Transformation des données

Gestion et qualité des donnéesOctober 11, 2026Niveau Intermediate

La transformation des données convertit des données d'un format ou d'une structure vers un autre, par exemple des fichiers fournisseurs vers les attributs et valeurs dont un PIM ou une marketplace a besoin.

Hero image for Data Transformation — concept illustration for e-commerce glossary — Image by WISEPIM · CC BY 4.0Télécharger en pleine résolution

Qu'est-ce que Transformation des données ?

La transformation des données (data transformation) est le processus qui convertit des données d'un format, d'une structure ou d'un ensemble de valeurs vers un autre, pour qu'un système cible puisse les utiliser. Pour les données produit, il s'agit de transformer les fichiers fournisseurs et les exports ERP en champs, unités et valeurs qu'attendent ton PIM, ta boutique en ligne et les marketplaces. Les étapes typiques sont le mapping des colonnes source vers les attributs cibles, la conversion d'unités (des centimètres en pouces), la standardisation des valeurs ("navy blue" et "Navy" deviennent une seule valeur), la division ou la fusion de champs, et le raccourcissement des textes aux limites des canaux. La normalisation des données en est une partie : elle rend seulement les valeurs cohérentes. La transformation est aussi l'étape centrale de l'ETL, entre l'extraction et le chargement. Dans un PIM, elle a lieu deux fois : à l'import, puis à nouveau à l'export pour chaque canal. Les automatisations peuvent exécuter ces étapes selon un planning.

Pourquoi Transformation des données compte en e-commerce

Chaque source et chaque canal utilisent leur propre structure. Un fournisseur envoie un code couleur, ta boutique en ligne veut un nom de couleur et Google Merchant Center veut une valeur de sa propre liste. Sans transformation, quelqu'un ressaisit ou reformate les données à la main pour chaque canal. De bonnes règles de transformation rendent les imports reproductibles et les exports prévisibles. Quand un fournisseur envoie un nouveau fichier, le même mapping et les mêmes conversions s'appliquent. Quand une marketplace change une exigence, tu modifies une règle au lieu de modifier chaque produit. Les règles protègent aussi la qualité des données : les valeurs qui ne conviennent pas apparaissent comme des erreurs au lieu d'être publiées.

Exemples de Transformation des données

1Source : length_cm = 120, Règle : convertir en pouces, Cible : length = 47.2 in
2Source : color_code = 04, Règle : rechercher dans la table des codes, Cible : color = Navy
3Source : titre de 180 caractères, Règle : raccourcir à la limite du canal, Cible : titre Amazon de 75 caractères maximum
4Source : stock = 0, Règle : convertir en valeur de disponibilité, Cible : availability = out_of_stock

Data Transformation infographic — Image by WISEPIM · CC BY 4.0Télécharger en pleine résolution

Comment WISEPIM t'aide

L'import de produits dans WISEPIM fait correspondre les colonnes CSV des fournisseurs à tes attributs et peut s'exécuter comme import planifié via les automatisations.
Content Logic et les Template Strings construisent des valeurs par canal à partir de champs existants, comme un titre composé de la marque, du modèle et de la couleur.
Les règles de prix par canal et Optimize for Platform (optimiser pour la plateforme) ajustent prix et contenus à ce qu'attend chaque canal.

Erreurs fréquentes avec Transformation des données

Écrire des règles par produit plutôt que par attribut, si bien que chaque nouveau produit demande un travail manuel.
Transformer des données sales. Élimine d'abord les doublons et les valeurs fausses dans la source.
Convertir des unités sans conserver la valeur d'origine, si bien que tu ne peux plus reconvertir plus tard.
Ne pas documenter les règles, si bien que personne ne sait pourquoi une valeur a changé quand un canal la refuse.
Écraser les données source avec des versions propres à un canal au lieu de conserver les deux.

Conseils pour Transformation des données

Mets-toi d'accord sur une liste de valeurs cibles par attribut avant d'écrire des règles ; consulte la standardisation des attributs.
Conserve le fichier d'import brut pour pouvoir relancer les transformations.
Teste les règles sur un petit échantillon avant de les appliquer à tout le catalogue.
Nomme les règles d'après le canal et l'attribut qu'elles servent.
Quand un canal refuse des produits, corrige la règle, pas le produit isolé.

Tendances autour de Transformation des données

Une AI qui propose des correspondances entre colonnes et attributs pour les nouveaux fichiers fournisseurs.
Des exigences de canaux publiées sous forme de spécifications lisibles par machine que les règles peuvent suivre.
Des outils low-code de création de règles qui permettent aux équipes produit de modifier les mappings sans développeurs.
Des attributs structurés préparés pour les agents d'achat AI, pas seulement pour les pages web.

Outils pour Transformation des données

WISEPIM : un PIM avec mapping des imports, Content Logic et exports par canal.
Akeneo : un PIM avec mapping des attributs et profils d'export.
Informatica PowerCenter : un outil ETL pour les grandes entreprises.
Talend : pipelines d'intégration et de transformation des données.
Channable : des règles de feed qui transforment les données produit par canal.

Termes associés

Contrôle d'accès (PIM)Gestion des dépendances d'attributs Héritage des attributs Mapping des attributs Portée des attributs (attribute scoping)

Aussi appelé

Conversion de donnéesMapping de donnéesRestructuration des donnéesTransformation ETL

Questions fréquentes

La transformation des données produit convertit les informations produit d'un format source vers le format dont un système cible a besoin. Par exemple : faire correspondre les colonnes fournisseurs aux attributs, convertir des unités et raccourcir des titres pour une marketplace. Elle a généralement lieu à l'import dans un PIM, puis à nouveau à l'export vers chaque canal.

À l'import, le PIM fait correspondre les colonnes des fichiers CSV ou des connexions à ses attributs et nettoie les valeurs. À l'export, il crée la version de chaque canal : noms de champs, listes de valeurs, longueurs de titre ou prix différents. Des règles rendent les deux étapes reproductibles.

La normalisation est un type de transformation : elle rend les valeurs cohérentes, par exemple une seule orthographe pour une couleur. La transformation couvre aussi le changement de structure, le mapping des champs, la conversion d'unités et la création de nouvelles valeurs à partir de valeurs existantes.

Non. ETL signifie extract, transform, load (extraire, transformer, charger) : la transformation est donc l'étape du milieu. Tu peux transformer des données sans pipeline ETL complet, par exemple avec des règles de mapping lors d'un import CSV.

Tu as encore des questions ?

Tu ne trouves pas la réponse que tu cherches ? Contacte notre équipe.

Contacter le support