things.IQ
Gardez les gagnants. Éliminez les dormants.
Un playbook hebdomadaire qui classe chaque SKU et chiffre l’impact de chaque décision.
- Shopify·
- Adobe Commerce / Magento 2·
- Google Analytics 4·
- Lightspeed Retail (R-Series)·
- Lightspeed Retail (X-Series)·
- Square POS·
- Import CSV·
- SAP Business One·
- Microsoft Dynamics 365·
- WooCommerce·
- NetSuite (Oracle)·
- Shopify·
- Adobe Commerce / Magento 2·
- Google Analytics 4·
- Lightspeed Retail (R-Series)·
- Lightspeed Retail (X-Series)·
- Square POS·
- Import CSV·
- SAP Business One·
- Microsoft Dynamics 365·
- WooCommerce·
- NetSuite (Oracle)·
Le défi
La plupart des petits et moyens détaillants ont des années de données de ventes, de stocks et de marges dans leur point de vente, mais aucun analyste pour en tirer des décisions. Un tableau de bord ne règle pas ça : les acheteurs n'ont pas le temps de fouiller dans des graphiques.
Ce que fait things.IQ
Un court playbook hebdomadaire, classé par priorité. Chaque ligne est une action concrète avec son montant en dollars : réapprovisionner les gagnants, ajuster les prix sous le marché, sortir le cash du plancher. Les acheteurs lisent les chiffres et décident au même endroit.
Ce que ça fait
Quatre choses, bien faites
Playbook hebdomadaire
Chaque lundi, la liste des SKUs à stocker, optimiser ou tirer — classée par impact.
Veille de marché
Vos prix et votre assortiment comparés à ceux des concurrents de votre marché et de votre région.
Réapprovisionnement et prix
Quantités par emplacement et ajustements de prix, calculés pour respecter votre budget.
Résultats mesurés
Un registre de confiance consigne chaque recommandation, ce que vous avez fait et le résultat obtenu.
La feuille de décision
Ce que vous recevez chaque lundi
Exemple illustratif — les chiffres réels viennent de vos propres ventes.
Stock sous la couverture du délai fournisseur — à réapprovisionner avant rupture.
| SKU | Produit | Unités | Marge | Impact |
|---|---|---|---|---|
| SOF-4412 | Sofa modulaire 3 places | 148 | 42% | +62 400 $ |
| TBL-2031 | Table à manger chêne | 96 | 38% | +41 800 $ |
| CHR-7788 | Chaise rembourrée | 212 | 35% | +38 900 $ |
| BED-5502 | Lit plateforme noyer | 61 | 44% | +27 300 $ |
Comment ça marche
Trois étapes, une fois
- 1
Branchez vos ventes
Shopify, Lightspeed, Square, Google Analytics 4 et d’autres, ou un simple import CSV. things.IQ se synchronise en continu et réunit ventes, stocks, prix et magasins dans un seul modèle.
- SShopifySynchro
- MAdobe Commerce / Magento 2Synchro
- GGoogle Analytics 4Synchro
- 2
L’IA enrichit votre catalogue
Des agents IA classent vos produits, extraient les attributs manquants et associent chaque article à un catalogue commun à tous vos magasins et à toutes vos sources.
- SOF-4412Salon › Sofas
- TBL-2031Salle à manger › Tables
- RUG-1190Décor › Tapis
- 3
Vous recevez la décision
Des agents d’assortiment, de réapprovisionnement et de prix produisent un playbook hebdomadaire classé par impact. CARRY, PUSH ou PULL, et le chiffre derrière chaque ligne.
- SOF-4412STOCKER
- LMP-3390OPTIMISER
- CAB-6634TIRER
La plateforme
Ce qu’il y a derrière le playbook
Connecteurs
things.IQ se synchronise en continu avec les données de point de vente Shopify, Lightspeed et Square, le trafic web de Google Analytics 4 et des imports CSV. Ventes, stocks, prix et magasins sont normalisés dans un modèle unique, multi-locataire et multi-emplacement.
Enrichissement par IA
Des agents basés sur des LLM classent et enrichissent le catalogue de chaque détaillant : suggestions de catégories, extraction d’attributs, propositions de taxonomie. Ils associent aussi chaque produit à un catalogue canonique commun à tous les magasins et à toutes les sources.
Veille de marché (RAG)
Un pipeline d’extraction web et d’embeddings indexe les données des concurrents et du marché dans PostgreSQL avec pgvector. Une couche de génération augmentée par récupération s’en sert pour comparer les prix et l’assortiment de chaque détaillant à ceux de son marché et de sa région.
Agents de recommandation
Des agents dédiés à l’assortiment, au réapprovisionnement et aux prix produisent des recommandations qui respectent le budget de chaque détaillant. Un registre de confiance consigne ce qui a été recommandé, ce que le détaillant a fait et le résultat obtenu, pour mesurer et améliorer la qualité des recommandations.
Assistant d’achat
Un assistant conversationnel répond aux questions des acheteurs avec des outils qui s’appuient sur les propres données du détaillant, et cite les éléments qui justifient chaque réponse. Il fonctionne avec un budget d’utilisation par locataire et nettoie les entrées avant de les traiter.
Évaluation
Les agents de recommandation sont évalués hors ligne et en production, dans le cadre de notre processus de développement.
Bilingue
Toute l’interface et chaque playbook en français ou en anglais, au choix de chaque utilisateur.
Multi-emplacements
Chaque décision est calculée par emplacement, puis consolidée pour le siège social.
Assistant d’achat
Posez vos questions en langage naturel. Les réponses s’appuient sur vos propres données et citent les éléments qui les justifient.
Technologie
Hébergé au Canada, sur AWS
- Hébergement
- AWS ca-central-1 — données au Canada
- Application
- Next.js sur Lambda, déployé avec SST et OpenNext
- Données
- RDS PostgreSQL avec pgvector, derrière RDS Proxy
- Isolation
- Sécurité au niveau des lignes par locataire
- Authentification
- Amazon Cognito avec authentification multifacteur
- Tâches et fichiers
- SQS pour la synchro et l’enrichissement, S3 pour les fichiers
- IA
- Modèles Claude sur Amazon Bedrock
Ce qui s’en vient
À mesure que l’utilisation croîtra, nous prévoyons d’utiliser davantage Bedrock (modèles, embeddings et possiblement l’inférence par lots), d’ajouter des connecteurs de point de vente et de commerce en ligne, et de développer d’autres modèles de prévision et de demande.
Voyez une semaine de décisions
Une démonstration guidée du playbook hebdomadaire et de la feuille de décision — comment chaque décision se prend, sur un catalogue exemple.