Live chat du service client Shopify : joindre Shopify ou gérer le vôtre
Le chat du support Shopify fonctionne 24 h/24, sur tous les forfaits. Comment le joindre, et comment offrir à vos clients des réponses rapides qui vendent.
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.

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.
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.
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.
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.
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.
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 :
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.
La plupart des échecs sont des problèmes de données déguisés en algorithmes. Quatre reviennent :
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 :
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.
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 :
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.
Essayez maintenant
Gratuit à vie, installé en 1 minute.