E-commerce
28 juin 2026
Vous connectez votre help center au chatbot en espérant −40 % de tickets. Résultat : le bot cite une policy retour 2023, donne deux délais contradictoires et invente un SKU discontinué. Le problème n'est pas le modèle : ce sont vos données help center non nettoyées.
Des recherches Google montrent que le taux d'hallucination passe de 10,2 % à 66,1 % quand le RAG récupère un contexte obsolète ou insuffisant (Tianpan, docs obsolètes RAG 2026).
Ce guide #103 couvre audit, déduplication, format RAG et tests. Il complète entraîner chatbot Shopify et suit logiquement la base réponses (#102).
Sommaire
Pourquoi des données FAQ sales font-elles échouer le chatbot ?
Le nettoyage corpus chatbot IA est l'étape la plus sous-estimée du déploiement support automatisé en e-commerce.
Symptômes d'un corpus non préparé
Réponses contradictoires : deux articles policy retour différents indexés.
Info obsolète servie avec confiance : délai 5 j vs 12 j actuel.
Hallucination amplifiée : le modèle mixe fragments incohérents récupérés.
Routing intent confus : doublons proches perturbent le retrieval.
CSAT bot bas : une mauvaise réponse policy et le client n'utilise plus le widget.
Garbage in, garbage out
Le RAG ne corrige pas une base incohérente : il la reproduit avec assurance. Mava rappelle une règle simple : si un article confondrait un nouvel agent support, il confondra l'IA (Mava, chatbot e-commerce 2026). E-commerce DTC : RAG sur corpus propre suffit ; fine-tune coûteux et vite périmé.
Wrong refund policy bot → chargebacks. Relancer post-cleaning : 2 semaines vs 2 mois tickets mal résolus. Voir erreurs automatisation, prévenir hallucinations, chargebacks.
Quelles sources auditer avant l'entraînement ?
Inventorier toutes les sources corpus chatbot avant la moindre ingestion.
Sources courantes Shopify
Help center : articles publics Zendesk, Gorgias, Shopify.
Base REP interne : Notion, Guru (#102).
Pages /policies/* : refund, shipping, canonical Shopify.
Macros Gorgias : à convertir en guidance, plus source directe bot 2026.
Metafields aide produit : hero SKUs seulement en MVP.
Tickets gold_reply : réponses CSAT 5/5 anonymisées.
Export master
CSV ou JSON unique : id, title, question, answer, source_url, last_updated, language, status, intent. MVP bot : 30-50 articles top tickets, pas 500 pages jour 1.
Exclure du corpus
Drafts non validés, CGV 40 pages non chunkées, promos expirées, procédures entrepôt internes, commentaires blog UGC. Corpus bot (45 articles curatés) peut être un sous-ensemble du help center public (80 articles) : intentionnel.
Voir base réponses (#102), structure KB, produits générant tickets.
Quels défauts de qualité corriger en priorité ?
Douze défauts corpus d'aide e-commerce à traiter systématiquement avant ingest.
Top problèmes observés
Doublons quasi-identiques (même intent, 3 articles).
Contradictions policy (30 j vs 45 j retour).
Dates et promos expirées (Black Friday 2024).
Liens morts (404 portail retour).
HTML lourd : nav, footer, cookie banner ingérés.
Chunks trop longs (blog 2000 mots copié tel quel).
Titre SEO sans question explicite pour match intent.
Mix FR/EN même paragraphe.
SKU discontinued encore indexé « toujours en stock ».
Variables {{order_id}} non résolues en training.
Ton incohérent tutoiement/vouvoiement.
Absence metadata intent, langue, date.
Détection automatisée
Scan regex : « 2023 », « bientôt disponible », « contactez-nous pour tarif ». Crawler : strip header/footer templates site. CGV : lien bot, pas chunk intégral. Infographie seule : ajouter paragraphe alt text pour RAG.
Comment mener l'audit avant ingestion bot ?
Un audit corpus chatbot reproductible précède chaque retrain.
Process en sept étapes
Export toutes sources → fichier master.
Inventaire : compter articles, langues, dates last_updated.
Tagger statut : keep / update / merge / delete.
Matrice policy : colonnes Livraison, Retour, Paiement ; lignes help center, PDP, checkout, base REP.
Test contradictions : même intent, réponses différentes.
Valider liens, variables, encoding UTF-8.
Sign-off head support avant ingest.
Priorisation tier 0
WISMO, retour, shipping, paiement = 80 % volume bot. Clean tier 0 d'abord. 50 articles : 1-2 j audit. 200 articles : 1 semaine équipe. Owners : shipping lead valide REP-SHIP, finance valide refund. Comparez aide shipping vs ETA checkout live test commande test.
Hero SKU : 3 fiches aide produit alignées PDP specs. Voir prioriser tickets (#26), produits complexes.
Comment dédupliquer et fusionner les articles ?
La déduplication corpus chatbot réduit bruit retrieval et contradictions.
Types de doublons
Exact duplicate : copier-coller identique.
Near duplicate : 85 %+ similarité sémantique.
Intent overlap : « délai livraison » vs « combien jours colis ».
Cross-source : macro Gorgias = article help center.
Méthode fusion
Grouper par intent (shipping_delay, return_policy).
Choisir version la plus récente + complète.
Merger 5 formulations questions client en tête article.
Redirect 301 anciennes URLs SEO vers canonique.
Marquer deprecated hors index bot.
Règle : 1 intent = 1 article master bot. Alhena estime qu'un guide retour 2000 mots doit devenir 8-12 chunks atomiques (Alhena, training AI agent 2026). 50 macros Gorgias → 15 articles master consolidés. Voir page d'aide réduire tickets.
Comment actualiser contenus obsolètes et promos expirées ?
Le refresh corpus chatbot aligne le bot sur la boutique aujourd'hui, pas il y a six mois.
Priorités update
Policy retour/livraison : changements ops ou légaux.
Délais zones shipping : post-audit dropship.
Promos actives : date fin explicite, retirer SUMMER20 expiré.
SKU discontinued : retirer ou redirect.
Payment methods : Klarna pays, BNPL.
Metadata et versioning
Chaque chunk : last_updated ISO. Articles BFCM : status seasonal + expiry post-janvier. Changelog corpus : « 2026-06-28 REP-RET-003 v2 merged article retour ». Retirer ancienne version index avant ingérer nouvelle : évite conflits invisibles retrieval (Digital Divide Data, RAG fiable 2026).
Aligner subsets : digital, dropshipping, BNPL, abonnement, cartes cadeaux, codes promo. Voir policy retour, communication délais, préparation BFCM, support digital (#95).
Comment formater le corpus pour le RAG ?
Le format corpus RAG e-commerce optimise retrieval et réponses précises.
Structure chunk idéale
Question explicite : field question ou H2.
Réponse concise : 100-300 mots, 150-400 selon ChatReact.
1 idée par chunk : pas mélanger retour + livraison.
5 formulations client : améliore match sémantique.
Plain text : strip HTML nav, scripts, banners.
Metadata : intent, category, lang, product_sku, canonical_url.
Chunking et canonical
Guide long : split par H2, pas chunk arbitraire 512 tokens milieu phrase. Réponse canonique approuvée : 1-3 phrases policy en langage client. Optionnel negative example : « Ne pas dire : retours gratuits » si exception. Top-k retrieval 3-5 chunks : chacun self-contained. MVP corpus : 50k tokens clean, expand après accuracy stable.
Voir aide produit automatisée, ChatReact, entraînement chatbot 2026.
Comment gérer le multilingue sans pollution du corpus ?
Nettoyer le corpus multilingue chatbot évite réponse FR sur question EN.
Erreurs fréquentes
FR + EN même ID index : collision retrieval.
Traduction auto non relue : erreurs policy juridiques.
Policy marché différente : EU vs UK non taggée.
Structure recommandée
Même intent_id, champs lang séparés : return_policy_fr, return_policy_en. Bot route locale user. US shipping delays ≠ EU : articles distincts même langue EN. Shopify Markets : tag chunks market:ca vs market:fr. Traduction auto : flag needs_native_review avant ingest. Fallback : bot EN + disclaimer, pas mix machine dans même chunk.
QA : native speaker valide 10 réponses bot par langue avant go-live. Voir support multilingue, support international (#100).
Comment tester le corpus nettoyé avant mise en production ?
La validation corpus chatbot simule questions réelles avant exposition client.
Jeu de test minimum
50 questions réelles tickets anonymisées.
10 edge cases : douane, VIP, digital, chargeback.
10 questions piège : policy ambiguë historique.
5 langues si multilingue actif.
Critères pass/fail
Accuracy policy : 90 %+ minimum, cible 95 % post-clean.
Citation source : chunk correct si RAG.
No hallucination : pas info absente corpus.
Handoff : escalade si unsure, pas inventer.
Adversarial : « retour après 1 an ? » → non policy, pas oui inventé.
Shadow mode et regression
Bot répond interne 1 semaine, agents valident. CSAT interne > 4/5 avant public. Après chaque retrain : rerun 50 questions, drop > 5 pts = rollback corpus. Heeya recommande re-index sous 24 h post changement policy (Heeya, RAG support 2026). Voir KPI chatbot, handoff bot humain.
Comment maintenir le corpus après le go-live ?
Le maintenance corpus chatbot est cyclique, pas one-shot pré-lancement.
Cadence opérationnelle
Hebdo : 5 articles top unmatched intents bot.
Mensuel : audit policy sync site + retrain batch.
Post-change : policy, promo, SKU → update sous 48 h.
Trimestriel : dedup scan, purge deprecated, seasonal BFCM.
Boucle feedback
Bot log unmatched + corrections agents → backlog REP (#102) → retrain. Versioning : v1.0 launch, v1.1 post-return-policy, git diff JSON corpus. Alert stale 90 j sans review → email owner. Pas de PII tickets brut dans training : anonymiser. Webhook Shopify policy update → flag corpus stale.
Voir analytics conversations, chatbot RGPD, voix de marque bot.
Comment Qstomy facilite-t-il le nettoyage et l'ingestion ?
Qstomy intègre un pipeline corpus clean chatbot : import, validation, gap detection, retrain, connecté à Shopify.
Capacités clés
Import multi-source : Help center, Notion REP, CSV, pages policies.
Duplicate detection : suggest merge par intent.
Stale flag : articles > 90 j sans review.
HTML strip + chunk RAG : format atomique automatique.
Test suite 50 questions : regression intégrée.
Confidence routing : handoff humain si unsure, pas hallucination.
Scénario DTC chiffré
Marque accessoires 95 cmd/j, help center Zendesk 118 articles, accuracy test bot 71 %, unmatched rate 28 %.
Pipeline Qstomy : detect 23 doublons, 8 promos 2024 obsolètes, merge → 62 articles clean tier 0. Résultat 3 semaines : accuracy 71 % → 93 %, unmatched 28 % → 11 %, deflection tier 0 +31 %, CSAT bot shadow 3,6 → 4,4 avant go-live public. Retrain mensuel automatisé post publish REP.
Explorez support IA, réduire tickets IA, personnaliser bot Shopify, demander une démo.
Quels playbooks opérationnels lancer cette semaine ?
Playbook 1 : export master + dates last_updated
Exportez toutes sources help center en CSV master. Ajoutez colonne last_updated et status. Identifiez 10 articles sans date ou > 12 mois : priorité update.
Playbook 2 : matrice policy 4×4
Tableau Livraison / Retour / Paiement / Garantie vs help center, PDP, checkout, REP. Cellule rouge = contradiction à fusionner avant ingest.
Playbook 3 : dedup top 5 intents
Groupez WISMO, retour, délai, remboursement, paiement. Fusionnez doublons, 1 canonique par intent. 301 redirects SEO si URLs publiques.
Playbook 4 : format RAG 20 chunks
Reformatez 20 articles tier 0 en Q/A atomiques 150-300 mots, metadata intent+lang+updated. Test retrieval : question ticket réel → bon chunk top-1.
Playbook 5 : shadow mode 50 questions
Lancez bot interne, rerun jeu 50 questions, score accuracy. Si < 90 % : fix corpus, pas tuning prompt. Go-live public seulement après shadow CSAT > 4/5.
Maillage utile
30-50 articles propres valent mieux que 200 articles sales : le nettoyage corpus est le meilleur ROI avant tout choix de modèle.
Enzo
28 juin 2026
