Comment construire une taxonomie DAM

Une taxonomie est l’ensemble de termes convenus que votre organisation utilise pour décrire ses médias, et la structure dans laquelle ces termes s’organisent. Cela reste abstrait jusqu’au jour où l’on la voit échouer : une personne étiquette une photo « sneaker », une autre « trainer », une troisième « chaussures », et une quatrième la classe sous le nom de la campagne sans rien étiqueter. Les quatre photos existent ; aucune ne peut être retrouvée avec les autres.

Le travail sur la taxonomie est la partie ingrate au milieu de tout déploiement de DAM. Ce guide reste pratique : quelles sont les options, comment choisir, qui a le droit de modifier quoi, et un exemple détaillé que vous pouvez adapter.

Taxonomie et folksonomie : deux façons d’étiqueter

Il existe deux approches fondamentalement différentes pour décrire des médias, et comprendre le compromis compte plus que de choisir un camp.

Une taxonomie est un ensemble de termes contrôlé, convenu à l’avance. Quelqu’un décide que le terme est Sneakers, et non Trainers ni Chaussures de sport, et les personnes qui étiquettent choisissent dans une liste au lieu de saisir du texte. Le gain est la cohérence : chaque photo de sneakers porte le même terme, donc un filtre Sneakers les renvoie toutes, à chaque fois. Le coût est l’entretien : quelqu’un doit maintenir la liste, et il arrive que celui qui étiquette ne trouve pas de terme adapté.

Une folksonomie est l’inverse : l’étiquetage libre. Chacun saisit les mots qui lui semblent justes. Le gain est l’absence de friction et un vocabulaire qui évolue aussi vite que vos contenus : quand une nouvelle catégorie de produits apparaît, les tags apparaissent le jour même, sans comité. Le coût est la dérive : synonymes, pluriels, fautes de frappe et manies personnelles s’accumulent, et la précision de la recherche se dégrade à mesure que la bibliothèque grandit.

C’est un choix de conception, pas un concours avec un vainqueur. Les petites bibliothèques et les contenus exploratoires penchent vers la folksonomie ; les grandes bibliothèques qui ont des besoins de recherche structurée penchent vers la taxonomie. La plupart des DAM bien tenus utilisent les deux, délibérément :

Des vocabulaires contrôlés pour les dimensions dont dépend votre activité : famille de produits, type de média, région, marque. Ils alimentent les filtres, les règles d’automatisation et les rapports, ils doivent donc être cohérents.
Des tags libres pour tout ce qui est ponctuel : ambiances, thèmes occasionnels, libellés de travail. Peu coûteux à ajouter, sans conséquence quand ils sont désordonnés.

Une règle pratique : si vous voulez un jour construire un filtre, une règle de workflow ou un rapport sur un champ, contrôlez-le. S’il ne sert qu’à la découverte, laissez-le libre, d’autant que la recherche sémantique trouve désormais « équipe qui fête une victoire en extérieur » sans que personne n’ait étiqueté ces mots. Les tags générés par l’IA atténuent encore le compromis : ils se comportent comme une folksonomie rédigée par une personne qui étiquette toujours de la même façon, ce qui vous donne une large capacité de recherche en texte libre pendant que vos vocabulaires contrôlés restent petits et solides.

Les vocabulaires contrôlés : les briques de base

Dans freedam, la taxonomie est construite à partir de vocabulaires : des listes de termes nommées que les administrateurs gèrent de façon centralisée et dans lesquelles les utilisateurs choisissent au moment d’étiqueter. Un vocabulaire peut être Type de média (Packshot, Lifestyle, Logo, Vidéo, Document), Région (EMEA, Amériques, APAC) ou toute une hiérarchie de produits.

Ce qui rend un vocabulaire plus utile qu’un champ de texte :

Une seule orthographe, partout. Les utilisateurs choisissent, ils ne saisissent pas. Le problème « sneaker ou trainer » disparaît.
Libellés multilingues. Un terme peut porter des traductions (freedam peut traduire automatiquement les libellés des termes), de sorte qu’un collègue français filtre par Baskets et trouve les mêmes médias qu’un collègue anglais sous Sneakers. Un concept, plusieurs libellés.
Évolution sans risque. Renommer un terme met à jour tous les médias qui le portent. Supprimer un terme dans freedam vous invite à le remplacer par un autre ou à l’effacer : pas de tags orphelins, pas de filtres cassés.
Des filtres fiables. Les champs de vocabulaire deviennent des filtres de galerie, et dans freedam un champ de vocabulaire peut être promu en filtre rapide placé à côté de la barre de recherche : un découpage de toute la bibliothèque en un clic.

Les vocabulaires s’insèrent dans votre schéma de métadonnées sous forme de champs : une classe de médias peut avoir un champ Catégorie de produit appuyé sur le vocabulaire des produits, un champ Type de média appuyé sur un autre, et ainsi de suite. (Si vous n’avez pas encore conçu votre schéma, commencez par le guide des métadonnées : schéma et taxonomie sont les deux moitiés d’une même décision.)

Hiérarchique ou à plat ?

Chaque vocabulaire est soit une liste à plat, soit un arbre, et le mauvais choix crée de la friction pendant des années.

Les listes à plat conviennent aux ensembles de valeurs courts et indépendants : types de médias, régions, canaux, statuts. Si la liste tient sur un écran et qu’aucun terme n’est « à l’intérieur » d’un autre, gardez-la à plat. Les listes à plat sont plus rapides à parcourir, plus faciles à gouverner et épargnent la discussion « dans quelle branche cela va-t-il ? ».

Les arbres hiérarchiques conviennent aux catégories qui ont une vraie structure parent-enfant : Chaussures → Running → Trail. La hiérarchie justifie sa complexité d’une seule façon : élargir et affiner. Un utilisateur qui filtre sur Chaussures doit trouver les médias étiquetés trois niveaux plus bas, et passer d’une grande catégorie à une catégorie précise doit sembler naturel. Si vous n’avez jamais besoin de ce comportement de regroupement, l’arbre n’est qu’un décor : mettez-le à plat.

Conseils pratiques :

Trois niveaux suffisent en général. Au-delà, les personnes qui étiquettent ne savent plus où ranger les choses et celles qui parcourent se perdent. Les arbres profonds indiquent que vous modélisez l’organigramme ou l’ERP, pas la façon dont les gens cherchent.
Un terme ne doit avoir qu’un seul emplacement. Si un élément peut raisonnablement appartenir à deux branches (« une sandale de running est-elle dans chaussures/running ou chaussures/sandales ? »), votre arbre encode deux dimensions indépendantes. Séparez-les en deux vocabulaires, ce qui nous amène aux facettes.
Vous pourrez passer à un arbre. freedam permet de convertir plus tard un vocabulaire à plat en vocabulaire hiérarchique : dans le doute, commencez à plat.

Pensez en facettes, pas en dossiers

L’habitude la plus tenace à désapprendre quand on vient des drives partagés est la logique de la hiérarchie unique : l’idée que chaque média a une seule bonne place. Les arborescences de dossiers imposent un choix d’ordre (année → campagne → produit ? ou produit → année → campagne ?) qui est faux pour la moitié de vos utilisateurs dès le premier jour.

Une taxonomie à facettes abandonne tout ordre. Chaque dimension indépendante devient son propre vocabulaire, sa propre facette :

Catégorie de produit (hiérarchique)
Type de média (à plat)
Région (à plat)
Saison / collection (à plat)
Canal d’utilisation (à plat)

Un média porte une ou plusieurs valeurs par facette, et les utilisateurs combinent les facettes au moment de la recherche : Lifestyle + Chaussures → Running + EMEA + Printemps 2026. Personne n’a eu à prévoir cette combinaison ; l’intersection fonctionne toute seule. Les facettes gardent aussi chaque vocabulaire petit : cinq listes de dix termes couvrent plus de terrain qu’un arbre de mille nœuds et sont bien plus faciles à maintenir.

Le test d’une bonne facette : elle s’applique à la plupart de vos médias, ses valeurs sont comprises de la même façon par tous, et elle est indépendante des autres facettes. Si deux « facettes » évoluent toujours ensemble, fusionnez-les.

Gouvernance : qui peut ajouter des termes

Les taxonomies meurent de deux façons : l’abandon (le vocabulaire ne correspond plus à l’activité, alors les gens cessent de l’utiliser) et la prolifération (tout le monde ajoute des termes, et cela devient une folksonomie avec des étapes en plus). La gouvernance est le moyen d’éviter les deux, et elle doit être assez légère pour être réellement appliquée.

Un modèle de gouvernance minimal :

Un responsable par vocabulaire. Pas un comité : une personne. Le vocabulaire des produits revient probablement à quelqu’un proche du marketing produit ; les types de médias, à l’administrateur du DAM.
Tout le monde peut proposer ; le responsable tranche. Rendez la demande de terme triviale (un message, pas un formulaire). Le travail du responsable consiste surtout à repérer les synonymes : « nous avons déjà Sneakers ; inutile d’ajouter Trainers ».
Les droits d’administration suivent le modèle. Dans freedam, la gestion des vocabulaires est une fonction d’administrateur : les personnes qui étiquettent à l’occasion ne peuvent donc matériellement pas ajouter de termes en plein import. Les vocabulaires critiques peuvent être protégés contre une suppression accidentelle.
Révisez selon un calendrier, pas dans l’urgence. Deux fois par an, chaque responsable consacre trente minutes : fusionner les synonymes qui ont échappé au contrôle, retirer les termes sans média, vérifier que les tags suggérés par l’IA ne s’éloignent pas de termes du vocabulaire qui veulent dire la même chose.
Changez par migration, jamais sur place. Quand un terme doit changer de sens, utilisez le remplacement à la suppression (freedam demande un terme de remplacement) pour que l’historique reste cohérent.

Les zones de tags libres n’ont presque pas besoin de gouvernance : c’est leur raison d’être. Surveillez seulement les tags libres qui reviennent sans cesse ; un tag que des centaines de médias partagent spontanément est un terme de vocabulaire qui mérite d’être promu.

Commencez petit, faites évoluer avec méthode

Ce qui prédit le mieux l’échec d’une taxonomie, c’est de se lancer dès le premier jour avec le modèle complet et définitif de douze vocabulaires. Vous ne savez pas encore comment les gens cherchent ; vous devinez, et chaque mauvaise hypothèse devient plus tard un champ plein de données périmées.

À la place :

Lancez-vous avec deux ou trois facettes dont vous êtes sûr, presque toujours Type de média plus votre dimension métier principale (produit, client ou service).
Observez le comportement réel pendant un mois. Les recherches infructueuses, les tags libres récurrents et les questions « où trouver… » dans la messagerie sont votre cahier des charges.
Ajoutez une facette à la fois, en complétant les valeurs des médias existants au fur et à mesure (la modification en masse et les suggestions de l’IA rendent cela faisable).
Promouvez, scindez et élaguez selon l’usage : promouvez les facettes très utilisées en filtres rapides, scindez tout vocabulaire où les personnes qui étiquettent hésitent entre des branches, et supprimez ce sur quoi personne ne filtre.

Une taxonomie est un produit, pas un document. Versionnez-la, faites-la évoluer et mesurez-la avec un seul chiffre : la fréquence à laquelle les gens trouvent ce qu’ils cherchent du premier coup.

Exemple détaillé : la bibliothèque d’une marque grand public

Supposons que vous gériez la bibliothèque d’une marque de chaussures et de vêtements : photos produit, visuels de campagne, vidéos, logos et documents, avec quelques milliers de médias de plus à chaque saison. Une taxonomie de départ raisonnable :

Facette 1 : type de média (à plat, obligatoire à l’import) : Packshot · Lifestyle · Visuel principal de campagne · Logo et marque · Vidéo · Document. Six termes. Ce seul champ alimente le filtre le plus courant de la bibliothèque.

Facette 2 : catégorie de produit (hiérarchique, 2 à 3 niveaux) : Chaussures → Running / Lifestyle / Enfants ; Vêtements → Hauts / Bas / Vestes ; Accessoires. Une trentaine de termes au total. Les identifiants produit (SKU) ne vont pas dans l’arbre : ce sont un champ de métadonnées, associé automatiquement, car un vocabulaire de dix mille feuilles est en réalité une table de base de données.

Facette 3 : saison (à plat) : SS25, FW25, SS26… plus Permanent. Un terme par média, le plus souvent défini en masse au moment de l’import.

Facette 4 : droits par région (à plat) : Monde · EMEA · Amériques · APAC. Cette facette sert deux fois : comme filtre et comme donnée d’entrée des règles d’accès et d’utilisation.

Les tags libres et l’IA gèrent tout le reste : ambiances (« urbain », « lever de soleil »), activités représentées, coloris. L’étiquetage automatique par IA renseigne la plupart de ces tags à l’import ; personne ne les maintient, et la recherche sémantique comble les trous.

Gouvernance : les opérations de marque sont responsables de Type de média et de Droits par région ; le marketing produit est responsable de l’arbre des catégories ; Saison n’accepte que des ajouts. Au total, environ cinquante termes à maintenir. Une bibliothèque de cent mille médias peut fonctionner avec cela, et quand une nouvelle ligne d’activité est lancée, vous ajoutez une branche au lieu de tout reconstruire.

Vous voulez manipuler des vocabulaires, des facettes et des filtres rapides sur une bibliothèque préremplie ? Essayez la démo : c’est une instance freedam opérationnelle.