Nous rejoindre
Nous contacter
< Revenir au blog

FeedGen : l'IA générative au coeur de Google Shopping

Caroline Poyet
par Caroline Poyet

Lecture : 3 min

feedgen-shopping

Les retailers et e-commerçants le savent, le format Google Shopping est un allié indispensable au développement d’une bonne stratégie de marketing digital. 

Autre point saillant en cette fin d’année, les outils d’IA générative se taillent une place de choix dans nos métiers, notamment sur les outils de Google. C’est dans cette optique que la firme de Mountain View a lancé FeedGen

En effet, les flux produits sont au cœur de l’optimisation des annonces Shopping. Bien exploités, ils permettent d’avoir les annonces les plus pertinentes, représentant un avantage compétitif clé. 

Découvrez comment l’intelligence artificielle FeedGen de Google peut vous aider à optimiser vos flux produits au service de vos annonces Google Shopping /PMax. 

Pourquoi optimiser ses flux produits ? 

Revenons aux bases ! Les flux produits se présentent sous la forme d’un fichier qui rassemble toutes les caractéristiques de vos produits, comme son nom, sa catégorie, sa couleur, sa taille, son prix, sa disponibilité, etc. 

Avoir des flux produits optimisés est essentiel pour la bonne diffusion des produits au sein des campagnes Google Ads. 

Les informations contenues au sein du flux sont primordiales pour assurer la diffusion des produits auprès de la bonne cible ! Il est ainsi beaucoup plus difficile d’atteindre vos objectifs de performance sans une optimisation solide des flux. 

Dans le cas d’un retail ou e-commerçant au catalogue produit très large, l’optimisation des flux peut s’avérer fastidieuse. Pour les aider, Google a donc lancé FeedGen, un outil basé sur l’IA générative. 

FeedGen met l’IA au service des flux produits

Concrètement, FeedGen est un outil open source accessible à tous. 

Il permet d’apporter les optimisations suivantes : 

  • Générer ou compléter des titres : générer sans effort des titres qui attirent l'attention et qui trouvent un écho auprès des publics cibles en ajoutant les attributs présents dans le fichier (couleur, taille,…) aux titres, ce qui renforce l'efficacité des campagnes de marketing.
  • Générer ou compléter de descriptions : Ces modèles excellent dans l'élaboration de descriptions de produits ou de services convaincantes qui suscitent l'intérêt des clients potentiels.
  • Identification d'attributs manquants : rationaliser le processus d'extraction d'informations et de données précieuses à partir de gros volumes de texte.
  • Traduction : traduction transparente des contenus dans plusieurs langues, ce qui permet d'étendre la portée des efforts de marketing à un public mondial.
  • Auto-correction : un contenu exempt d'erreurs grâce à des corrections automatiques précises, ce qui permet de maintenir le professionnalisme et la crédibilité du matériel de marketing.

Pour l’utiliser, c’est très simple : il suffit de faire une copie du modèle et de suivre les instructions de la feuille de travail “Getting Started”. 

feedgen-start

L’outil est basé sur Apps Script et s’exécute dans la barre latérale HTML directement dans Google Sheet. Pour utiliser le script, il est nécessaire de créer un projet GCP avec Vertex AI, le service permettant l’accès à l’API du modèle text-bison de Google.

L’IA générative permet ainsi d’aider les e-commerçants et retailers à identifier et à résoudre les problèmes de qualité qui touchent leurs flux produits de manière automatisée. 

FeedGen : notre retour d’expérience

Chez Arcane, nos experts tech travaillent chaque jour à l’amélioration de notre technologie propriétaire SmartFeeds. Autant vous dire que les flux produits, c’est un de leur terrain de prédilection !

Nous avons eu l’occasion de tester et de mettre à l’épreuve FeedGen, voici nos insights. 

  1. Une solution plug & play facile à développer, mais qui s’avère coûteuse à grande échelle avec environ 100 000 exécutions à 1000 tokens = 175€ (le prix dépend de la taille des données en entrée).
  2. Pour que le modèle fonctionne de manière optimale, il est nécessaire de rédiger des exemples de bonnes qualités pour quelques produits de l’inventaire. 
  3. Le modèle text-bison sur lequel est basé la solution de Google, et les modèles LLM en général, ont une tendance à générer des “hallucinations” ce qui nécessite une validation manuelle de chaque produit après génération du contenu.

Une hallucination correspond dans ce cas à n'importe quelle réponse d'une LLM qui n'est pas vérifiable ou vraie. 

Face aux hallucinations, il existe un système de notation permettant de conseiller l’utilisateur quant à la fiabilité du contenu qui a été généré. L’outil est ainsi capable d’identifier une certaine incertitude vis-a-vis de ce qui est proposé. Par exemple, s’il ajoute une couleur à un titre, il s'assure que celle-ci est bien présente dans les données d’entrée.

Les contenus qui obtiennent la note de “1” sont considérés comme plus fiables que ceux notés “-1”. Dans tous les cas, nous pensons qu’il est indispensable de vérifier les données proposées par FeedGen, ces notes permettent de se focaliser lors de la validation manuelle. 

L’IA générative est en train de transformer en profondeur la manière de gérer les campagnes média et la stratégie Shopping des retailers et e-commerçants. Chez Arcane, nous apportons de l’expertise et du contrôle humain à la puissance de l’IA. N’hésitez pas à nous contacter pour en savoir plus !

Ces contenus devraient
vous intéresser

test-experiment

Publié le 27 novembre 2023

La méthodologie Test & Experiment chez Arcane

Les innovations régulières apportées par les régies et l'émergence de ....

demandgen

Publié le 27 novembre 2023

YouTube 2024 : focus sur Demand Gen

Grande nouveauté pour 2024 ! Les nouvelles campagnes DemandGen sont en ....

cookiesless

Publié le 27 novembre 2023

Fin des cookies tiers et environnement cookieless : notre vision 2024

Ce n’est plus une nouvelle désormais, les cookies tiers vont bien disp ....