Étude de cas · e-commerce
0 erreur de recopie : deux sources, un seul tableau propre
Un e-commerçant recevait ses clients par deux portes, le site web et un formulaire. Les deux flux ont été fusionnés automatiquement, et une IA a résolu les doublons restants.
15 à 20 minutes, puis 30 minutes d'appel.
Le problème
Chez un e-commerçant, les clients arrivaient par deux portes : le site web d'un côté, un formulaire de l'autre. Deux flux, deux formats, zéro cohérence : à la main, des erreurs de recopie à chaque dossier. Et comme dans tout système de saisie, des doublons : un client qui re-remplit le formulaire pour corriger une information, et voilà deux fiches pour la même personne. Laquelle garder ?
Comment ça marchait, en clair
Deux portes d'entrée
Site web + formulaire, chacun son format
Fusion + normalisation
Les données convergeaient vers un format unique, contrôlé
Détection des doublons
Le système scannait et repérait les fiches en double, tout seul
Analyse IA + email 1 clic
L'IA comparait les fiches et le client choisissait laquelle garder, en un clic
Tableau propre
Une base fiable, sans résidu, sans ressaisie
Le résultat
- Zéro erreur de recopie : le format était contrôlé, pas improvisé
- 100 % des dossiers suivaient le même chemin, quelle que soit la porte d'entrée
- Les doublons se résolvaient sans appel au client ni arbitrage interne
- 10 ou 10 000 doublons : le coût de traitement restait quasi nul
L'automatisation a servi, puis l'e-commerçant l'a intégrée pour de bon dans son fonctionnement.
« Quand vous savez que 100 % des dossiers suivent le même pipeline, vous dormez mieux. »
Sous le capot
A. Fusion dual-track (140 nodes)
- Track 1 (webhook site) : extraction → mapping → pipeline
- Track 2 (formulaire) : staging en base → review/approbation humaine dans n8n → même pipeline
- Convergence des deux tracks sur un point de mapping unique
- Génération de documents par template ; 7 uploads cloud structurés ; traçabilité de chaque étape en base
B. Intégrité des données (IA)
- Scan de la base toutes les 6 h ; node JavaScript de normalisation (casse, espaces) + détection mathématique des doublons
- Regroupement par paire + Loop Over Items : chaque paire traitée isolément, zéro confusion d'IDs
- LLM via OpenRouter avec sortie structurée : comptait les fichiers, comparait la complétude, produisait un score et une recommandation JSON
- Email interactif au client (analyse transparente + 3 boutons webhook : Garder A / Garder B / Tout refaire) ; nettoyage et redirection automatiques
Stack technique
n8n (fusion : 140 nodes · intégrité : workflow dédié) ├── Webhooks (site) + Form + Review (approbation humaine) ├── Data mapping (point de convergence unique) ├── Code JS (normalisation + détection des doublons) ├── Loop Over Items (traitement par paire isolée) ├── LLM via OpenRouter (analyse + sortie structurée JSON) ├── Email interactif (3 boutons webhook) └── Base de données (staging, CRM, traçabilité)
Autres études de cas
Un processus similaire vous mange des heures ?
Racontez-moi votre paperasse dans un questionnaire de 15 à 20 minutes. Ensuite, en 30 minutes d'appel, je vous dis ce qui est automatisable, et ce qui doit rester humain.
Remplir le questionnaire →