Normalisation des données
La normalisation des données ramène des valeurs de même sens à un format unique, en écrivant chaque taille, unité, couleur et marque de la même façon.
Qu'est-ce que Normalisation des données ?
La normalisation des données (data normalization) consiste à ramener des valeurs qui signifient la même chose à un format unique et cohérent. Pour les données produit en e-commerce, cela veut dire transformer « L », « Lg » et « Large » en une seule valeur de taille, « cm », « CM » et « centimètres » en une seule unité, et « Navy », « navy blue » et « Dk Blue » en une seule couleur. En pratique, tu normalises les unités et les formats de nombres, les listes de valeurs (tailles, couleurs, matières), les noms de marques, la casse et l'orthographe, ainsi que les formats de date et de prix. Le terme a un second sens dans les bases de données : la normalisation de base de données découpe les tables pour supprimer les données en double (première, deuxième et troisième forme normale). La normalisation des données produit est plus proche de la standardisation des données : elle ne change pas la structure de tes tables, elle rend les valeurs cohérentes pour que les filtres, les feeds et les comparaisons fonctionnent. Le guide de standardisation des attributs montre comment mettre en place les règles.
Pourquoi Normalisation des données compte en e-commerce
Les données produit viennent de nombreuses sources : fournisseurs, fabricants, ta propre équipe et d'anciens systèmes. Chacun écrit les valeurs à sa façon. Sans normalisation des données, le filtre couleur affiche Navy, navy et Dark blue comme trois options, une recherche de 50 cm rate les produits indiqués en 0,5 m, et les marketplaces rejettent les feeds dont les valeurs sortent de leurs listes autorisées. Des valeurs normalisées rendent les filtres et la recherche sur le site fiables, gardent les tableaux comparatifs honnêtes et permettent aux feeds par canal de correspondre proprement aux listes de valeurs de chaque marketplace. Elles rendent aussi les étapes suivantes, comme l'enrichissement, la traduction et l'analytics, plus précises, car chaque outil travaille à partir des mêmes valeurs.
Exemples de Normalisation des données
- 1Attribut : taille, Avant : L, Lg, Large, large, Après : L
- 2Attribut : largeur, Avant : 50cm, 0.5 m, 500 mm, Après : 50 cm
- 3Attribut : couleur, Avant : Navy, navy blue, Dk Blue, Après : Navy
- 4Attribut : marque, Avant : HP, Hewlett Packard, hp inc., Après : HP
- 5Attribut : prix, Avant : 19,95 et 19.95 EUR, Après : 19.95 (devise EUR dans un champ séparé)
Comment WISEPIM t'aide
- La gestion des attributs et la page Attribute values montrent toutes les valeurs utilisées pour un attribut, pour repérer d'un coup d'œil des graphies différentes comme Navy et navy.
- L'édition en masse te permet de remplacer une valeur erronée sur des centaines de produits à la fois.
- Les règles Quality Guard signalent les valeurs qui ne respectent pas ton format, comme une unité manquante.
- L'enrichissement par AI complète les attributs à partir des descriptions et des caractéristiques, pour que les nouvelles valeurs suivent tes listes existantes.
Erreurs fréquentes avec Normalisation des données
- Normaliser une fois et plus jamais, alors que chaque nouveau fichier fournisseur apporte de nouvelles graphies.
- Ne définir aucune liste de valeurs autorisées, si bien que les rédacteurs continuent à taper du texte libre.
- Mélanger unités et valeurs dans un même champ, comme 50 cm dans un champ qui ne devrait contenir que le nombre.
- Confondre la normalisation des données produit avec la normalisation de base de données et modifier des structures de tables qui n'en avaient pas besoin.
- Supprimer la valeur fournisseur d'origine, ce qui rend tout contrôle ultérieur impossible.
Conseils pour Normalisation des données
- Rédige une liste de valeurs autorisées pour chaque attribut filtrable, en commençant par la taille, la couleur et la matière.
- Stocke nombres et unités dans des champs séparés, ou utilise toujours une seule unité fixe par attribut.
- Garde une table de correspondance entre les valeurs fournisseur et les tiennes, et réutilise-la à chaque import.
- Normalise les noms de marques à partir d'une liste de référence unique.
- Lance un contrôle après chaque import pour repérer les nouvelles valeurs absentes de ta liste.
Tendances autour de Normalisation des données
- Une AI qui suggère la valeur normalisée pour une saisie désordonnée et apprend de tes corrections.
- La normalisation à l'import, pour que les valeurs soient nettoyées avant d'atteindre le catalogue.
- Des listes de valeurs sectorielles partagées, comme les caractéristiques et unités ETIM, utilisées à la fois par les fournisseurs et les retailers.
- La conversion d'unités intégrée aux PIM, pour stocker les valeurs une fois et les afficher en unités métriques ou impériales.
- Des attributs structurés et normalisés pour les assistants d'achat AI qui comparent les produits sur des faits.
Outils pour Normalisation des données
- WISEPIM : un PIM avec gestion des attributs, une page Attribute values, l'édition en masse et des règles Quality Guard pour des valeurs cohérentes.
- OpenRefine : un outil gratuit pour regrouper et nettoyer les valeurs désordonnées dans des tableurs.
- Akeneo : un PIM avec options d'attributs et règles de validation pour les données produit.
- Talend Data Quality : profilage et standardisation des données pour les équipes data plus importantes.
- Excel ou Google Sheets : rechercher-remplacer et tables de correspondance pour les petits catalogues.
Termes associés
Aussi appelé
Questions fréquentes
Tu as encore des questions ?
Tu ne trouves pas la réponse que tu cherches ? Contacte notre équipe.
Contacter le support