Combien de temps a-t-il fallu entre l'audit initial et une application de vision par ordinateur opérationnelle ?

L'ensemble du projet s'est déroulé sur quatre mois, en commençant par un audit des données de retour et des tickets de support pour identifier les catégories de pièces les plus problématiques, avant d'enchaîner sur l'entraînement du modèle, le développement de l'application et un déploiement progressif. Comme le déploiement a démarré par les catégories les plus critiques (freins, capteurs, connecteurs) plutôt que par l'ensemble du catalogue, le client a constaté des gains de précision mesurables bien avant la fin des quatre mois.

Que se passe-t-il quand l'IA n'est pas sûre de sa correspondance ?

Le modèle est intégré à l'index catalogue en temps réel : dès que la confiance descend sous un seuil défini, l'application affiche la meilleure correspondance accompagnée d'une liste classée d'alternatives visuellement similaires, plutôt que d'imposer une seule réponse. Cela évite que les cas incertains ne se transforment silencieusement en retours de mauvaise pièce, et chacun de ces cas alimente la boucle de ré-entraînement.

Cette approche fonctionne-t-elle uniquement pour les pièces automobiles, ou peut-elle s'appliquer à d'autres catalogues ?

L'approche est conçue pour tout catalogue où des SKU visuellement proches provoquent des erreurs coûteuses — ici des supports, connecteurs et fixations — et se généralise donc bien à d'autres marketplaces de pièces techniques ou industrielles confrontées au même problème. Le principe de base (UX photo en premier, correspondance avec score de confiance, ré-entraînement piloté par le feedback) n'est pas spécifique à l'automobile.

Quel a été le plus grand risque du projet, et comment a-t-il été géré ?

Le principal risque était d'entraîner un modèle sur des photos de catalogue fournisseur bien nettes, qui échouerait ensuite face à de vraies photos clients prises dans un garage ou sur une allée. SystimaNX a traité ce risque en amont en enrichissant délibérément les données d'entraînement avec des variations d'éclairage, d'angle et d'arrière-plan, puis en validant la précision sur les catégories les plus problématiques avant d'étendre au catalogue complet.

Retour aux études de cas

Automobile & Retail TechLogiciel piloté par IADéveloppement d'applications SaaS

Marketplace automobile par vision par ordinateur IA

Éliminer les erreurs d'identification manuelle de pièces grâce à un marketplace mobile-first propulsé par la vision par ordinateur, en remplaçant une recherche textuelle hasardeuse par un parcours photo-vers-SKU instantané.

Taux de retour drastiquement réduit grâce à l'identification IA des pièces

Client

Confidentiel — Plateforme de vente automobile

Secteur

Automobile & Retail Tech

Calendrier

4 mois

Technologies

8+ outils

Le défi

!Le processus manuel d'identification des pièces affichait un taux d'erreur élevé : les clients sélectionnaient régulièrement le mauvais SKU en tentant de faire correspondre une pièce usée, corrodée ou non étiquetée à une fiche produit. Chaque erreur déclenchait un cycle complet de retour et de remboursement, et le coût cumulé du réapprovisionnement, des réexpéditions et des remboursements grugeait progressivement des marges déjà faibles sur des consommables à forte rotation.

!Les clients devaient identifier eux-mêmes leurs pièces par nom ou référence dans un catalogue couvrant des milliers de SKU répartis sur des dizaines de marques et d'années-modèles. Beaucoup d'acheteurs, notamment les bricoleurs et les propriétaires novices, ne connaissaient tout simplement pas la terminologie, et les tickets de support demandant au personnel d'identifier une pièce à partir d'une photo floue étaient devenus un fardeau récurrent et non scalable pour l'équipe service client.

!Le moteur de recherche textuel existant était conçu pour des acheteurs qui savaient déjà ce dont ils avaient besoin, pas pour ceux qui tentaient de diagnostiquer une pièce inconnue. La correspondance approximative et l'autocomplétion aidaient marginalement, mais elles ne pouvaient pas résoudre les cas de pièces visuellement similaires qui ne différaient que par la forme d'un support, le type de connecteur ou le schéma de fixation — précisément les différences à l'origine du plus grand nombre de retours.

!Le traitement des retours coûtait disproportionnellement cher par rapport à la valeur des commandes. Les pièces automobiles sont souvent volumineuses, nécessitent un emballage spécial et peuvent être endommagées deux fois en transit — à l'aller et au retour — si bien qu'une seule commande erronée pouvait annuler la marge de plusieurs commandes correctement exécutées.

!Bien que les appareils mobiles génèrent la majorité du trafic du site, l'expérience d'achat restait optimisée pour le desktop, avec une interface de recherche à filtres multiples dense et malcommode sur un écran de téléphone, supposant que les utilisateurs avaient la patience de naviguer plutôt que de prendre une photo et d'acheter directement.

!Il n'existait aucun mécanisme pour apprendre des erreurs d'identification passées. Les journaux du service client répertoriant les pièces mal identifiées restaient isolés dans le logiciel de ticketing, déconnectés du catalogue produit et de l'index de recherche, si bien que les mêmes catégories d'erreurs revenaient mois après mois sans amélioration systématique.

!Les images du catalogue fournies par les fournisseurs étaient incohérentes en termes d'angle, d'éclairage et d'arrière-plan, ce qui compliquait tout futur effort de vision par ordinateur — un modèle naïvement entraîné sur ce matériel risquait de surapprendre des photos de studio plutôt que de généraliser à de vraies photos clients prises dans un garage, sur une allée ou sous un capot.

!La direction avait besoin d'une preuve mesurable qu'une solution pilotée par IA ferait bouger les indicateurs avant d'engager davantage de budget d'ingénierie, mais aucune instrumentation n'existait pour suivre la précision d'identification, les motifs de retour ou la conversion mobile par catégorie de pièce.

Notre solution

SystimaNX a commencé par auditer les données de retours et les tickets de support afin de quantifier les catégories de pièces générant le plus d'erreurs et de retours, en priorisant l'effort de vision par ordinateur sur les freins, capteurs et connecteurs électriques, où l'ambiguïté visuelle coûtait le plus cher.

Nous avons développé une application native mobile-first pour iOS et Android avec un flux d'identification par caméra placé au centre de l'écran d'accueil, reléguant délibérément la recherche textuelle à un chemin secondaire afin que le parcours d'achat principal démarre par une photo plutôt qu'une requête.

Un modèle de vision par ordinateur a été entraîné sur un jeu de données enrichi combinant images de catalogue fournisseur et photos réelles de clients, en introduisant volontairement de la variation d'éclairage, d'angle et d'arrière-plan pour que le modèle généralise au-delà des conditions de studio.

Nous avons conçu une UX délibérément simple en trois étapes : photographier la pièce, laisser l'IA l'analyser en moins de deux secondes, puis présenter la correspondance SKU exacte avec un ajout au panier en un tap — supprimant tout écran superflu entre l'intention et l'achat.

Le modèle de vision par ordinateur a été intégré directement à l'index de recherche catalogue en temps réel, afin que l'application affiche, en plus de la meilleure correspondance, des scores de confiance et une liste classée d'alternatives visuellement similaires dès que la certitude descendait sous un seuil défini.

Une boucle de rétroaction structurée a été mise en place : chaque erreur signalée par un client ou un agent de support était consignée, revue par l'équipe, puis intégrée au cycle de ré-entraînement suivant du modèle, transformant un problème récurrent non résolu en un problème qui se réduisait continuellement.

Nous avons mis en place un tableau de bord analytique donnant aux équipes produit et support une visibilité en temps réel sur la précision d'identification, le taux de retour par catégorie de pièce et la conversion mobile, remplaçant des décisions fondées sur des anecdotes par un flux de données exploitable chaque semaine.

Enfin, nous avons opéré un déploiement progressif — en commençant par les catégories de pièces les plus problématiques identifiées lors de l'audit initial — afin de valider la précision en conditions réelles et d'ajuster les seuils de confiance avant d'étendre l'identification par vision par ordinateur à l'ensemble du catalogue.

Impact mesurable

Précision d'identification

94%+

Le modèle de vision par ordinateur a dépassé la précision de la recherche manuelle sur toutes les catégories testées, y compris les pièces visuellement ambiguës comme les capteurs et supports.

Réduction du taux de retour

Réduction de 35 à 45 %

La bonne identification dès la première tentative a réduit les retours de mauvaises pièces d'environ un tiers à près de la moitié sur les catégories les plus problématiques, protégeant directement la marge sur les consommables à fort volume.

Conversion mobile

3x de hausse

L'expérience mobile axée sur la caméra a triplé la conversion par rapport à l'ancien parcours de recherche textuelle.

Volume de tickets support

40 % de tickets en moins

Les tickets liés aux erreurs d'identification ont chuté d'environ 40 %, moins de pièces mal identifiées signifiant moins d'escalades du type « est-ce bien la bonne pièce » vers le service client.

Amélioration du modèle

+2 à 3 points par cycle de ré-entraînement

Chaque cycle de ré-entraînement en production, alimenté par la boucle de rétroaction, a amélioré la précision du modèle d'environ deux à trois points de pourcentage sur les catégories de pièces précédemment signalées.

Délai avant achat

Moins de 15 secondes

Le parcours en trois étapes photo-vers-paiement a réduit le chemin moyen vers l'achat à moins de 15 secondes, contre plusieurs minutes avec la recherche textuelle à filtres multiples.

“Les retours grugeaient nos marges, et chaque envoi de mauvaise pièce nous coûtait deux fois — une fois à l'expédition, une fois au retour. SystimaNX a construit quelque chose que nos clients adorent utiliser, et le problème des retours est pratiquement résolu. Les chiffres de précision à eux seuls ont justifié l'investissement dès le premier trimestre.”
R
Responsable Produit
Marketplace Automobile (NDA)

Stack technologique

React NativePythonTensorFlowAWS RekognitionFastAPIPostgreSQLS3Node.js