NameSmith

Contexte

NameSmith est un moteur de décision de naming qui aide les fondateurs et les petites équipes à choisir un nom de marque en toute confiance. Contrairement aux simples générateurs de noms, NameSmith se concentre sur la phase d'évaluation — réduire les risques cachés liés à l'historique des domaines, la présence numérique et les usages précédents.

Le problème central n'est pas de générer des noms (les fondateurs le font facilement) mais d'en choisir un sans regret. Les noms qui semblent bien échouent souvent à cause de conflits de domaines, d'incohérences de handles sociaux ou d'usages antérieurs.

Objectifs et contraintes

• Générer des idées de noms créatives et marquables à partir d'une courte description du projet
• Vérifier la disponibilité des domaines et leur historique pour révéler les risques cachés
• Valider la disponibilité des handles sociaux sur les principales plateformes
• Fournir un verdict de confiance clair : Recommandé, Procéder avec prudence ou À éviter
• Supporter la comparaison côte à côte de plusieurs candidats
• Garder la phase d'exploration gratuite sans inscription

Solution et architecture

Le pipeline de génération de noms utilise l'IA pour produire des idées de noms créatives et pertinentes basées sur la description du projet et l'audience cible. Chaque nom est ensuite évalué à travers plusieurs couches de signaux.

Le moteur d'intelligence domaine vérifie non seulement la disponibilité mais aussi l'historique d'utilisation, le contenu passé et les conflits potentiels. La validation des handles sociaux scanne Twitter, Instagram et autres plateformes.

Le système de scoring de confiance synthétise tous les signaux en un verdict clair en utilisant le MCDA (Analyse Multi-Critères de Décision) avec comparaison par paires.

Décisions techniques

• Scoring MCDA plutôt que scores uniques : l'évaluation multi-critères fournit une évaluation nuancée des risques au lieu d'un nombre unique trompeur
• Analyse de l'historique des domaines : vérification de l'historique d'utilisation et du contenu passé pour révéler les conflits cachés
• Comparaison par paires (basée sur Elo) : les candidats sont comparés directement sur des dimensions comme la demande, la faisabilité et la brandabilité
• Couche de confiance des preuves : montre le niveau de soutien derrière chaque recommandation — les scores élevés avec des preuves faibles sont signalés
• Exploration gratuite, confiance payante : la phase d'exploration est gratuite pour réduire la friction ; les rapports détaillés nécessitent un paiement