La fiche avant le produit — pourquoi les flux structurés décident de la visibilité multi-marché

Le constat. Un même produit peut exister dans une dizaine de pays, sous huit langues et six devises, et pourtant échouer à apparaître dans le moindre comparateur d'achat — non parce qu'il est mauvais, mais parce que sa donnée est incomplète, ambiguë ou mal localisée. Les moteurs de shopping ne classent pas des produits ; ils classent des fiches de données structurées. La qualité du flux produit est devenue, en quelques années, un actif de distribution à part entière — aussi déterminant que le prix ou la photographie.

Qu'est-ce qu'un flux structuré ?

Un flux produit est un fichier — généralement XML, TSV ou via API — qui décrit chaque article par un ensemble d'attributs normalisés : identifiant, titre, description, prix, disponibilité, image, marque, catégorie. Les spécifications de Google Merchant Center, comme celles de la plupart des comparateurs, distinguent les attributs requis des attributs recommandés. Les premiers conditionnent l'éligibilité ; les seconds conditionnent le classement et la pertinence des correspondances de recherche.

Au cœur du dispositif se trouve l'identifiant produit. Le standard GS1 — l'organisme qui administre les codes-barres depuis 1974 — définit le GTIN (Global Trade Item Number), dont l'EAN-13 européen et l'UPC nord-américain sont des déclinaisons. Un GTIN valide permet à un moteur de rattacher des offres concurrentes au même produit physique, de dédupliquer, et d'enrichir une fiche avec des avis ou des spécifications tierces. Sans identifiant fiable, le produit reste un îlot : invisible aux regroupements, exclu des pages produit consolidées.

Complétude et qualité : deux axes distincts

La complétude mesure la proportion d'attributs renseignés. La qualité mesure leur exactitude et leur cohérence. Un flux peut être complet et faux : un GTIN bien formé mais attribué au mauvais article, une couleur déclarée « argent » pour un produit noir, une disponibilité « en stock » pour une référence épuisée. La littérature sur la qualité des données — de la norme ISO 8000 aux travaux académiques sur le data quality management — converge sur les mêmes dimensions : exactitude, complétude, cohérence, actualité, unicité.

Les moteurs de shopping pénalisent l'incohérence plus durement que l'absence. Un attribut manquant dégrade la couverture des requêtes ; un attribut contradictoire — un prix de flux différent du prix de la page de destination — déclenche un désaccord (mismatch) qui peut suspendre l'offre. La règle est constante : la fiche doit refléter exactement la page vers laquelle elle pointe.

Localisation : une fiche par marché, pas une traduction

Servir plusieurs marchés n'est pas traduire un flux unique. Chaque marché impose sa langue, sa devise, son format de prix, et — souvent oublié — sa fiscalité affichée. Un prix soumis doit inclure ou exclure la TVA selon les conventions locales, et la devise déclarée doit correspondre à celle de la page de destination : une offre en euros pointant vers une page en francs suisses est un désaccord classique. Les unités (centimètres contre pouces), les tailles, les catégories réglementées varient également d'un pays à l'autre.

La localisation porte aussi sur le langage de recherche. Un client allemand, espagnol ou italien ne formule pas sa requête avec les mots d'un client français. Un titre traduit littéralement, sans tenir compte des termes réellement recherchés sur chaque marché, perd en correspondance. La donnée doit être localisée, pas seulement traduite.

Pourquoi les moteurs récompensent la structure

Un moteur de shopping cherche à rapprocher une requête d'une intention d'achat, puis à classer des offres comparables. Plus la donnée est structurée — identifiant fiable, attributs normalisés, catégorie correcte — plus le moteur peut comprendre, regrouper et présenter l'offre avec confiance. Une fiche riche améliore la pertinence des correspondances, nourrit les filtres à facettes, et permet l'affichage d'informations enrichies. À l'inverse, une fiche pauvre n'est pas seulement moins bien classée : elle est moins souvent éligible à la requête.

Aux racines des désapprobations

Les causes de désapprobation (disapproval) les plus fréquentes sont connues et largement documentées par les comparateurs : désaccord de prix ou de disponibilité entre flux et page ; identifiant invalide ou absent ; image manquante, de mauvaise qualité ou avec filigrane ; page de destination inaccessible ou sans politique claire de retour ; non-conformité d'une catégorie réglementée. Presque toutes se ramènent à une rupture entre ce que dit le flux et ce que montre la page. Corriger un flux, c'est d'abord rétablir cette concordance.

Où nous nous situons

Montandor exploite un flux produit multi-marché, servi en plusieurs langues et devises, pour rendre son catalogue professionnel visible là où les clients CHR cherchent — sans confondre les marchés ni les fiscalités. Notre discipline est simple : un identifiant fiable par produit, une fiche qui reflète exactement la page de destination, et une localisation qui respecte la langue de recherche de chaque pays. Le flux n'est pas un export technique de plus ; c'est la manière dont un produit existe, ou n'existe pas, dans le commerce comparé.

« Un beau produit mal décrit n'existe pas pour un moteur de shopping. La qualité du flux n'est pas une formalité technique ; c'est la condition pour qu'un client d'un autre pays, qui cherche dans sa langue et paie dans sa devise, tombe sur la bonne fiche, au bon prix, sans surprise. »
— Wouter Meijboom, CEO, Montandor Andorra.

Sources

• GS1 — GTIN (Global Trade Item Number) et système de codes-barres GS1, standards d'identification depuis 1974 (gs1.org).
• Google Merchant Center — spécifications du flux produit (attributs requis et recommandés, règles de correspondance prix/disponibilité), documentation Google.
• Google — règles relatives aux annonces Shopping et causes de désapprobation des produits (centre d'aide Merchant Center).
• ISO 8000 — norme internationale de qualité des données (data quality), Organisation internationale de normalisation.
• Littérature académique sur le data quality management — dimensions exactitude, complétude, cohérence, actualité (Wang & Strong, et travaux ultérieurs).

Publié le 26 mai 2026 par l'équipe Montandor — recherche menée par Dorota Sawicka (Merchant Feed Manager), en collaboration avec Hélène Vincent (Growth & Analytics Lead) et Céline Faure (Content & SEO Lead).