AI-NLP / PUBLISHED

Semantic Content Mapping — Cannibalisation et lacunes de contenu

Du brouillard à la clarté : cartographier le sens de centaines d'articles.

STACK
PythonpandasNumPyscikit-learnSciPyPyTorchPlotly.jsGoogle Colab
STATUT

published

Semantic map of articles grouped into themes, with cannibalisation pairs and content gaps
01 / CONTEXT

Contexte

Mars Information Services France accompagne plusieurs marques du groupe Mars qui publient des conseils sur le soin des animaux de compagnie : alimentation, santé, stades de vie. Chaque marque enrichit son site d'articles qui répondent aux questions des propriétaires, et l'équipe de contenu doit décider quels sujets écrire, mettre à jour ou fusionner.

Or ces décisions reposent sur l'analyse de mots-clés, qui indique quels termes apparaissent, mais pas ce que les articles veulent dire. Deux articles de marques sœurs peuvent ainsi répondre à la même question et se partager l'audience : c'est la cannibalisation. À l'inverse, certains besoins des lecteurs ne sont couverts par aucun article. Faute de vue d'ensemble, les arbitrages éditoriaux se font au cas par cas, après coup. Il devenait donc nécessaire de représenter le sens de tout le portefeuille pour objectiver ces décisions. Le cas a été proposé lors de l'École d'automne IA d'Alsace Tech (26–29 octobre 2026).

IMG-SCM-01 · CONTEXTE

Semantic Content Mapping — contexte

Étape 01 / 06 · Pause

Plusieurs marques publient des centaines d'articles.

01 · SITUATION02 · IMPLICATIONS03 · FRICTIONS04 · BESOINMarques du groupe MarsCONSEILS ANIMAUXCentaines d'articles5 MARQUESAnalyse de mots-clésTERMES, PAS LE SENSCannibalisation⚠ MARQUES SŒURSLacunes⚠ BESOINS NON COUVERTSPas de vue d'ensemble⚠ AU CAS PAR CASCartographier le sensOBJECTIVER
En pause7 nœuds · 8 liens · Survolez un nœud
  • Acteur / entité
  • Composant / donnée
  • Point de friction
  • Besoin
Survolez ou sélectionnez un composant pour lire son rôle et ses connexions.
Du terrain au besoin : la situation qui justifie le projet.
02 / PROBLEM

Problématique

Comment comparer des centaines d'articles par leur sens plutôt que par leurs mots, afin de repérer ceux qui se concurrencent entre marques et les sujets que personne ne couvre ?

03 / SOLUTION

Solution

Conception et développement d'un pipeline d'analyse sémantique qui lit chaque article, représente son sens sous forme de vecteur et construit une carte de l'ensemble du portefeuille. Le pipeline procède en plusieurs étapes :

  • il regroupe les articles en thèmes ;
  • il les rattache aux axes métier (espèce, type d'aliment, stade de vie, santé) ;
  • il les compare pour détecter la cannibalisation et les lacunes.

Le résultat est livré dans un tableau de bord HTML autonome et bilingue, utilisable hors ligne par des équipes non techniques.

Résultats (agrégés) :

  • Corpus : 5 marques, 658 articles en anglais (+4 en espagnol, soit 662 classés) et 2 961 passages.
  • Thèmes : 15 thèmes K-means regroupés en 6 familles métier ; trustworthiness de la carte UMAP : 0,928.
  • Cannibalisation : seuil de similarité ≈ 0,82. Un seuil de 0,816 maximise le F1 (0,90) sur 65 paires annotées. Le résultat : 219 paires inter-marques réparties en 51 groupes.
  • Lacunes : 4 à l'échelle du portefeuille, 8 cellules faiblement couvertes et 12 lacunes par marque.

IMG-SCM-02 · SOLUTION

Semantic Content Mapping — solution

Étape 01 / 06 · Pause

Cannibalisation et lacunes, invisibles par mots-clés.

01 · PROBLÈME02 · RÉALISATION03 · FONCTIONNEMENT04 · RÉSULTATCannibalisation⚠ INVISIBLELacunes⚠ INVISIBLESSens vectoriséBGE-M3Thèmes et carteK-MEANS · UMAPDétectionSEUIL ≈ 0,82 · GRILLE219 paires · 51 groupes✓ À EXAMINERTableau de bord✓ HTML · HORS LIGNE
En pause7 nœuds · 6 liens · Survolez un nœud
  • Module d'équipe
  • Ma contribution
  • Point de friction
  • Résultat
Survolez ou sélectionnez un composant pour lire son rôle et ses connexions.
Les éléments en bleu correspondent à ma contribution personnelle ; le reste a été réalisé par l'équipe projet.
04 / CONTRIBUTION

Contribution

Projet d'équipe de cinq personnes, encadré par Alexis Bigo Simon. J'ai pris en charge les étapes 1 à 3 du pipeline :

  • Collecte et nettoyage :
    • téléchargement des pages et extraction du texte principal (trafilatura) ;
    • suppression du texte répété sur les pages d'une même marque (menus, bannières, appels à l'action). Sans ce nettoyage, tous les articles d'une marque auraient paru semblables.
  • Vectorisation : embeddings BAAI/bge-m3 (multilingue, 1 024 dimensions, jusqu'à 8 192 tokens), calculés pour les articles entiers et pour des passages d'environ 200 mots.
  • Classification et cartographie :
    • thèmes K-means nommés par le sens (candidats c-TF-IDF, puis sélection par embeddings) ;
    • étiquetage selon les axes métier ;
    • carte UMAP évaluée par sa trustworthiness.

La détection et le tableau de bord ont été réalisés par le reste de l'équipe.

05 / FEATURES

Fonctionnalités

  • Une liste d'URLs (Excel, une feuille par marque) ou un CSV suffit pour constituer le corpus nettoyé.
  • Chaque article et chaque passage reçoit une représentation vectorielle de son sens.
  • Les articles sont regroupés en thèmes nommés, eux-mêmes rassemblés en familles métier.
  • Chaque article est étiqueté selon l'espèce, le type d'aliment, le stade de vie et la santé.
  • Les paires inter-marques au-delà du seuil de similarité sont listées et regroupées (complete linkage), avec le recouvrement de paragraphes comme preuve.
  • Une grille croisant les axes métier révèle les sujets non couverts, avec une règle de périmètre propre à chaque marque.
  • Le tableau de bord réunit la carte, la matrice de cannibalisation, la grille des lacunes et un curseur de seuil en direct.
06 / ARCHITECTURE

Architecture

Chaque page de marque est d'abord téléchargée, puis réduite à son texte utile. Le modèle bge-m3 transforme ensuite ce texte en vecteur, pour l'article entier comme pour chacun de ses passages. Les vecteurs d'articles sont regroupés en thèmes, étiquetés selon les axes métier et projetés sur une carte en deux dimensions. La détection compare les articles de marques différentes et retient les paires trop proches ; les vecteurs de passages servent à prouver les contenus dupliqués. La grille des axes métier révèle les cellules vides. Le tout est assemblé dans un tableau de bord autonome.

IMG-SCM-03 · ARCHITECTURE

Semantic Content Mapping — architecture globale

Étape 01 / 07 · Pause

Pages téléchargées, texte répété supprimé.

01 · COLLECTE02 · VECTORISATION03 · CLASSIFICATION04 · DÉTECTION05 · RESTITUTIONListe d'URLsEXCEL · CSVNettoyageTRAFILATURA · BOILERPLATEEmbeddings articlesBGE-M3 · 1 024 DEmbeddings passages~200 MOTSThèmes K-meansC-TF-IDFAxes métierESPÈCE · ÂGE · SANTÉCarte UMAPTRUSTWORTHINESS 0,928CannibalisationCOMPLETE LINKAGELacunesGRILLETableau de bordHTML FR/EN
En pause10 nœuds · 12 liens · Survolez un nœud
  • Acteur / entité
  • Module d'équipe
  • Ma contribution
Survolez ou sélectionnez un composant pour lire son rôle et ses connexions.
Les éléments en bleu correspondent à ma contribution personnelle ; le reste a été réalisé par l'équipe projet.
07 / STACK

Stack

Python, pandas, NumPy, scikit-learn (K-means, silhouette), SciPy (complete linkage, enveloppes convexes), sentence-transformers / PyTorch (BAAI/bge-m3), umap-learn, trafilatura, BeautifulSoup, Plotly.js, tableau de bord JS/SVG, Google Colab.

08 / BENEFITS

Avantages

  • Les articles sont comparés par leur sens, ce que l'analyse de mots-clés ne permet pas.
  • L'équipe dispose d'une liste concrète d'articles à fusionner et de sujets à écrire.
  • La vue d'ensemble du portefeuille permet d'anticiper au lieu d'arbitrer après coup.
  • Le tableau de bord hors ligne est utilisable sans compétence technique.
  • Limites assumées :
    • Les résultats sont des pistes à examiner, pas des verdicts : une similarité élevée ne prouve pas une intention de recherche identique.
    • Une zone vide sur la carte n'est pas une lacune ; les lacunes proviennent de la grille.
NOTE ÉDITORIALE

Cette étude de cas distingue le périmètre global du projet de ma contribution personnelle. Aucun résultat ou chiffre non documenté n’est présenté.