Découverte

Recommandations de produits par IA : comment elles marchent et ce qu’elles valent

Les recommandations de produits par IA promettent de plus gros paniers. Voyez ce qu’utilisent les modèles, comment mesurer l’effet et où elles échouent.

Une figurine en céramique crème reliée par une cordelette safran à un colis orange brûlé frappé d’un trépied, deux colis kraft simples derrière, sur fond jaune beurre.
Une recommandation est un lien clair entre un visiteur et l’article qui complète sa décision.

Presque toutes les boutiques affichent des recommandations. Peu de marchands savent dire ce que le bloc rapporte. Cet écart compte davantage maintenant que l’étiquette « IA » figure sur presque chaque application de recommandation du Shopify App Store, car les recommandations de produits par IA ne sont pas une technique unique. C’est une famille de méthodes aux entrées différentes et aux modes d’échec différents.

Cet article sépare les méthodes du discours commercial : ce sur quoi les modèles s’appuient réellement, ce que vaut une hausse réaliste dans votre compte de résultat, les quatre façons dont ces systèmes échouent sur un catalogue Shopify, et les questions qui montrent en un appel de démonstration si un outil conviendra à vos produits.

Sur quoi reposent réellement les recommandations de produits par IA

Retirez l’habillage d’un moteur de recommandation et la même question revient : pour ce visiteur, dans cette session, sur cette page, lequel de ces produits doit venir ensuite ? Les systèmes diffèrent par l’évidence à laquelle ils font confiance.

  • Ce que ce visiteur a fait. Pages vues, recherches, panier, commandes passées. Les systèmes fondés sur la session accordent le plus de poids aux derniers clics, car l’intention s’efface vite : quelqu’un qui compare trois friteuses à air en ce moment est plus proche de l’achat que quelqu’un qui en a vu une la semaine dernière.
  • Ce que des visiteurs similaires ont fait. La cooccurrence d’achats et de vues : ceux qui ont acheté A ont aussi acheté B. C’est la base des applications de recommandation en vitrine, et elle exige du volume. Sous quelques centaines de commandes par mois, le motif trouvé relève surtout du bruit.
  • Ce qu’est le produit. Des attributs tirés des titres, descriptions, étiquettes, collections et métachamps : taille, compatibilité, matière. C’est la correspondance d’attributs qui permet de proposer un étui pour un appareil photo plutôt qu’un autre appareil photo, et elle ne vaut que ce que valent vos données produit.

Les outils récents mélangent ces trois signaux et classent le résultat, souvent avec un modèle de langage qui lit les données produit et la conversation. Ce classement fait la qualité. Un modèle qui voit les attributs peut respecter une contrainte stricte comme « tient sur une étagère de 30 cm ». Un modèle qui ne voit que des compteurs d’achats ne le peut pas, quel que soit son classement.

Les cinq types que vous allez réellement déployer

Quel que soit le modèle, presque toutes les recommandations d’une boutique relèvent de cinq types. Le type décide de l’emplacement du bloc et de ce qu’il peut honnêtement promettre.

  • Personnalisé, pour vous. Construit à partir de l’historique et de la session de ce visiteur. Sa place est sur la page d’accueil et les pages de catégorie, là où aucun produit unique ne sert d’ancrage. Il faut du trafic récurrent ; à la première visite, il retombe sur les best-sellers.
  • Complémentaire, vente croisée. Les articles qui complètent l’achat : un étui pour un appareil photo, un filtre pour un objectif. Sa place est sur la page produit et dans le panier, là où l’intention de finaliser une installation existe déjà.
  • Alternatif, substitut. Le même usage à un autre prix, une autre taille ou une autre couleur. Sa place est sur la page produit, à côté de l’article consulté, et pas dans un panier rempli, où un substitut moins cher passe pour un recul de gamme.
  • Best-seller ou tendance. De la preuve sociale plutôt que de la personnalisation. Utile sur la page d’accueil et les pages de collection, parce qu’il répond à ce que d’autres ont acheté, ce qui n’est pas la même question que ce que ce visiteur devrait acheter.
  • Pack ou lot. Plusieurs articles vendus ensemble avec un avantage, comme le trépied proposé avec un appareil photo. Sa place est au panier, et il fonctionne mieux quand le lot est une vraie référence avec un vrai prix, pas une remise que le moteur invente à l’exécution.

Beaucoup d’applications mélangent ces types dans une seule ligne intitulée recommandé pour vous. C’est de là que viennent la plupart des mauvaises recommandations : un substitut là où il fallait un complément, ou un best-seller déguisé en personnalisation. Associez le type à la page avant de juger l’algorithme.

Ce qu’elles valent, et comment le vérifier

Les fournisseurs citent des pourcentages de hausse. Ces chiffres viennent d’un autre catalogue, d’autres prix et d’un autre trafic, généralement d’une période de test avec groupe témoin. Les vôtres différeront. Quatre chiffres, tous issus des statistiques Shopify ou d’un simple export, disent ce qu’un bloc rapporte vraiment :

  1. Taux de paniers multi-articles. La part des commandes comportant au moins deux lignes. Il bouge avant le chiffre d’affaires : c’est le premier signal honnête que les suggestions sont cliquées.
  2. Panier moyen. Chiffre d’affaires divisé par le nombre de commandes. BuyScout indique que les boutiques utilisant son Agent de boutique IA augmentent en général le panier moyen de 15 % à 25 % grâce aux ventes incitatives et aux ventes croisées. C’est un chiffre de fournisseur décrivant des résultats typiques, pas une garantie, à confronter à votre propre référence de 28 jours.
  3. Chiffre d’affaires par session. Il distingue un panier plus gros de commandes moins nombreuses mais plus élevées. Un bloc qui augmente le panier moyen en baissant discrètement la conversion ne vous a pas aidé.
  4. Taux de retour des articles recommandés. Un accessoire qui ne convient pas, ou une taille mal suggérée, coûte plus en retours et en temps de support que ce que rapporte la ligne supplémentaire.

Soustrayez ensuite ce que vous avez cédé. Une recommandation qui fait passer un visiteur d’un article à 60 dollars US à une alternative à 45 dollars US n’augmente rien. Une remise sur chaque suggestion peut relever la conversion et réduire la marge en même temps. Le vrai test est la marge sur coûts variables par session, avant et après, sur une durée identique. Vingt-huit jours forment une fenêtre praticable, et Shopify n’offre pas de test A/B natif en vitrine : la plupart des marchands comparent des périodes en surveillant la saisonnalité.

Une dernière mise en garde : une recommandation n’est pas incrémentale si elle ne montre que ce que le visiteur allait acheter de toute façon. Un bloc qui répète les produits associés de la page produit n’apporte rien. La valeur vient de faire apparaître un produit auquel le visiteur ne pensait pas, au moment où la suggestion lui épargne une décision.

Où elles échouent sur une boutique Shopify

La plupart des échecs sont des problèmes de données déguisés en algorithmes. Quatre reviennent :

  • Le démarrage à froid. Une nouvelle boutique, une nouvelle collection ou un produit sans historique n’ont rien à apprendre. Les modèles de cooccurrence affichent alors les meilleures ventes : sûr et terne. La correspondance d’attributs et une conversation fonctionnent dès le premier jour ; un classement fondé sur l’historique non.
  • Le stock épuisé et le catalogue périmé. Si le moteur ne lit pas le stock au niveau des variantes, il recommandera une couleur épuisée depuis mardi. Vérifiez le bloc sur un produit dont la variante populaire est en rupture.
  • La mauvaise relation. Les alternatives vont sur la page produit, les compléments dans le panier. Un moteur réglé pour l’un se comporte mal dans l’autre : un substitut moins cher sous un panier plein ressemble à un déclassement, et un étui pour chaque article sur une page de collection n’est que du bruit.
  • L’erreur assurée. Une couche de modèle de langage peut produire une recommandation précise en apparence et fausse : un filtre qui ne convient pas, un lot remisé qui n’a jamais existé. La solution est l’ancrage dans vos données, pas une meilleure formulation : chaque affirmation doit remonter à vos données produit ou à vos politiques.

Deux articles existants approfondissent les points difficiles : Recommandations de produits par IA conversationnelles traite la conception de la conversation elle-même, et la checklist du catalogue Shopify traite l’audit des données produit qui décide si un moteur peut être exact.

On juge un outil plus vite que ne l’espère un argumentaire commercial. Quatre questions, posées sur votre propre catalogue :

  1. Voit-il le stock et les variantes ? Demandez-lui une recommandation depuis un produit dont une variante est épuisée. S’il propose celle qui manque, sa couche de données est mince.
  2. Peut-il expliquer pourquoi ? Une suggestion doit venir avec une raison vérifiable par le visiteur : « compatible avec votre modèle », « même taille que votre dernière commande ». Une recommandation sans raison est ignorée.
  3. Peut-il appliquer une contrainte ? Nommez un vrai filtre de votre catalogue, largeur, compatibilité, type de peau ou taille d’animal, et regardez si la sélection le respecte ou se contente de le mentionner.
  4. Combien coûte-t-il par commande, et où vont les données ? Comparez l’abonnement mensuel à la marge sur coûts variables, pas au chiffre d’affaires, et vérifiez que l’outil est clair sur le traitement des données. BuyScout présente la conformité au RGPD et au règlement IA comme un prérequis.

La quatrième question pèse davantage aux États-Unis qu’il y a deux ans, mais les trois premières décident si l’outil fonctionne tout court.

Ce qu’une conversation change

Une rangée de recommandations déduit l’intention du comportement. Une conversation la demande. BuyScout® Agent de boutique IA est une application gratuite pour les boutiques Shopify qui installe un agent de boutique IA sur la vitrine ; il travaille à partir de vos données produit et de vos politiques, plus le contexte de la page, de la navigation, du panier et de la conversation. Voilà ce qu’une recommandation peut alors être :

  • Répondre directement à une contrainte. « Lequel tient sur une étagère de 30 cm ? » est un filtre qu’une rangée de vignettes ne sait pas exécuter.
  • Comparer sur l’attribut qui compte. Deux projecteurs côte à côte sur la luminosité, c’est un autre travail que montrer trois projecteurs de plus.
  • Suggérer au moment de l’hésitation. Quand un appareil photo entre dans le panier, l’agent peut proposer le lot trépied à 10 % de remise, l’exemple utilisé sur le site de BuyScout.
  • Expliquer la taille. Le conseil taille et coupe répond au doute qui, sinon, transforme une recommandation en retour.

BuyScout indique que les boutiques utilisant l’agent augmentent en général la conversion de 10 % à 30 %, le panier moyen de 15 % à 25 % et réduisent de 41 % les tickets de support répétitifs. Ce sont les chiffres du fournisseur, décrits comme typiques et non garantis ; votre catalogue, vos prix et votre trafic décident de ce que vous verrez.

Commencez plus petit que vous ne le pensez. Ouvrez dix pages produit et lisez les six articles affichés par le bloc. Corrigez d’abord les erreurs évidentes : rupture, mauvaise collection, substitut moins cher du même produit. Puis relevez 28 jours de taux de paniers multi-articles, de panier moyen et de chiffre d’affaires par session, installez l’outil et comparez la même fenêtre.

BuyScout® Agent de boutique IA est gratuit pour toujours et s’installe depuis le Shopify App Store en une minute environ. Placez-le sur une page produit et posez-lui une question qu’un vrai client poserait, qu’il s’agisse d’une contrainte, d’une comparaison ou d’une question de taille. C’est un test plus rapide qu’un nouvel essai d’application, et il ne coûte rien.

Autres articles

Tous les articles

Essayez maintenant

Aidez les acheteurs à trouver plus vite le bon produit

Gratuit à vie, installé en 1 minute.