L’IA est en place, mais où sont les résultats ? Les conditions de la croissance e-commerce, vues par les données

L’IA est en place, mais où sont les résultats ? Les conditions de la croissance e-commerce, vues par les données

Le 6 août dernier, nous avons organisé un Lunch & Learn dans les bureaux coréens de Snowflake, à Yeoksam (Séoul), sur le thème « Des réussites e-commerce bâties sur l’IA et les données ».

Des professionnels de nombreux secteurs (agroalimentaire, beauté, mode, biens de consommation), venus notamment de HiteJinro Beverage, Nestlé Korea, Nongshim Kellogg, adidas Korea, APR et Kenvue Korea, ont examiné ensemble les conditions pour que l’IA et les données se traduisent en résultats concrets.

Comment obtenir de l’IA des réponses fiables ?

Lors de la première session, Sangryeol Eom, account executive chez Snowflake, a pointé les trois endroits où l’IA cale au stade opérationnel : le contexte, la gouvernance et les coûts.

Se contenter de relier des tables ou des fichiers à un LLM généraliste ne permet guère de refléter de façon cohérente les définitions d’indicateurs propres à chaque service, les règles d’exception et les droits d’accès aux données. À l’inverse, en reliant aux données des indicateurs communs et des règles métier, l’IA peut apporter des réponses plus précises et reproductibles à une même question.

Le cas d’analyse interne d’Anthropic présenté pendant l’événement l’a confirmé : la précision des réponses, limitée à 21 % sans définitions de données validées, est passée à plus de 95 % après application de référentiels communs. La démonstration de Snowflake CoWork qui a suivi a montré comment, lorsque données d’entreprise, sémantique et politiques de sécurité fonctionnent dans un même environnement, l’IA va au-delà de l’analyse jusqu’à l’action suivante.

Transformer des données e-commerce dispersées en chiffre d’affaires

Junyoung Park, senior account executive chez MarqVision, a présenté les problèmes qui surgissent lorsque les données de marque, de produits, de prix et de vendeurs sont dispersées sur de nombreux canaux : distribution sur le marché gris, perturbation des prix, contrefaçons.

Marq AI relie ces données dans une ontologie de marque unique, et identifie les vendeurs à haut risque et leurs réseaux grâce à la surveillance des prix et à l’intelligence sur les vendeurs. Les marques peuvent ainsi fixer leurs priorités non sur le nombre de détections, mais sur des résultats business : prix et ventes retrouvés, délai de réponse.

Dans le cas réel de Yonsei Milk, en un an après l’adoption de Marq AI, l’entreprise a pu augmenter ses prix de livraison à Coupang, accroître son PPM de 3 à 5 %, et réduire de 70 % le temps de travail par rapport à sa réponse précédente. Un cas qui montre que la gestion du marché gris peut être le point de départ d’une distribution en ligne stabilisée et d’une rentabilité retrouvée.

Plus qu’une meilleure IA, une meilleure structure de données

L’enseignement clé de l’événement était clair.

Ce qui détermine les résultats de l’IA, ce n’est pas un modèle plus cher, mais une structure qui relie les données et les référentiels de l’entreprise pour que l’IA puisse les comprendre. Après les sessions, un déjeuner de networking a permis à chaque entreprise de partager ses défis concrets en matière d’exploitation des données et d’opérations e-commerce.

Merci à toutes les personnes présentes. Si vous voulez savoir comment Marq AI relie les données e-commerce dispersées pour protéger la confiance et les revenus des marques, découvrez les nombreuses réussites clients de MarqVision.