Un distributeur de pièces détachées pour l’électroménager gère un catalogue WooCommerce de plus de 10 000 références, avec un budget de traduction vers l’anglais et l’espagnol fixé à un montant qui, ramené au tarif standard d’une agence de traduction professionnelle au mot, ne permettait de couvrir qu’environ 1 700 fiches produit sur les deux langues combinées. Traduire l’intégralité du catalogue de façon homogène était donc, dès le départ, hors de portée du budget disponible, sans même discuter de qualité.
Cet article ne revient pas sur le cas du configurateur de produit complexe, déjà traité pour un projet différent, mais détaille la méthode de priorisation et d’automatisation retenue pour ce catalogue de très grande taille, sous contrainte budgétaire forte.
Étape 1 : segmenter le catalogue par enjeu réel
Plutôt que de traduire par ordre alphabétique ou par catégorie de produit, ce qui n’aurait eu aucun sens économique, le catalogue a été segmenté selon les données de vente des douze derniers mois issues de WooCommerce Analytics, croisées avec le nombre de vues produit sur la même période :
- Segment A : produits représentant 80 % du chiffre d’affaires, soit environ 800 références (8 % du catalogue) ;
- Segment B : produits à rotation moyenne, environ 2 200 références supplémentaires ;
- Segment C : longue traîne, plus de 7 000 références vendues occasionnellement ou jamais sur la période observée.
Étape 2 : traiter chaque segment avec un niveau d’effort proportionné
Le segment A, 800 produits stratégiques, a bénéficié d’une traduction humaine complète, réalisée par une agence de traduction spécialisée dans le vocabulaire technique de l’électroménager, avec relecture croisée. C’est ici qu’a été concentrée la quasi-totalité du budget de traduction humaine disponible.
Le segment B, 2 200 produits, a été traité par un flux de traduction automatique via l’API DeepL, avec relecture humaine allégée limitée aux titres et aux descriptions courtes, les caractéristiques techniques (tableaux de compatibilité, références constructeur) étant laissées telles quelles, ces données restant identiques quelle que soit la langue.
Le segment C, plus de 7 000 produits de longue traîne, a été traité par traduction automatique seule, sans relecture humaine individuelle, mais avec un contrôle qualité automatisé portant sur des motifs d’erreur connus (unités non converties, caractères mal encodés, balises HTML cassées par la traduction), via un script exécuté après import :
wp post list --post_type=product --lang=en --field=ID --format=csv | while read id; do
description=$(wp post get "$id" --field=post_content)
if echo "$description" | grep -qP '[€]|cm(?!\s)|[<][^>]*$'; then
echo "Produit $id : anomalie potentielle détectée"
fi
doneCe contrôle automatisé a permis de repérer environ 340 fiches présentant une anomalie technique (symbole de devise non traduit, balise mal fermée), corrigées ensuite en priorité par rapport au reste du segment C, sans nécessiter une relecture exhaustive des 7 000 fiches.
Étape 3 : automatiser l’import à grande échelle
Un import manuel produit par produit était inenvisageable à cette échelle. L’ensemble du processus s’est appuyé sur un export CSV structuré des fiches produit, traité par lot via un script PHP personnalisé appelant l’API DeepL, puis réintégré via wp wpml et l’API native de traduction de contenu WooCommerce :
foreach ( $lot_produits as $produit ) {
$traduction = $client_deepl->translateText(
$produit['description'],
null,
'EN-GB'
);
wp_update_post( array(
'ID' => $produit['id_traduction_en'],
'post_content' => $traduction->text,
) );
}Résultat budgétaire
| Segment | Nombre de références | Méthode | Coût |
|---|---|---|---|
| A | 800 | Humaine complète | 68 % du budget |
| B | 2 200 | IA + relecture allégée | 24 % du budget |
| C | 7 000+ | IA + contrôle automatisé | 8 % du budget |
Sur un catalogue de grande taille, la question n’est jamais « peut-on tout traduire humainement », mais « où l’effort humain change-t-il réellement le résultat commercial » : la réponse à cette question détermine toute la répartition budgétaire, bien avant de choisir un outil.
En résumé
Cette segmentation par enjeu réel de chiffre d’affaires, plutôt que par simple volume, a permis de traduire l’intégralité du catalogue dans le budget imposé, en concentrant la qualité maximale là où elle avait un impact commercial mesurable. Six mois après la mise en ligne, le taux de conversion sur les fiches du segment A traduites humainement reste supérieur à celui des segments B et C, confirmant que ce choix de priorisation, plutôt qu’un renoncement, a représenté un arbitrage raisonné entre qualité et couverture du catalogue.
