand les données structurées manquent, une IA tierce remplit l'écart avec ses propres suppositions.
Donc publiez des données produits faisant autorité dans des formats lisibles par machine : flux structurés et balisage pour les canaux, et API pour les partenaires et les outils IA. PIM est la source naturelle, puisque ses données ont déjà passé la validation.
Le passeport produit numérique en fait une obligation de conformité
Le règlement de l'UE sur l'écoconception pour les produits durables (ESPR) est entré en vigueur en juillet 2024. Son passeport produit numérique (DPP) est un enregistrement numérique, généralement accessible via un code QR, qui suit un produit dans sa chaîne de valeur. Selon un aperçu du cabinet juridique Krogerus, il contiendra des informations telles que les matériaux, l'origine, l'empreinte carbone, la durabilité, la réparabilité et le recyclage.
Le registre DPP central de l'UE a été mis en ligne en juillet 2026, mais les entreprises doivent uniquement enregistrer les données produits une fois que l'acte délégué pour leur groupe de produits s'applique. Les passeports batterie deviennent obligatoires le 18 février 2027 pour les batteries de véhicules électriques, de transports légers et industrielles supérieures à 2 kWh. L'acte délégué pour les textiles est prévu en 2027, avec conformité probable environ 18 mois plus tard. Au fil du temps, le régime devrait couvrir presque tous les produits placés sur le marché de l'UE, ce qui inclut les fabricants, importateurs et distributeurs basés en dehors de l'UE.
La plupart des données de passeport proviennent des fournisseurs et de l'ingénierie. Les fabricants se préparant au DPP découvrent généralement que la composition des matériaux n'existe que dans les certificats et PDF des fournisseurs, dans aucun système qui peut l'exporter. Dans les projets que nous avons mis en œuvre, nous avons modelé les attributs du passeport comme un groupe d'attributs séparé et les avons collectés via le même flux d'intégration des fournisseurs validé que les autres données produits. De cette façon, les données arrivent dans un format vérifié, avec un enregistrement de qui l'a fourni.
Les exigences exactes en matière de données DPP dépendent d'actes délégués qui ne sont pas tous publiés. Créez le modèle pour que les attributs puissent être ajoutés sans refonte.
Où AtroCore PIM s'arrête et où commence l'autre logiciel de qualité des données
PIM gère le contenu produit pour la vente : attributs, descriptions, ressources, traductions et exigences de canal. MDM construit les enregistrements dorés sur les domaines comme produit, client et fournisseur, avec appariement et fusion de doublons. Les outils de qualité des données et d'observabilité surveillent les pipelines qui alimentent l'analytique et l'IA.
Beaucoup d'entreprises les utilisent tous. Une configuration courante utilise l'ERP ou MDM comme source de vérité technique et PIM comme couche d'enrichissement et de préparation, avec observabilité sur les pipelines. Les limites s'estompent, puisque plusieurs fournisseurs couvrent désormais à la fois PIM et MDM. Mappez les capacités dont vous avez besoin et ignorez les étiquettes de catégorie.
Comment choisir un logiciel de qualité des données pour les données produits
- Testez avec vos propres données. Chargez un fichier fournisseur désordonné et un export ERP réel pendant l'essai, puisque les données de démonstration sont toujours propres.
- Vérifiez comment l'outil gère les unités, les variantes et les attributs multilingues. Les outils conçus pour les tables d'analytique traitent souvent les données produits comme des lignes plates.
- Découvrez ce que les fonctionnalités IA peuvent modifier sans approbation et si chaque modification IA est enregistrée.
- Ignorez la moyenne d'étoiles dans les avis et lisez les plaintes. Elles affichent les courbes d'apprentissage et les limites d'intégration plus vite qu'une démo.
- Si le fournisseur a changé de propriétaire récemment, posez des questions sur la feuille de route et obtenez les formats d'export et les conditions de sortie par écrit.
- Demandez la source de chaque statistique dans l'étude de rentabilité du fournisseur.
Commencez avec une famille de produits et un canal. Définissez la préparation pour cette paire et mesurez l'exactitude sur un échantillon. Ensuite, élargissez.