FeedGen et Product Studio : ce que ces outils font vraiment.

Avant de comparer, soyons précis — parce que ces deux outils sont souvent présentés comme une alternative complète, et qu'ils sont en réalité deux choses très différentes l'une de l'autre, et très différentes d'une plateforme d'optimisation de flux.

Autrement dit : un script à héberger et maintenir soi-même d'un côté, un outil de retouche unitaire de l'autre. Et « gratuit » ne décrit que la licence : faire tourner FeedGen suppose un projet Google Cloud facturé, la consommation Vertex AI à chaque génération, du temps de développement pour le déployer et l'adapter, et de la maintenance pour suivre les évolutions du dépôt. Pour expérimenter, pourquoi pas. Pour un process qui tourne sur tout un catalogue, tous les jours, vers tous les canaux, il manque l'essentiel.

Point par point : outils gratuits vs process de production.

Ce que Dataiads fait de votre flux produit.

Là où le flux Merchant Center est un export brut du PIM ou de la plateforme e-commerce, Dataiads le branche sur un pipeline visuel — le Dataflow — en quatre étapes. Chaque étape est un nœud sur un canvas, le pipeline se construit en glissant-déposant, et chaque nœud s'exécute automatiquement.

La différence structurante avec un feed manager classique ou un script : la donnée de performance publicitaire, la donnée produit et l'IA générative cohabitent dans le même graphe. C'est une solution orientée ROAS : on optimise d'abord les produits qui comptent, on segmente par performance réelle, on différencie les ROAS cibles par cluster — au lieu de traiter tout le catalogue de la même façon, à l'aveugle.

Une single source of truth — toujours à jour, toujours propre

Le point essentiel : le flux multi-source enrichi ne sert pas qu'à optimiser le feed. Une fois la donnée produit consolidée (PIM + performance Ads + marges BigQuery + avis + images retravaillées), ce travail devient la source unique de tout ce qui consomme du produit :

— L'optimisation du feed elle-même : titres, attributs, custom labels, images — vers Google, Meta, comparateurs.
— Les campagnes social ads : les créatives Catalog Ads (overlay prix, promo, cadre de marque) et les Video Ads sont rendues à partir des données du flux enrichi, produit par produit, pour Meta par exemple. Le prix barré affiché dans la créative, c'est celui du flux — jamais désynchronisé.
— Le reste de la plateforme : Product Intelligence, recommandations, landing pages (Smart LPO).

Branché en continu — pas un projet one-shot.

C'est la différence fondamentale avec une optimisation manuelle ou un script lancé à la main : le Dataflow vit avec votre catalogue. Chaque nœud a sa planification, et les étapes s'enchaînent automatiquement — quand une étape réussit, les suivantes se lancent.

Chaque règle et chaque segment sont dynamiques

Une règle d'optimisation ou un segment n'est jamais une photo figée du catalogue. C'est une définition qui se recalcule à chaque run :

— Le segment « top 20 % en valeur de conversion » est recalculé chaque nuit sur la performance réelle. Un produit qui décolle entre dans le segment hero tout seul ; un produit qui s'essouffle en sort tout seul.
— Un nouveau produit ajouté au catalogue est automatiquement capté par les filtres, enrichi par l'IA, et publié — personne ne le « traite ».
— Un produit supprimé disparaît des exports sans nettoyage manuel.
— Les custom labels, les titres réécrits, les images choisies par vision : tout suit l'évolution du catalogue, en continu.

Vos campagnes PMax sont pilotées par des labels mis à jour automatiquement chaque nuit en fonction de la performance réelle de chaque produit. Personne ne retouche un fichier Excel.

Et l'industrialisation va plus loin que la planification : cache IA (un produit inchangé n'est jamais re-généré — les coûts de génération restent maîtrisés), fail-safe (si plus de la moitié d'un batch IA échoue, le pipeline s'arrête au lieu de publier un flux dégradé), quotas et suivi de consommation par modèle, undo/redo sur le canvas pour itérer sans risque.

Mesurer avant d'optimiser : l'audit de flux.

On ne commence pas par générer du contenu — on commence par mesurer. L'audit passe votre flux au crible et chiffre précisément ce qui le pénalise : chaque ligne du rapport correspond à une optimisation qui le corrige.

Concrètement :

— ~50 règles d'audit prêtes à l'emploi, organisées par thème : conformité (titres > 150 caractères, GTIN invalides, liens non-HTTPS), complétude (brand, gender, GTIN manquants), qualité de contenu (titres trop courts), visuels (moins de 4 images additionnelles, absence d'images lifestyle), pricing (incohérences price/sale_price), variantes (item_group_id), et même préparation au commerce conversationnel (Q&A produit, popularité, documents).
— IA intégrée à l'audit : génération de règles d'audit personnalisées, et analyse narrative des résultats — ce qui pénalise votre flux, et le plan d'action.
— Export PDF du rapport.

Treize cas d'usage concrets — performance & temps gagné.

Chaque cas suit le même fil : le problème, le pipeline qui le résout, et ce que ça change — en performance media ou en heures d'équipe économisées. Tous tournent en continu une fois en place. Aucun n'est faisable avec FeedGen ou Product Studio.

1 · Clusters de performance pour PMax

Un retailer, 50 000 références. PMax plafonne : tous les produits sont traités pareil, le budget part sur les best-sellers et le reste du catalogue dort.

2 · Titres optimisés sur le segment qui compte

Une marque de mode : les titres sont des noms de collection internes (« Robe AURELIE ») — invisibles sur les requêtes génériques qui font le volume.

3 · Images lifestyle pour Demand Gen et l'AI Mode

Un marchand de meubles, 100 % packshots fond blanc — pénalisé sur Demand Gen, Shopping et les nouvelles surfaces conversationnelles de Google qui valorisent le lifestyle.

4 · Choix de l'image principale par vision IA

Une marketplace : images principales hétérogènes (mauvais angle, texte incrusté), refus GMC à répétition, CTR Shopping en berne.

5 · Un flux, trois canaux

Un retailer présent sur Google, Meta et un comparateur local : trois formats, trois variantes de titres, trois process de mise à jour.

6 · Enrichissement marge depuis BigQuery

Piloter les enchères par la marge — une donnée qui vit dans le data warehouse, jamais dans le flux.

7 · N'optimiser que les produits qui sous-performent

Régénérer tout le catalogue coûte cher et touche aussi ce qui marche. Le bon réflexe : ne retravailler que les produits qui ont du potentiel mais ne convertissent pas.

8 · Des règles par marque : tone of voice et brand guidelines

Un retailer multi-marques ne peut pas écrire pareil pour une marque de luxe et une marque d'entrée de gamme — et certaines marques imposent des guidelines strictes.

9 · Attributs conversationnels au bon format

Les surfaces conversationnelles (AI Mode, assistants d'achat) consomment des attributs structurés — Q&A produit, highlights — que presque aucun flux ne renseigne, et qui doivent respecter un format précis (arrays).

10 · Product highlights renseignés par vision

Le champ product_highlights est un des plus corrélés au CTR — et un des moins remplis, parce que personne ne va rédiger 5 points forts par produit sur 80 000 références.

11 · Avis produits récupérés par scraping

Les avis vivent sur les fiches produit du site, jamais dans le flux — alors qu'ils nourrissent les étoiles, la réassurance et les surfaces IA.

12 · Six images additionnelles par produit

Google recommande plusieurs images par produit ; la plupart des flux n'en ont qu'une ou deux. Les produits concernés sont moins visibles et moins cliqués.

13 · A/B tester une optimisation avant de la généraliser

« Est-ce que les titres réécrits par IA performent vraiment mieux ? » Sans groupe de contrôle, impossible de le prouver — on attribue à l'optimisation ce qui vient peut-être de la saisonnalité.

Et si… les réponses aux questions qui viennent ensuite.