E-commerce
1 juillet 2026
« Entraînez-vous sur mes messages ? » « Mon historique commande alimente le bot ? » « OpenAI garde-t-il nos conversations ? » Trois questions où les données d'entraînement chatbot manquent de réponse support claire.
Le support questions données entraînement e-commerce couvre sources KB, catalogue, conversations et exclusions, sans improviser ni nier l'usage réel. Distinct de transparence réponse IA (#860) : ici le focus est ce qui entraîne le modèle, pas seulement le statut d'une réponse chat.
Ce guide #907 déploie policy TRAINDATA-SUP, flow TD-1 à TD-8 et matrice TRAINDATA-MAP. Paire du futur bot training data (#908).
Sommaire
Pourquoi les données d'entraînement génèrent-elles des tickets ?
Client méfiant après une mauvaise réponse bot. Agent dit « on n'utilise rien » alors que la KB Shopify alimente le RAG. Sans TRAINDATA-MAP, confusion avec disclosure #860 ou privacy #154.
Cinq frictions typiques training data
Sources floues : client ne sait pas quelles données
Conversations utilisées : chats passés pour apprentissage ?
Fournisseur IA : OpenAI Anthropic rétention vendor
Opt-out : peut-on refuser contribution données
Commandes catalogue : données achat dans le bot
Exemple retail DTC
Mode DTC, 7 tickets traindata_/mois. Après TRAINDATA-MAP : traindata_trust_resolution_rate 90 %, réponses contradictoires -58 %.
TRAINDATA #907 vs AITRAN #860, AIGENCON #859, Gouvernance #142 et bot #908
Sept contenus transparence IA, sept angles distincts.
Matrice rapide
#907 TRAINDATA : données entraînement sources exclusions conversations catalogue
AITRAN #860 : divulguer statut IA réponse chat distinct training
AIGENCON #859 : contenus boutique générés IA distinct entraînement bot
Gouvernance #142 : règles internes validation supervision
Privacy #154 : usage données transverse
CONVREC #899 : enregistrement conversation distinct training
Opt-out #909 : exclusion conversations apprentissage distinct sources
Bot #908 : expliquer sources limites exclusions widget
#860 = cette réponse est-elle IA ? #907 = sur quoi le bot a-t-il été entraîné ?
Promesse #907
Policy TRAINDATA-SUP, arbre TRAINDATA-GATE, 8 macros, registre sources exclusions, KPI traindata_trust_resolution_rate.
Quelles typologies traindata_* classifier ?
Classifier oriente action : sources ≠ conversations ≠ opt_out ≠ vendor.
Huit typologies TRAINDATA-MAP
traindata_sources_ask : quelles données entraînent le bot
traindata_conversations_used : chats clients pour apprentissage
traindata_catalog_orders : produits commandes dans sources
traindata_vendor_question : fournisseur IA OpenAI rétention
traindata_exclusions_ask : ce qui n'est pas utilisé
traindata_opt_out_intent : refuser contribution données
traindata_human_review : supervision humaine entraînement
traindata_escalate_dpo : demande RGPD formelle
Policy TRAINDATA-SUP : règles agents et registre sources
La policy TRAINDATA-SUP fixe réponses depuis registre training, pas improvisation technique.
Six règles TRAINDATA-SUP
REGISTRY-FIRST : macro TRAINDATA depuis registre sources
Exclusions explicites : TRAINDATA-EXCLUDE ce qui n'est pas utilisé
Pas nier usage réel : honnêteté KB catalogue si applicable
Vendor copy : TRAINDATA-VENDOR DPA fournisseur documenté
Opt-out → #909 : traindata_opt_out handoff opt-out dédié
RGPD formel → DPO : traindata_escalate_dpo
Sources typiques documentées
KB help center : articles policy FAQ indexés RAG
Catalogue Shopify : fiches produits pour réponses produit
Macros SAV : templates agents validés
Exclusions : conversations client sauf opt-in documenté
Flow TD-1 à TD-8 : résolution standard
Huit étapes séquentielles, SLA P3 traindata < 24 h, escalate DPO si escalate_dpo.
Flow TD-1 à TD-8
TD-1 Triage : training data vs disclosure #860 vs privacy #154 ?
TD-2 Registry lookup : sources exclusions vendor registre
TD-3 Classify : traindata_* via TRAINDATA-MAP
TD-4 Inform : SOURCES EXCLUDE VENDOR macros
TD-5 Route : opt_out #909 disclose #860 DPO
TD-6 Confirm : macro TRAINDATA-DONE
TD-7 Log : registry version utilisée
TD-8 Close : KPI traindata_trust_resolution_rate + brief #908
Huit macros TRAINDATA-* prêtes à coller
Macros alignées registre sources exclusions vendor.
Bibliothèque TRAINDATA-*
TRAINDATA-ACKNOWLEDGE : « Merci pour votre question sur les données du chatbot. »
TRAINDATA-SOURCES : « Sources : {{sources_list}}. Pas d'entraînement sur données hors périmètre. »
TRAINDATA-EXCLUDE : « Non utilisé : {{exclusions}} sauf opt-in explicite. »
TRAINDATA-CONVERSATIONS : « Conversations : {{statut_conv}} selon policy {{policy_link}}. »
TRAINDATA-VENDOR : « Fournisseur IA : {{vendor}}. DPA et rétention : {{vendor_copy}}. »
TRAINDATA-OPT-OUT-ROUTE : « Pour refuser contribution : {{opt_out_process}}. »
TRAINDATA-HUMAN-REVIEW : « Supervision : {{review_process}} avant mise en production. »
TRAINDATA-DONE : « Récap : {{question}}. Réponse : {{résolution}}. Référence : {{id}}. »
Arbre TRAINDATA-GATE et registre agent-ready
Arbre décision avant improviser ou nier usage catalogue.
TRAINDATA-GATE
Question sources training ? → SOURCES + EXCLUDE registre
Conversations utilisées ? → CONVERSATIONS + opt_out route #909
Vendor OpenAI ? → VENDOR copy DPA
Statut réponse IA seule ? → handoff AITRAN #860
Contenu fiche produit IA ? → handoff AIGENCON #859
Registre interne minimum
Documenter : sources indexées, exclusions conversations, vendor et DPA, processus opt-out, human review pipeline. Former agents : traindata ≠ aitran #860 ≠ convrec #899.
KPI, QA et handoff vers bot #908
Mesurer TRAINDATA détecte réponses contradictoires et registry obsolète.
Quatre KPI TRAINDATA
traindata_trust_resolution_rate : questions résolues tier 1 / total traindata_
traindata_registry_compliance_rate : % réponses alignées registre
traindata_contradiction_rate : réponses contradictoires entre agents cible bas
traindata_opt_out_route_rate : % opt_out routés #909 correctement
Handoff #908
Exporter TRAINDATA-MAP vers bot : traindata_sources_ask traindata_exclusions_ask prioritaires. Guardrail TRAINDATA-REGISTRY-GATE brief #908 sources_copy widget.
Cas limites : fine-tuning, vendor change, mineur
Trois cas hors flow standard.
Fine-tuning conversations
Si fine-tune actif : CONVERSATIONS honnête + opt-out #909. Pas nier si registre l'indique.
Changement fournisseur IA
VENDOR macro mise à jour registry. Pas promettre ancien vendor.
Données mineur
ESCALATE-DPO. EXCLUDE conversations mineurs si policy l'exige.
Formation agents : 20 minutes TRAINDATA
Module : REGISTRY-FIRST, SOURCES EXCLUDE VENDOR, routage #860 #909 #908.
Exercices
Ticket A : « entraînez-vous sur mes chats ? » → CONVERSATIONS + EXCLUDE
Ticket B : « c'est une IA ? » seul → handoff AITRAN #860
Ticket C : opt-out apprentissage → OPT-OUT-ROUTE #909
Comment Qstomy structure TRAINDATA dans votre stack
Qstomy route traindata_*, sync training registry macros, handoff #908 tier 1 et #909 opt-out.
Trois briques
Routing : intent training_data vs ai_disclose vs privacy
Training registry : sources exclusions vendor review_process
Bot #908 : sources limites exclusions widget
Scénario : DTC, 6 tickets/mois traindata. Agents REGISTRY-FIRST, bot #908 tier 1. traindata_trust_resolution_rate passe de 72 % à 91 % en 4 semaines.
FAQ et checklist déploiement TRAINDATA
FAQ
Dire « on n'utilise aucune donnée » si faux ?
Non. REGISTRY-FIRST. KB catalogue = source si documenté.
Différence #860 ?
#907 = données entraînement. #860 = cette réponse est-elle générée par IA.
Différence #909 ?
#907 informe sources. #909 exécute opt-out conversations apprentissage.
Différence #908 ?
#907 = agents. #908 = bot expliquer sources limites exclusions.
Checklist 7 jours
J1 : TRAINDATA-SUP + TRAINDATA-MAP + registre sources exclusions vendor
J2 : 8 macros helpdesk
J3 : matrice routage #860 #859 #909
J4 : formation 20 min agents REGISTRY
J5 : tags traindata_* + KPI
J6 : test SOURCES vs handoff #860 vs #909
J7 : brief bot #908 REGISTRY-GATE
Maillage
Enzo
1 juillet 2026
