Qu’est-ce qu’un Knowledge Graph e-commerce ? Explications sur les Product Knowledge Graphs pour les marques Shopify
Un Knowledge Graph e-commerce relie vos produits, variantes, collections, contenus, politiques et commandes pour permettre à l’IA de raisonner à travers l’ensemble. Voici comment fonctionne un Product Knowledge Graph et ce que cela change pour une marque Shopify.
ByQu’est-ce qu’un Knowledge Graph e-commerce ?
Un knowledge graph ecommerce est une carte structurée de votre boutique en ligne. Il enregistre les produits, variantes, collections, contenus, politiques, commandes et clients comme des entités reliées entre elles, puis conserve les relations entre ces entités, comme « est une variante de », « appartient à une collection » ou « est couvert par une politique ». L'IA s'appuie sur ces relations pour raisonner à travers l'ensemble du contexte, au lieu de fouiller des pages isolées. Résultat : des réponses, des recommandations et des actions automatisées plus fiables.
Un client pose cette question dans le chat de votre boutique : « La veste Alpine shell est-elle imperméable, l'avez-vous encore en XL, et puis-je la retourner si je l'achète en promo ? »
Trois petites questions. Pour y répondre correctement, une IA a besoin d'un attribut produit, ici l'indice d'imperméabilité, d'une variante et de son niveau de stock, ici le XL, de la collection à laquelle appartient le produit, ici Sale, et de la règle de votre politique de retour qui s'applique aux articles en promotion. Ces informations sont réparties sur quatre pages différentes de votre boutique. Une IA qui se contente de chercher dans les pages en trouvera une partie. Une IA qui comprend comment tout cela est relié trouvera l'ensemble et pourra donner une seule réponse cohérente.
Cette structure connectée s'appelle un knowledge graph. Dans ce guide, on va voir ce qu'est un knowledge graph ecommerce, comment fonctionne un product knowledge graph, en quoi il se distingue d'une knowledge base, du RAG et d'une vector database, et ce que cela change pour une marque Shopify.
Qu'est-ce qu'un knowledge graph ?
Un knowledge graph est une façon de stocker l'information sous forme de réseau, avec des objets et les relations entre eux. Chaque objet est un nœud, aussi appelé entité, et chaque relation est une arête. La plus petite unité de connaissance est un fait en trois parties, souvent appelé triplet :
- Alpine Shell Jacket → a pour indice d'imperméabilité → 20 000 mm
- Alpine Shell Jacket XL → est une variante de → Alpine Shell Jacket
- Collection Sale → est couverte par → règle de retour final sale
Pris séparément, chaque fait est simple. La valeur vient des connexions : dès que plusieurs faits partagent les mêmes nœuds, une machine peut suivre le chemin de l'un à l'autre et répondre à des questions auxquelles aucune page seule ne répond.
Le concept s'est largement diffusé en 2012, quand Google a lancé son Knowledge Graph pour comprendre des entités du monde réel au lieu de simplement faire correspondre des mots-clés. Aujourd'hui, le même principe alimente la recherche produit chez Amazon, les systèmes de recommandation dans le retail et, de plus en plus, les AI agents qui échangent avec vos clients.
Qu'est-ce qu'un product knowledge graph ?
Un product knowledge graph applique ce modèle à un catalogue. Les produits deviennent des nœuds, tout comme les éléments qui les décrivent : marques, types de produits, matières, tailles, couleurs, usages et accessoires compatibles. Les arêtes enregistrent leurs relations. Le graphe sait ainsi qu'une veste appartient à la catégorie outerwear, utilise une membrane spécifique, existe en cinq tailles et s'associe à une capuche donnée.
Un knowledge graph ecommerce, chez Flyweight on parle de commerce knowledge graph, va encore plus loin. Il relie le catalogue à tout ce que votre boutique sait déjà :
| Entité | Exemples dans une boutique Shopify | Relations typiques |
|---|---|---|
| Produits et variantes | Veste Alpine Shell, taille XL, couleur bleu marine | variante de, en stock, au prix de |
| Collections et taxonomie | Vestes, Promotions, Nouveautés | appartient à, est un type de |
| Attributs produit | Indice d’étanchéité, matière, coupe | a pour attribut, compatible avec |
| Contenu | Guide des tailles, FAQ, articles de blog | explique, répond à |
| Politiques | Retours, livraison, garantie | s’applique à, exclut |
| Commandes et clients | Commande #8412, statut d’exécution | contient, passée par, éligible à |
| Systèmes connectés | Helpdesk, Klaviyo, outil de fulfilment | synchronisé avec, déclenche |
La différence est importante. Un product graph aide une machine à comprendre ce que vous vendez. Un knowledge graph ecommerce l'aide à comprendre comment fonctionne votre activité : quelles règles s'appliquent à quels produits, ce qu'un client a déjà commandé, et ce que l'IA est autorisée à faire ensuite.
Comment ça marche : une question client, étape par étape
Reprenons la question sur la veste. Voilà comment un AI agent y répond quand il peut raisonner sur un graphe :
- Identifier l'entité. « Alpine shell jacket » est associé à un seul nœud produit, même si le client fait une faute de frappe ou utilise un synonyme.
- Lire l'attribut. Le produit possède une relation vers son indice d'imperméabilité. L'agent donne donc la vraie valeur au lieu de déduire quelque chose du mot « shell ».
- Vérifier la variante. Il suit la relation jusqu'à la variante XL et lit le stock actuel.
- Trouver la bonne règle. Le produit appartient à la collection Sale, et cette collection est reliée à une clause précise de la politique de retour.
- Répondre en une fois. Dans notre boutique exemple : « Oui, elle est donnée pour 20 000 mm, le XL est en stock, et les articles en promotion peuvent être retournés sous 14 jours contre un avoir. »
Sans ce graphe, l'IA récupère une poignée d'extraits de texte qui ressemblent à la question, puis espère que les bons s'y trouvent. Si la page de retours présente la règle générale des 30 jours en haut et l'exception pour les promotions en bas, tout dépend de l'extrait récupéré. C'est là que naissent la plupart des mauvaises réponses des chatbots : non pas parce qu'il manque de l'information, mais parce qu'il manque les liens entre les informations.
Knowledge graph vs knowledge base vs RAG vs vector database
Ces termes sont souvent mélangés, en partie parce qu'ils sont souvent utilisés ensemble. Voici comment les distinguer.
| Approche | Définition | Comment l’IA l’utilise | Ses limites |
|---|---|---|---|
| Base de connaissances | Un ensemble de documents : FAQ, articles d’aide, pages de politique | Cherche l’article le plus pertinent | Les informations restent enfermées dans le texte ; les liens entre les articles ne sont pas explicites |
| Base de données vectorielle | Stocke le texte sous forme d’embeddings, des représentations numériques du sens | Trouve des passages sémantiquement proches de la requête | Proche ne veut pas dire juste ; elle ne peut pas suivre une chaîne comme produit → collection → politique |
| RAG (génération augmentée par récupération) | Une méthode : récupérer le contenu pertinent, puis laisser un grand modèle de langage rédiger la réponse | Ancre les réponses dans votre contenu plutôt que dans les données d’entraînement du modèle | Dépend de ce qu’il retrouve ; les questions en plusieurs étapes laissent souvent passer un élément |
| Knowledge Graph | Des entités, plus les relations explicites entre elles | Suit les relations pour rassembler précisément les informations dont la question a besoin | Demande une structuration et une maintenance continue |
Un knowledge graph est-il meilleur que le RAG ? Ils ne répondent pas au même problème, et les systèmes les plus solides combinent les deux. Le RAG aide l'IA à répondre à partir de vos données plutôt qu'à partir de sa mémoire. Un knowledge graph veille à ce que les données récupérées soient bien reliées entre elles. Cette combinaison est souvent appelée GraphRAG : le graphe détermine quels faits vont ensemble, puis le modèle de langage les transforme en réponse naturelle.
Même logique pour knowledge base vs knowledge graph. Vos FAQ et vos articles d'aide ne deviennent pas inutiles, ils deviennent des sources d'entrée. Le graphe relie chaque article aux produits, collections et politiques qu'il mentionne, pour faire remonter le bon contenu pour le bon produit.
Exemples de knowledge graph dans l'ecommerce
Les grands retailers investissent depuis des années dans les product knowledge graphs, surtout pour alimenter la recherche et les recommandations.
- Amazon construit son product graph en grande partie de façon automatisée. Amazon Science indique que son système AutoKnow a triplé le nombre de faits dans le graphe en extrayant et en nettoyant des attributs produit à grande échelle.
- DoorDash utilise des LLM pour extraire des attributs produit à partir de données SKU non structurées, puis les ajoute à son product knowledge graph, qui alimente la recherche personnalisée et les recommandations.
- Google exploite un Shopping Graph composé de produits, vendeurs, prix et avis, en parallèle de son Knowledge Graph. Les données structurées présentes sur vos pages produit font partie des moyens par lesquels votre catalogue y entre.
- Une marque Shopify de taille intermédiaire peut appliquer la même logique à plus petite échelle. Une boutique avec 800 SKU, un guide des tailles, trois zones d'expédition et une politique de retour avec deux exceptions possède déjà tout ce qu'il faut pour un graphe utile. Ce qui manque le plus souvent, c'est le temps de le construire à la main.
Ce qu'un knowledge graph ecommerce permet à l'IA de faire
Pour une marque Shopify, les cas d'usage concrets relèvent moins de la data science que de la capacité à donner les bonnes réponses et déclencher les bonnes actions au quotidien. C'est ça qui façonne l'expérience client.
Des recommandations produit plus pertinentes
Les recommandations peuvent s'appuyer sur de vrais attributs produit et sur les besoins du client, pas seulement sur un « les clients ont aussi acheté ». Un client qui dit « je cours sur de longues distances sous la pluie » peut être orienté selon l'imperméabilité, le poids et la coupe. La personnalisation basée sur les attributs aide aussi à limiter le problème du cold start : un tout nouveau produit n'a pas encore d'historique de ventes, mais il a déjà des attributs.
Des comparaisons claires entre produits et variantes
Quand les attributs sont stockés comme des champs comparables plutôt que dans du texte libre, l'IA peut expliquer précisément la différence entre deux modèles ou deux variantes, sans mélanger les specs de descriptions produit voisines.
Compatibilité et cross-sell
« Est-ce que ce filtre est compatible avec ma machine ? » est une question de relation. Avec des relations compatible-with, l'IA peut répondre de façon fiable et suggérer le bon accessoire au lieu d'un best-seller au hasard.
Des politiques précises, propres à votre boutique
Les exceptions de politique pour les articles en promotion, les produits personnalisés ou les commandes internationales sont reliées aux produits auxquels elles s'appliquent. L'IA applique vos règles, pas la règle la plus fréquente sur internet.
Un support contextualisé et des actions plus sûres
En reliant les commandes et le contexte client, l'IA peut répondre à « où en est ma commande ? » à partir de données réelles. Avant de modifier une adresse de livraison ou d'annuler une commande, elle vérifie d'abord le statut d'exécution et vos règles métier. C'est cette vérification qui rend l'automatisation des processus par IA suffisamment fiable pour être activée.
Une meilleure découverte produit et une meilleure recherche
Une recherche onsite qui comprend que « veste de pluie » et « waterproof shell » renvoient au même type de produit retourne moins de résultats vides. On en parle plus en détail dans notre guide sur AI Recherche pour Shopify. La même discipline, avec des attributs propres et une taxonomie cohérente, aide aussi Google et les moteurs d'AI Recherche à mieux comprendre vos pages produit.
Comment construire un product knowledge graph, et pourquoi ça se complique vite
Si vous deviez en créer un depuis zéro, le processus ressemble souvent à ça :
- Définir les entités et la taxonomie. Décidez quelles catégories produit, quels types de produits, quels attributs produit et quelles relations comptent vraiment pour votre catalogue et pour les questions de vos clients.
- Extraire les attributs à partir de données non structurées. La plupart des informations produit se trouvent dans les titres, les descriptions et les images, pas dans des champs propres. Le traitement automatique du langage naturel, ou NLP, et les grands modèles de langage servent à transformer ce texte en paires attribut-valeur.
- Résoudre les doublons. « Navy », « dark blue » et « marine » peuvent désigner une seule couleur. Deux noms de fournisseurs peuvent renvoyer à une seule marque.
- Relier contenus, politiques et commandes. Connectez les FAQ, guides et clauses de politique aux produits et collections auxquels ils se rapportent, puis reliez les données de commande en temps réel.
- Maintenir le tout à jour. Les nouveaux produits, les changements de prix et les mises à jour de politique doivent alimenter le graphe en continu, sinon les réponses vieillissent vite.
Les difficultés sont prévisibles : des données produit désordonnées réparties sur plusieurs sources, des attributs incohérents selon les collections, l'effort nécessaire pour tout garder synchronisé, et le besoin de faire évoluer le Setup à mesure que le catalogue grandit. Les grands retailers gèrent ça avec des équipes dédiées, des pipelines de machine learning et des bases de données graphes. C'est précisément pour cette raison que les knowledge graphs sont restés rares chez les petites et moyennes boutiques en ligne, alors même que les données de base étaient déjà là.
Les knowledge graphs sont-ils toujours pertinents à l'ère des LLM ?
Plus que jamais. Les LLM sont très bons pour le langage, mais peu fiables sur les faits qu'on ne leur a pas fournis. Quand une information manque ou reste ambiguë, ils ont tendance à combler le vide avec une réponse plausible en apparence. C'est ce qu'on appelle une hallucination de l'IA. Un knowledge graph donne au modèle une source structurée et vérifiable pour ancrer ses réponses.
Google continue de s'appuyer sur son Knowledge Graph, et les moteurs d'AI Recherche privilégient les informations clairement structurées et bien reliées quand ils décident quelles marques et quels produits citer. La trajectoire de l'IA ne s'éloigne pas des knowledge graphs, elle va vers une combinaison entre graphes de connaissances et modèles de langage.
Comment Flyweight transforme votre boutique Shopify en commerce knowledge graph
La plupart des marques Shopify n'ont pas besoin de construire tout cela elles-mêmes, parce que la matière première est déjà présente dans la boutique. Flyweight connecte les produits, variantes, collections, pages, blogs, FAQ, structure de boutique, informations de commande, stock, metafields, marketplaces, politiques et langues dans un Commerce Knowledge Graph. Il est aussi possible d'ajouter d'autres sources comme Zendesk, des metafields de contenu ou des fichiers importés.
C'est une forme de GraphRAG pensée pour le commerce : le graphe détermine quels faits vont ensemble, puis un modèle de langage les transforme en réponse naturelle. La différence avec un Setup GraphRAG basé uniquement sur du texte se joue à la source du graphe. Au lieu de scraper du texte libre en espérant que l'extraction soit correcte, Flyweight construit le graphe en grande partie à partir de données déjà structurées dans Shopify, où les produits, variantes, commandes et collections sont des entités de premier niveau avec de vraies relations.
- Pas de maintenance manuelle. Le graphe est construit à partir du contenu déjà présent dans votre boutique et se met à jour automatiquement chaque nuit. Les nouveaux produits, contenus et changements de politique sont donc pris en compte sans travail manuel.
- Une seule source pour les réponses et les actions. Le même graphe alimente les conversations AI Sales & Support et l'automatisation des processus par IA, où l'agent vérifie ce qu'il a le droit de faire avant d'agir.
- Vous gardez la main. Vous pouvez ajouter de la connaissance via des metafields et du contenu supplémentaire, ou exclure du contenu que vous ne voulez pas voir utilisé par l'IA.
