
2 Realistic AI Workflows Amazon Sellers Can Use This Week
Audio Summary
AI Summary
Bienvenue à tous à cette masterclass sur l'IA, conçue pour les propriétaires de marques gérant des entreprises Amazon à sept, huit ou neuf chiffres, ou pour les agences travaillant avec des marques et utilisant des outils comme Merchant Spring. L'IA évolue rapidement et nous explorons des moyens d'automatiser les flux de travail. Aujourd'hui, nous allons présenter deux flux de travail IA : l'un pour l'optimisation du PPC et l'autre pour le contrôle des stocks.
Je suis Gary Hong, fondateur et animateur du 7-Figure Seller Summit. Je manipule l'IA depuis plusieurs années. Je tiens à préciser que je n'ai pas de formation technique, je ne suis ni programmeur ni codeur. Tout ce que je vais vous montrer est basé sur une expérience pratique et le codage en langage courant. Vous n'avez donc pas besoin d'un bagage technique.
Je suis ravi d'accueillir James Deharel de Merchant Spring, qui nous rejoint d'Australie. James est l'un des dirigeants de Merchant Spring. Pouvez-vous nous présenter rapidement ce que vous faites et comment vous aidez les vendeurs et les agences ?
James Deharel : Je suis l'un des deux co-fondateurs de Merchant Spring, basé ici en Australie. Nous aidons les marques et les agences avec des rapports et des infrastructures de données. Que ces données finissent dans des clients IA, des pipelines de données, des bases de données ou notre interface utilisateur, nous les aidons.
Gary Hong : Parfait. Cette formation se déroulera en deux parties. D'abord, James nous présentera Merchant Spring et la manière dont ils traitent toutes les données liées à votre PPC, votre rentabilité, votre contrôle et votre gestion des stocks. Il nous donnera un aperçu du contexte brut, car c'est le contexte que nous devons alimenter notre IA pour qu'elle puisse traiter ces données et agir en conséquence. James, vous pouvez partager votre écran. Si vous avez des questions, n'hésitez pas à les poser dans le chat. Nous aurons également une session de questions-réponses à la fin, et la rediffusion sera disponible pour ceux qui se sont inscrits.
James Deharel : Bien. La première chose que je vais aborder est l'obtention des données. Je ne vais pas faire un pitch agressif pour Merchant Spring, mais les sujets que Gary et moi avons convenus sont la manière d'obtenir les données, de les acheminer et d'y accéder dans un client IA comme Claude ou ChatGPT.
Dans le cas de Merchant Spring, que vous soyez une marque ou une agence, l'essence de l'outil est de vous permettre de connecter de nombreux canaux. Certaines agences ont 500 comptes Amazon connectés, et des marques ont 30 ou 40 places de marché différentes connectées, que ce soit Amazon seller, vendor, Walmart, Shopify, Yahoo, etc. L'idée est de connecter autant de canaux que vous le souhaitez à la plateforme. C'est important dans ce nouveau monde de l'IA, car avoir tous les canaux connectés à Merchant Spring vous permet d'avoir une connexion MCP (Multi-Channel Protocol) unique à votre outil IA. L'alternative serait pour Gary de gérer potentiellement des centaines de connexions MCP différentes pour tous les canaux sur lesquels il vend ou qu'il gère pour des clients. L'utilisation d'un outil comme le nôtre ou tout autre outil similaire vous permet d'acheminer les données via une connexion unique vers votre outil IA, ce qui est important à considérer.
En utilisant un outil comme le nôtre et en connectant tous les canaux, il est également important de considérer quelles données sont ingérées dans cet outil. Comme Gary l'a mentionné, nous couvrons plusieurs catégories de données. Nous avons probablement des dizaines de milliers de points de données. Je ne vais pas les passer tous en revue, mais je vais vous donner quelques catégories générales. C'est important à noter car, du point de vue de l'outil, ce que vous obtenez influencera ce que vous pourrez accéder via une connexion MCP.
Pour nous, nous couvrons des informations clients, allant du trafic et des conversions, à la valeur vie client, aux achats répétés, aux abonnements et économies, aux annulations et remboursements. Il y a toutes ces informations liées aux clients. Pour les analyses de ventes, nous avons toutes sortes de rapports, comme les ventes générales par produit avec une abondance de métriques. Nous pouvons regrouper les produits pour évaluer les performances. Il y a les ventes par parent, par catégorie, par marque, par pays. Tout cela est acheminé via notre serveur MCP et est accessible dans les outils IA.
Ensuite, il y a tout un module sur la rentabilité, que nous fournissons au niveau du canal et du produit, avec un niveau de granularité intense. Nous ne nous contentons pas de déverser des données brutes ; nous ajoutons de la valeur aux données. C'est très spécifique à la rentabilité. Nous préparons le compte de profits et pertes (P&L), catégorisant toutes les dépenses, les contre-dépenses, les revenus et les contre-revenus. Comme vous le savez, dans le monde d'Amazon, il y a des centaines de lignes d'événements financiers. Nous avons fait le travail difficile de structurer et de classer cela. En le faisant de notre côté, en le classant et en le décrivant, il est plus facile pour l'outil IA de comprendre ce qui se passe. Lorsque vous l'interrogez en langage naturel, il est plus facile pour lui de comprendre ce que vous voulez en faire. C'est donc la rentabilité au niveau du canal et du produit. Encore une fois, tout ce que je vous montre est disponible via API et dans le serveur MCP.
Ensuite, nous avons des informations sur les listes de canaux. Nous surveillons les changements de contenu, les informations sur les produits supprimés, et nous le faisons en temps quasi réel. Il y a aussi la surveillance des prix, qui consiste à surveiller la Buy Box en temps réel pour l'ensemble du catalogue.
Puis il y a toutes les opérations, et Gary a mentionné quelques points comme l'inventaire et le PPC. Ici, nous avons tout un module sur la surveillance de votre vitesse de vente, la détermination de votre couverture en jours, la quantité à réapprovisionner pour les différents statuts de votre stock dans FBA. Encore une fois, tout cela est disponible via API avec tout le contexte et les descriptions autour de chaque point d'extrémité, ce qui le rend disponible via MCP et donne à l'IA autant de contexte que nécessaire pour comprendre ce que vous lui demandez et s'appuyer sur ces points de données.
Enfin, nous avons une section complète sur la publicité. Toutes les métriques classiques sont là, au niveau du canal, du produit, de la campagne, etc. Encore une fois, que vous utilisiez notre outil ou tout autre outil d'analyse ou de pipeline de données, il est très important de comprendre les métriques que cet outil obtient. Et il est également très important de comprendre si les métriques qu'il obtient sont disponibles via son serveur MCP. Je le mentionne encore et encore parce que le thème de cette conversation est très axé sur le MCP et l'IA. Je vais faire une pause ici, Gary, si vous voulez intervenir, poser une question ou m'orienter.
Gary Hong : Non, c'était un excellent aperçu. Nous pouvons voir que l'un des liens clés lorsque nous voulons utiliser l'IA pour optimiser n'importe quelle donnée est la source des données. J'aime la façon dont Merchant Spring est capable de tout préparer, d'avoir toutes les connexions à votre compte vendeur. De cette façon, vous pouvez tout voir en un coup d'œil. Cependant, l'étape suivante consiste à traiter ces données à l'aide de l'IA. L'un des termes clés à connaître que James a mentionné à plusieurs reprises est MCP. Je ne suis pas sûr du niveau de connaissance de l'IA de chacun. James, voulez-vous donner un bref aperçu de ce qu'est le MCP ou voulez-vous que je donne un rappel pour que tout le monde soit sur la même longueur d'onde ?
James Deharel : Oui, je vais donner une version très simple et vous pourrez donner la version plus détaillée. La façon dont nous l'expliquons aux gens est que c'est un outil, que ce soit nous ou un autre, qui fournit les données à un outil d'IA, que ce soit Claude, ChatGPT ou Perplexity, d'une manière qu'il puisse comprendre ces données. Pour vous donner un exemple, nos rapports de rentabilité. Nous avons écrit une description complète pour ce point d'extrémité que nous rendons disponible dans le serveur MCP, comme "ceci est un profit", "ceci est un profit pour un canal", "un canal est un Amazon US ou un Amazon UK". Il s'agit de tout décrire, ce que nous faisons de notre côté, mais je suppose que le serveur MCP fournit toutes ces données avec un contexte afin que les outils d'IA que vous connaissez tous puissent les comprendre.
Gary Hong : Bien dit. Bien dit. À mon avis, en termes simples, MCP signifie protocole multi-canal. C'est le pire nom qui soit pour la compréhension. En gros, cela permet à votre IA, que vous utilisiez Claude, Co-Work, ChatGPT ou CodeX, ou même OpenClaw, Hermes, etc., de parler directement à, disons, Merchant Spring et de dire : "Hé, pouvez-vous..." Votre IA extrait les données PPC, les données de gestion des stocks. Je vais vous donner une démo, mais en gros, c'est un élément clé qui débloque la communication et permet à votre IA de parler à l'outil. Parce que si vous n'avez pas de MCP, c'est plus difficile. Soit vous devez télécharger manuellement les rapports, puis les copier-coller dans votre IA, soit vous devez passer par un chemin plus complexe, comme l'utilisation d'un ordinateur ou d'un navigateur, en laissant votre IA prendre le contrôle du navigateur, mais cela prend beaucoup plus de temps et est plus sujet aux échecs et consomme plus de jetons. Mais de toute façon, c'est un aperçu de haut niveau. J'apprécie donc cela. James, je pense que vous nous avez donné une compréhension de la façon d'obtenir et de comprendre les données et maintenant nous allons passer à la deuxième partie. Je vais vous montrer comment interagir avec ces données en utilisant l'IA pour le PPC et la gestion des stocks. Y a-t-il autre chose que vous aimeriez souligner, James ?
James Deharel : Non, je pense que nous pouvons passer directement à ce sujet. Donc, encore une fois, pour nos clients qui ne sont pas très techniques, nous rendons nos données accessibles d'une manière qui vous permet d'interagir avec elles dans l'outil via l'IA. Ce que j'ai à l'écran ici, ce sont quelques invites enregistrées que j'ai. Vous pouvez voir ici à droite que nous avons cet agent d'analyse. Et encore une fois, ce type de réflexion, ce type de fonctionnalité, est quelque chose que vous devriez tous demander à tout outil que vous évaluez.
Gary Hong : Oui.
James Deharel : La façon dont nous le faisons, c'est que dans l'outil, vous avez cette boîte de discussion à droite et vous pouvez lui demander n'importe quoi en langage naturel, et j'en ai tout un tas que nous avons préparés pour cela.
Gary Hong : Cette question était juste une question stupide. Donnez-moi l'analyse des 30 derniers jours et visualisez-la. C'est la réponse que notre IA fournit à cette question.
James Deharel : Et ensuite, elle la visualise ici. Encore une fois, nous fournissons cela pour aider les personnes qui ne sont pas, vous savez, elles ne sont pas désireuses d'utiliser le serveur MCP ou elles ne veulent pas vraiment extraire les données. Elles veulent juste poser des questions à notre outil et obtenir des réponses nativement ici.
Gary Hong : Oui, c'est cool. Pour l'IA, juste pour prendre un peu de recul, il y a plusieurs niveaux d'IA. Si nous parlons de cela dans une minute, il y a le niveau un, c'est-à-dire discuter avec ChatGPT. Le niveau deux, c'est utiliser un outil agentique d'IA comme Claude Co-Work ou Code