Attributs produit : comment les extraire, les normaliser et les mapper

Ce que sont les attributs produit (et ce qu’ils ne sont pas)

Un attribut produit est une propriété nommée associée à une valeur : matériau = acier inoxydable, capacité = 1,5 L, couleur = noir. La recherche sur l’extraction d’attributs appelle cela des paires attribut-valeur. Les attributs décrivent le produit lui-même et restent vrais partout où il est vendu, c’est pourquoi ils relèvent de champs structurés et pas seulement du texte de la description.

Trois notions voisines se confondent facilement avec les attributs, et les mélanger est à l’origine de la plupart des problèmes de schéma par la suite :

Schéma d’attributs à définir avant toute extraction

Un schéma d’attributs est le contrat auquel chaque valeur doit satisfaire. Sans lui, l’extraction produit ce que la source dit, quoi que ce soit, et la normalisation tourne à la devinette. Pour chaque attribut, décidez du nom, du type de données, de l’unité canonique, des valeurs autorisées ou de la règle de validation, de la possibilité d’avoir plusieurs valeurs et des cas où il est obligatoire.

Gardez un schéma par famille de produits plutôt qu’une seule liste géante : une bouilloire a besoin d’une capacité et d’une puissance nominale, un T-shirt d’une composition en fibres et d’une taille. Commencez par les attributs que vos canaux exigent et sur lesquels vos acheteurs filtrent, puis ajoutez les attributs techniques que vos fiches techniques fournissent de manière fiable.

D’où viennent les valeurs d’attributs, et quelle source l’emporte

Les valeurs proviennent généralement de plusieurs sources qui ne concordent pas toujours. Définissez une priorité de sources pour chaque attribut afin de résoudre les conflits de façon cohérente, et pas selon la dernière personne qui modifie la fiche.

Une règle par défaut pratique : les documents techniques l’emportent sur les textes marketing, et le document spécifique sur le document général. Lorsque des sources de même rang divergent — une fiche technique et un emballage indiquant des poids différents, par exemple — ne faites pas de moyenne et n’en choisissez pas une au hasard : demandez au fournisseur laquelle est à jour.

• Fiches techniques et fiches de caractéristiques : la source la plus fiable pour les dimensions, les valeurs nominales, les matériaux et les performances, généralement dans des tableaux.
• Emballage et visuels d’étiquette : font foi pour ce qui est imprimé sur l’emballage, comme la quantité nette, les avertissements et les marquages.
• Fiches de données de sécurité : classification des dangers, composition et propriétés physiques des produits chimiques ; ce ne sont pas des attributs marketing.
• Descriptions produit du fournisseur : utiles pour les attributs qui n’apparaissent jamais dans un tableau (style, usage prévu, modèles compatibles), mais la source la moins précise.

Comment extraire les attributs des descriptions produit

Les descriptions en texte libre sont la source la plus difficile, car les valeurs sont noyées dans des phrases, nuancées par le langage marketing et parfois niées. Que vous utilisiez des règles, un dictionnaire de valeurs connues ou un modèle de langage, la procédure qui garantit un résultat fiable est la même :

1. Dressez la liste des attributs cibles de la famille de produits, avec leurs valeurs et unités autorisées, avant de lire le moindre texte.
2. Découpez le texte en phrases et en puces, puis repérez les valeurs candidates : nombres avec unités, termes connus du vocabulaire et formulations du type « compatible avec … ».
3. Vérifiez le contexte de chaque candidat pour y détecter des qualificatifs (« jusqu’à », « env. », « à partir de »), des négations (« sans BPA », « ne convient pas à ») et des conditions (« avec couvercle », « à 20 °C »).
4. Attribuez chaque valeur à un seul attribut ; lorsqu’un nombre pourrait relever de deux attributs, laissez-le non attribué pour vérification plutôt que de deviner.
5. Normalisez la valeur et l’unité selon les règles des sections suivantes, en conservant le texte d’origine à côté.
6. Marquez chaque attribut issu uniquement du texte marketing, afin qu’un relecteur puisse le confirmer à l’aide d’une fiche technique avant son utilisation dans un tableau de caractéristiques ou un brouillon de déclaration.

Associer les en-têtes des fiches techniques à des noms d’attributs canoniques

Chaque fabricant désigne le même attribut différemment, souvent dans sa propre langue. Construisez une table de synonymes qui associe le texte d’en-tête réellement rencontré à votre nom d’attribut canonique ; elle s’enrichit vite au début, puis se stabilise, et devient votre ressource de normalisation la plus réutilisable. Enregistrez aussi l’unité imprimée dans l’en-tête : sous « Poids (lb) », aucune cellule ne répète l’unité. Les mises en page de tableaux, les scans et l’OCR sont traités dans le guide sur l’extraction de données produit à partir de PDF.

Normaliser les nombres et les unités

Enregistrez chaque attribut quantitatif dans deux champs : un nombre et un code d’unité. La Recommandation n° 20 de l’UN/CEFACT (« Codes des unités de mesure utilisées dans le commerce international ») fournit pour cela des codes communs de trois caractères, et schema.org utilise les mêmes codes dans sa propriété unitCode, par exemple une QuantitativeValue de 25 avec unitCode CMT. Utiliser ces codes plutôt que des unités en texte libre (« cm », « cms », « centimètres ») supprime toute une catégorie de divergences.

Choisissez une unité canonique par attribut, généralement l’unité SI ou l’un de ses multiples décimaux, et convertissez à l’import afin que les valeurs soient comparables d’un fournisseur à l’autre. Conservez la valeur et l’unité d’origine telles qu’imprimées pour la traçabilité, et reconvertissez vers les unités du canal à l’export : un CSV de produits Shopify attend le poids en grammes, tandis que WooCommerce utilise les unités de poids et de dimensions configurées dans la boutique.

Attention aux détails qui provoquent des erreurs silencieuses. Les séparateurs décimaux et de milliers dépendent de la langue du document : sur une fiche technique allemande, « 1.000 W » correspond à mille watts. Scindez les plages en champs minimum et maximum, enregistrez les tolérances séparément de la valeur nominale et conservez les qualificatifs comme « env. » ou « max. » dans leur propre champ. Les conversions impériales utilisent des définitions exactes (1 pouce = 25,4 mm ; 1 lb = 0,45359237 kg) ; n’arrondissez qu’une fois, au moment de l’affichage.

Utiliser des vocabulaires contrôlés pour les attributs textuels

Un vocabulaire contrôlé est la liste des valeurs qu’un attribut textuel peut prendre, avec les synonymes associés à chacune. Il permet à un filtre « Couleur : noir » de retrouver les produits décrits comme « nr », « Noir » et « schwarz ».

Conservez deux champs lorsque marketing et filtrage tirent dans des directions opposées : une valeur de base normalisée pour les filtres et les flux, et le nom propre du fabricant pour l’affichage. « Midnight Graphite » est un bon détail pour une fiche produit et une valeur de filtre inutile ; « gris » est l’inverse. Pour les catalogues multilingues, enregistrez les valeurs du vocabulaire sous forme de codes neutres sur le plan linguistique et traduisez leurs libellés, afin que le même produit soit filtré correctement dans chaque langue de la boutique.

Associer les attributs aux taxonomies et aux schémas des canaux

Une taxonomie détermine quels attributs s’appliquent à un produit et comment ils s’appellent. Vous avez rarement le choix : un distributeur peut demander GS1 GPC, un grossiste ETIM, Shopify sa Standard Product Taxonomy, et les moteurs de recherche lisent le balisage schema.org. Gardez votre propre schéma d’attributs comme référence et maintenez une correspondance vers chaque taxonomie externe.

Dans GS1 GPC, la brique est l’élément de base, et les attributs de brique portent des détails comme le fait qu’un lait soit d’origine animale ou non. ETIM attribue à chaque classe un ensemble prédéfini de caractéristiques, avec des listes de valeurs et des unités fixes, et publie son modèle en 17 langues. Shopify demande une seule catégorie, choisie selon la fonction principale du produit ; la renseigner donne accès aux métachamps de catégorie. Le type Product de schema.org dispose de propriétés dédiées telles que gtin, mpn, brand, color, material, size et weight.

Gérer les variantes sans dupliquer les attributs

Les variantes sont des produits qui partagent la plupart de leurs attributs et diffèrent sur quelques-uns. Modélisez-les avec une fiche parent contenant les attributs communs et des fiches enfants contenant uniquement les axes de variante et les valeurs qui changent avec eux, comme la couleur, la taille, la capacité et leurs propres identifiants. Les règles GTIN de GS1 considèrent chaque variation de style, de couleur et de taille comme un produit unique doté de son propre GTIN : l’identifiant se trouve donc toujours sur la fiche enfant.

Les tableaux de caractéristiques multi-modèles causent la plupart des erreurs de variantes. Scindez un tableau comportant une colonne par modèle en une fiche par colonne, et copiez toute valeur imprimée une seule fois sur plusieurs colonnes — une cellule fusionnée, ou « tous les modèles : 230 V » sous le tableau — dans chaque fiche enfant concernée. Dans Shopify, la colonne CSV Option1 LinkedTo relie une option de variante à un métachamp de catégorie ; un produit peut avoir jusqu’à trois options et 2 048 variantes.

Valider les attributs par des règles et un échantillonnage qualité

Les règles de validation détectent les erreurs mécaniques : mauvais type, mauvaise unité, valeur impossible, attribut obligatoire manquant. Exécutez-les à chaque import et orientez les échecs vers un relecteur au lieu de supprimer silencieusement des valeurs.

Les règles ne peuvent pas détecter une valeur plausible mais fausse — une capacité copiée depuis la colonne du modèle voisin passe tous les contrôles. L’échantillonnage qualité le peut : comparez des fiches échantillonnées aux documents sources, champ par champ. Il n’existe pas de taille d’échantillon ni de seuil d’erreur universels ; fixez-les selon le risque.

1. Prélevez un échantillon de fiches pour chaque fournisseur, en privilégiant les nouveaux fournisseurs et les nouvelles mises en page de documents.
2. Comparez chaque attribut échantillonné à la source, en consignant séparément les concordances, les valeurs erronées et les valeurs manquantes.
3. Calculez les taux d’erreur par attribut, et pas seulement par fiche, pour repérer les attributs ou les correspondances d’en-têtes qui posent problème.
4. Contrôlez les attributs liés à la sécurité et exigés par la loi sur chaque fiche, et non sur un échantillon.

Normaliser les attributs à grande échelle

Le schéma, les tables de synonymes, les vocabulaires et les règles forment la partie durable de ce travail ; la méthode d’extraction peut changer en dessous. Versionnez-les, attribuez un responsable à chacun, consignez les corrections manuelles avec leur motif (des corrections répétées révèlent une règle manquante) et réexaminez la table de synonymes à chaque intégration d’un nouveau fournisseur.

Si vos attributs naissent dans des PDF fournisseurs, Doc2Shelf peut assurer l’étape d’extraction : il lit les fiches techniques, fiches de caractéristiques, FDS et catalogues téléversés, conserve les valeurs et les unités exactement telles qu’imprimées avec la page et une courte citation comme preuve, et signale les données obligatoires manquantes. Vos règles de normalisation s’appliquent ensuite lors de la vérification, avant que la fiche n’alimente des fiches produit ou des brouillons de déclaration.