Interview Chef de projet DAM Decathlon

« La capacité de l’IA à réellement décrire le contenu des images nous a surpris » : Maxence Malak, chef de projet DAM, DECATHLON

Pour DECATHLON, le sport est une affaire sérieuse et… les images aussi. En témoigne, sa plateforme de Digital Asset Management (DAM) qui compte plus de 2 millions d’assets. Des médias qu’il s’agit de documenter de manière qualitative et productive. 

Quels rôles jouent les médias dans les activités de DECATHLON ? Pouvez-vous donner quelques ordres de grandeur ?

Les médias, notamment les images, jouent un rôle fondamental puisqu’un produit sans image n’a tout simplement pas sa place sur notre site e-commerce. Par ailleurs, si 80 personnes mettent en ligne 90% des médias, près de 20 000 personnes interrogent chaque année PixL – nom donné à notre plateforme de Digital Asset Management (DAM) – pour y trouver un visuel. Et cela à des fins très variées : communication externe ou interne, dispositif online et offline. Environ 2 000 médias sont ajoutés chaque jour et le DAM en compte d’ores et déjà plus de 2 millions. Il s’agit ici uniquement des contenus « maître » auxquels il faut ajouter, pour chacun, les multiples déclinaisons techniques. Ces chiffres peuvent donner le tournis, mais il faut rappeler que DECATHLON couvre une centaine de sports et est installé dans 52 pays.

Quand vous prenez en 2017 la responsabilité du DAM, quelles sont vos grandes préoccupations ?

En lisant les 150 tickets de support enregistrés chaque mois, nous identifions deux problèmes clés. Tout d’abord, les temps de dépose des images sont bien trop importants et pèsent évidemment sur le quotidien des collaborateurs qui publient ces médias. Ensuite, à l’autre bout de la chaîne, l’ensemble des utilisateurs se plaignent de recherches trop souvent infructueuses. Sans surprise, ils attendent que PixL soit aussi performant que Google et ce n’est pas le cas…

Comment traitez-vous le premier problème, celui lié au temps de dépose des images ?

Avec un gros travail d’automatisation. Avant, nous procédions en deux temps : tout d’abord, l’extraction depuis le PIM (Product Information Management) de l’arborescence des produits ; puis, son importation dans PixL, la plateforme DAM (Digital Asset Management) d’entreprise de Wedia. Avec ce procédé, c’était à l’utilisateur d’aller chercher dans cette arborescence les métadonnées pour enrichir la documentation de son média. Fastidieux et chronophage. Nous avons donc travaillé sur une synchronisation beaucoup plus fluide entre le PIM et le DAM en recourant aux API. Désormais, il suffit à l’utilisateur de saisir le code du modèle de produit pour automatiquement remonter une quinzaine de métadonnées. L’utilisateur doit juste valider ces suggestions. Nous avons vite constaté des gains énormes à la fois pour la productivité des équipes, pour la qualité des métadonnées et de facto l’adoption de PixL.

Cela a dû contribuer à rendre les recherches, elles aussi, plus fructueuses ?

Oui, mais ce n’était pas encore suffisant. Pour rendre la recherche plus performante, nous avons pris le temps d’analyser les requêtes. Nous nous sommes aperçus par exemple que des recherches sur le foot remontaient beaucoup d’images de produits alors que les utilisateurs attendaient d’abord des images liées à l’univers du foot. Ces constats à l’appui, nous avons simplifié les métadonnées pour mieux flécher les autosuggestions (ndlr : les termes suggérés par le moteur pour compléter une requête). Avec, là aussi à la clé, un bond de performance. Le résultat du travail engagé sur ces deux sujets, la performance de la dépose et de la recherche, se voit dans les tickets enregistrés au support : nous sommes passés de 150 par mois à… trois !

Le digital asset management représente un bon terrain de jeu pour l’intelligence artificielle. Avez-vous évalué cette opportunité ?

Oui, et cela a même abouti cette année à un premier Proof of Concept (POC) réalisé avec Wedia dans le cloud Azure. À l’origine de ce projet, il y a une réflexion de fond. Avec la synchronisation entre le PIM et le DAM, et aussi avec un gros travail pour normaliser l’arborescence de notre offre, nous avons gagné en performance sur les images produits, pour les verser dans le DAM comme pour les trouver. Mais quid des images contextuelles, celles qui illustrent un usage avant de correspondre à un modèle de produit ? On s’est posé les questions suivantes : l’intelligence artificielle (IA) peut-elle reconnaître un vélo et l’usage associé ? Faire la différence entre un VTC et un VTT ? Identifier un modèle précis ? Avec l’aide de l’équipe Wedia, nous avons travaillé sur le top 10 des produits d’univers comme le vélo, le sub aquatique ou encore le camping.

Avec quels résultats ?

On peut dire que nous avons été positivement surpris. Si l’IA ne peut pas identifier encore un produit précis – on s’en doutait un peu – elle se montre en revanche capable de résumer une image. Et plutôt très bien car elle procède par association. Si elle identifie un vélo et une montagne, elle en déduit qu’il s’agit d’un VTT. Mieux encore, elle peut générer une description de type « homme à côté d’une tente préparant à manger ». Un tel enrichissement peut améliorer très sensiblement la recherche et la réutilisation des images.

De quoi aller au-delà du POC ?

Même si on doit encore préciser le ROI à grande échelle d’un projet, nous allons passer un premier ensemble de services IA en production au cours de l’été. Les résultats sont suffisamment probants pour inscrire le recours à l’IA dans notre feuille de route. D’autant que l’on sait comment garantir la performance de l’IA dans la durée, au fil de l’évolution du catalogue – un point clé. En effet, Wedia n’a pas seulement mis en place un réseau de neurones, mais aussi des interfaces pour outiller l’apprentissage de l’IA. Concrètement, tout au long du cycle de vie des contenus, les administrateurs vont pouvoir très simplement valider (ou invalider) les détections opérées par l’IA et ainsi lui apprendre à assimiler de nouveaux objets, de nouvelles scènes et in fine de nouveaux produits.

Imaginez-vous déjà d’autres usages de l’IA ?

Les idées ne manquent pas. Il faut savoir par exemple que Décathlon n’utilise quasiment plus de mannequins pour ses photos ; dans la plus grande partie des cas, ce sont nos collaborateurs qui sont mis en scène. Un parti-pris cohérent avec notre stratégie de collaborateurs-ambassadeurs. Mais, bien entendu, si ces collaborateurs quittent l’entreprise, il faut être en mesure de supprimer les images les concernant. L’IA, en s’appuyant sur les portraits des collaborateurs, pourrait aider à gérer ce type de contraintes légales.

À court terme, quels sont les projets prioritaires ?

Nous allons travailler sur la performance des images. Comment les images impactent les ventes ? Combien d’images sont nécessaires pour convertir une vente ? Quels sont les types d’images les plus performants ? Cela suppose de corréler les données entre les analytics de notre plateforme e-commerce et ceux du DAM. Comme pour le POC IA, ce chantier devrait donner lieu à beau travail de co-création entre les équipes Wedia et DECATHLON.

Découvrez comment Decathlon utilise la solution DAM pour entreprise de Wedia et organise son contenu marketing !



Demande de démo
Recevez notre newsletter
Suivez-nous
Contactez-nous
velit, dictum id Aenean Donec neque. luctus