Calculateur de ROI d’un agent de boutique IA pour Shopify

La règle essentielle : calculez ce qui a changé parce que l’agent était disponible, et non le chiffre d’affaires réalisé après une conversation. Comparez un groupe test à un groupe témoin si la boutique dispose d’assez de données, ajoutez uniquement les coûts d’assistance réellement évités et soustrayez le coût total du programme.

L’acheteur bénéficie d’une aide pour choisir un produit ou obtenir une réponse à une question. Le marchand doit aussi pouvoir démontrer que les coûts d’exploitation génèrent une valeur additionnelle.

Ce guide s’adresse aux responsables e-commerce qui construisent l’analyse de rentabilité, aux équipes finance et données qui valident la mesure, ainsi qu’aux responsables de l’assistance qui estiment les économies réelles.

BuyScout® Agent de boutique IA est conçu pour gérer les conversations de vente et d’assistance à partir des informations de la boutique. Mais l’existence d’une conversation, d’une commande attribuée ou d’une question résolue ne prouve pas une valeur additionnelle. Un modèle de ROI étayé distingue l’activité de l’impact.

Dans la feuille de calcul, remplacez chaque donnée d’exemple par les données de votre propre boutique. Elle accepte des taux de conversion distincts pour les groupes test et témoin, des valeurs de commande corrigées des retours et des marges. Elle calcule ensuite la marge brute par session admissible de chaque groupe, l’écart additionnel, les économies de trésorerie vérifiées, le coût du programme et le ROI, tout en affichant des contrôles destinés à révéler les doubles comptages.

Télécharger le calculateur modifiable du ROI d’un agent de boutique IA

Démarrage rapide : faites une copie, choisissez le niveau de mesure le plus rigoureux que votre boutique puisse appliquer, remplacez les cellules jaunes par des données de la boutique couvrant la même période, puis examinez chaque contrôle avant d’utiliser le résultat dans une décision budgétaire.

La feuille de calcul et ce plan de mesure sont des outils d’aide à la décision, et non des promesses de résultats.

Dans ce guide

• Sources de valeur et formule causale
• Conception du groupe témoin et niveaux de mesure
• Données, calculateur et exemple chiffré
• Précautions contre le double comptage et lacunes de suivi
• Revue opérationnelle mensuelle

Commencez par des sources de valeur vérifiables

Commencez par des sources de valeur observables et vérifiables de façon indépendante. La plupart des marchands Shopify en examineront quatre :

L’engagement est utile, mais ce n’est pas une source de valeur en soi. Les conversations, les clics sur les recommandations, les évaluations de réponses et les transferts aident à diagnostiquer l’expérience. Ils ne doivent pas être directement convertis en valeur monétaire.

Le référentiel des champs d’analyse de Shopify définit des indicateurs tels que le panier moyen, la marge brute, le taux de marge brute, le taux de conversion produit et le taux d’ajout au panier. Utilisez ces définitions de manière cohérente. Les valeurs de commande corrigées des retours par commande incluse, distinctes pour les groupes témoin et test, utilisées par le calculateur sont des hypothèses de planification définies par le marchand, et non le panier moyen Shopify ; indiquez les déductions appliquées et utilisez la même base pour les deux groupes.

La formule causale du ROI

Le modèle de vente défendable le plus simple utilise l’écart entre un groupe test, pour lequel l’agent de boutique IA est disponible, et un groupe témoin, pour lequel il ne l’est pas. La version simplifiée ci-dessous suppose une valeur de commande corrigée des retours et une marge communes. Le classeur téléchargeable applique la méthode plus générale de la marge brute par session admissible présentée juste après, afin que les paramètres économiques des groupes témoin et test puissent différer.

commandes additionnelles au déploiement modélisé
  = sessions admissibles modélisées
  × (taux de conversion du groupe test - taux de conversion du groupe témoin)

ventes additionnelles corrigées des retours
  = commandes additionnelles
  × valeur commune de commande corrigée des retours par commande incluse

marge brute additionnelle
  = ventes additionnelles corrigées des retours
  × taux de marge brute

économies vérifiées sur les coûts d’assistance
  = heures d’assistance rémunérées qui ne sont plus planifiées ou achetées
  × coût horaire chargé ou coût horaire du prestataire applicable

bénéfice total vérifié
  = marge brute additionnelle
  + économies vérifiées sur les coûts d’assistance
  + autres économies de trésorerie vérifiées indépendamment

bénéfice net
  = bénéfice total vérifié
  - coût total du programme d’agent de boutique IA

ROI
  = bénéfice net
  ÷ coût total du programme d’agent de boutique IA

Pour une estimation sur la période de l’expérience, utilisez les sessions du groupe test à la première ligne. Pour une projection en déploiement complet, utilisez toutes les sessions qui devraient être admissibles et indiquez qu’il s’agit d’une extrapolation. Ne multipliez jamais l’écart de taux par l’échantillon combiné du test en présentant le résultat comme l’effet observé du traitement.

Estimez si possible la valeur de commande corrigée des retours après remises et retours attendus, sans présenter cette donnée personnalisée comme le « panier moyen Shopify ». Shopify définit la marge brute comme les ventes nettes diminuées du coût des marchandises vendues. Si la préparation des commandes, le paiement ou d’autres coûts par commande sont significatifs, utilisez plutôt la marge sur coûts variables et documentez ces déductions.

Si le traitement modifie la valeur de commande, les retours ou la composition des produits, évitez d’ajouter séparément les gains de conversion et de valeur de commande. Privilégiez un résultat unique au niveau du groupe :

marge brute additionnelle au déploiement modélisé
  = sessions admissibles modélisées
  × (marge brute du groupe test par session admissible
     - marge brute du groupe témoin par session admissible)

Pour obtenir rapidement une tendance, la marge brute constitue un point de départ raisonnable. Pour un modèle suffisamment robuste pour une analyse financière, remplacez-la par la marge sur coûts variables et documentez précisément les coûts inclus.

Note opérationnelle : conservez les données brutes à côté du résultat. Toute personne chargée de le contrôler doit pouvoir modifier une hypothèse et voir immédiatement le résultat se mettre à jour.

Le chiffre d’affaires assisté n’est pas un chiffre d’affaires additionnel

Une commande assistée a été passée après que l’acheteur a interagi avec l’agent. Une commande additionnelle a été passée parce que l’agent était disponible. Ces groupes se recoupent, mais ne sont pas identiques.

Un acheteur qui pose une question sur la livraison avant d’acheter aurait peut-être effectué son achat malgré tout ; un autre peut revenir plus tard sur un appareil différent. L’attribution décrit un parcours, tandis qu’une comparaison avec un groupe témoin estime la causalité.

Shopify propose plusieurs modèles d’attribution marketing et précise que l’attribution à n’importe quel clic peut accorder plus de crédit que ne le justifie le nombre de commandes reçues. Le chiffre d’affaires attribué facilite l’analyse, mais ne constitue pas à lui seul un numérateur fiable pour le ROI.

Conservez le chiffre d’affaires assisté dans le tableau de bord. Étiquetez-le simplement de manière exacte : il est descriptif, pas causal.

Menez un test avec groupe témoin avant d’attribuer un effet causal

Le protocole pratique le plus robuste affecte aléatoirement les acheteurs admissibles à l’une de deux variantes de l’expérience :

• Groupe test : l’agent de boutique IA est disponible.
• Groupe témoin : l’agent de boutique IA n’est pas disponible.

Affectez la variante avant que l’acheteur décide ou non d’interagir. Comparer les personnes qui ont discuté avec l’agent à celles qui ne l’ont pas fait crée un biais d’auto-sélection : les personnes qui ont des questions difficiles, une forte intention d’achat ou un panier complexe peuvent être plus susceptibles d’ouvrir la fenêtre de discussion.

Conservez l’affectation dans le temps et maintenez les prix, promotions, sources de trafic, thème et stocks aussi stables que le permettent les opérations. Consignez les changements inévitables.

Adoptez une analyse en intention de traiter : mesurez toutes les personnes affectées, pas seulement celles qui ont ouvert l’agent.

Avant le lancement, consignez :

• L’audience admissible et le résultat principal, généralement le taux d’achat ou la marge brute par session admissible.
• Les indicateurs garde-fous, tels que le taux de remboursement, le taux d’annulation, le taux de transfert, le temps de réponse et les réclamations des acheteurs.
• La méthode d’affectation, la répartition, la durée prévue et la règle de décision.
• Les événements susceptibles d’invalider le test, comme une promotion importante, une rupture de stock ou un incident de paiement.

Ne vous arrêtez pas à la première variation positive. Si un groupe témoin randomisé est impossible, procédez à un déploiement progressif ou comparez des périodes appariées, puis présentez le résultat comme moins probant sur le plan causal.

Niveaux de mesure pour les boutiques disposant de peu de données

Choisissez le niveau de mesure d’après le nombre de sessions admissibles et d’achats attendus, pas d’après des étiquettes telles que « petite » ou « grande ». Une boutique qui enregistre peu de sessions mais de nombreux achats répétés peut disposer de davantage d’informations exploitables qu’une boutique au trafic supérieur dont le taux d’achat est très faible.

Avant de choisir la taille de l’échantillon, demandez à un analyste d’utiliser le taux d’achat de référence de la boutique, l’effet minimal susceptible d’influencer la décision, le niveau de confiance souhaité et la répartition prévue. Un seuil de trafic générique ne permet pas de répondre à cette question. Lorsque le niveau 1 est la seule option responsable, consignez la valeur opérationnelle et laissez le chiffre d’affaires additionnel à zéro dans le calculateur.

Données à saisir et sources du calculateur

Utilisez autant que possible les données du marchand. Les moyennes du secteur reflètent mal les paramètres économiques d’un catalogue particulier.

Le récapitulatif de conversion des commandes de Shopify aide à analyser les visites et les sites référents, mais peut être limité par le blocage des cookies, les boutiques headless ou d’autres parcours de commande. Il ne remplace pas l’affectation expérimentale.

Si vous évaluez l’agent dans le cadre d’un choix entre développement interne, achat et solution hybride, utilisez le guide sur le choix entre développer et acheter, accompagné de sa feuille de calcul du coût total de possession afin d’établir le coût du programme avant de calculer le ROI.

Utilisez le calculateur de ROI modifiable

Téléchargez le calculateur de ROI, faites-en une copie et remplissez les cellules de saisie jaunes avec les données issues de Shopify, des finances, de l’affectation, du personnel et des prestataires. Les valeurs de départ sont expressément données à titre d’exemple : ce ne sont ni des références sectorielles, ni des résultats de BuyScout® Agent de boutique IA, ni des promesses. Elles doivent être remplacées avant toute décision.

1. Définissez la période et la population admissible. Utilisez les sessions du groupe test pour estimer la période de l’expérience. N’utilisez toutes les sessions admissibles attendues que pour une projection de déploiement clairement indiquée.
2. Saisissez les paramètres économiques de chaque groupe. Utilisez des valeurs de commande corrigées des retours cohérentes et définies par le marchand pour les groupes témoin et test, puis saisissez la marge brute ou sur coûts variables de chaque groupe. Le classeur calcule directement la marge brute par session admissible des groupes témoin et test, ainsi que l’écart additionnel.
3. Saisissez les économies de trésorerie liées à l’assistance. N’incluez que les heures rémunérées ou unités externalisées qui ne sont plus planifiées ou achetées.
4. N’ajoutez d’autres économies de trésorerie que si elles ont été vérifiées de façon indépendante. N’utilisez pas cette ligne pour une capacité théorique, le chiffre d’affaires assisté ou une valeur déjà prise en compte ailleurs.
5. Saisissez le coût total du programme. Incluez le logiciel, la configuration, l’intégration, le suivi, la maintenance du contenu et le temps d’exploitation interne pour la même période.
6. Examinez les contrôles. Vérifiez que le chiffre d’affaires assisté, les paniers récupérés et la capacité salariée réaffectée n’ont pas été ajoutés une seconde fois.

Le classeur distingue les abonnements logiciels et prestataires, la configuration et le suivi internes, ainsi que les autres coûts du programme. Utilisez Autres coûts du programme pour l’intégration, les sous-traitants, les services externes, la maintenance du contenu ou tout autre coût de la période qui ne figure pas dans les deux premières lignes.

Le classeur calcule la marge brute par session admissible des groupes témoin et test, la marge brute additionnelle, les économies de trésorerie vérifiées sur l’assistance, le bénéfice total, le bénéfice net et le ROI. Un champ vide ne prouve pas que le coût ou l’effet est nul ; complétez les champs significatifs avant d’utiliser le résultat dans une décision budgétaire.

Lorsqu’une expérience randomisée est impossible, la même feuille de calcul peut consigner une estimation indicative. Indiquez la méthode et ses limites à côté du résultat au lieu de le présenter comme un ROI causal.

Exemple chiffré hypothétique

Calcul donné uniquement à titre d’exemple : ces données ne constituent ni une référence, ni un résultat de BuyScout® Agent de boutique IA, ni une prévision pour une autre boutique.

Supposons qu’un marchand modélise 10 000 sessions admissibles. Le groupe témoin convertit à 2,0 % et le groupe test à 2,2 %. Les deux groupes utilisent une valeur de commande corrigée des retours de 80 $ et une marge brute de 50 %. La marge brute du groupe témoin par session admissible est de 0,80 $, contre 0,88 $ pour le groupe test. Appliqué à 10 000 sessions, l’écart de 0,08 $ produit 800 $ de marge brute additionnelle.

Si les données de personnel confirment aussi que 300 $ de coûts d’assistance rémunérée ont été évités, le bénéfice total vérifié atteint 1 100 $. Si, sur la même période, les logiciels et prestataires coûtent 600 $, la configuration et le suivi internes 200 $, et les autres coûts du programme 0 $, le coût total du programme est de 800 $. Le bénéfice net est donc de 300 $ et le ROI de 37,5 % (300 $ ÷ 800 $). Toute modification d’une hypothèse ou de l’état des preuves doit mettre à jour la conclusion.

Six règles pour éviter le double comptage

Appliquez ces règles pour éviter tout double comptage :

1. Comptez une commande une seule fois. Si les paniers récupérés sont inclus dans l’écart de conversion entre les groupes test et témoin, n’ajoutez pas à nouveau le chiffre d’affaires des paniers récupérés.
2. Choisissez le chiffre d’affaires ou le bénéfice. Le chiffre d’affaires additionnel est une étape intermédiaire. La valeur utilisée dans le ROI est la marge brute ou sur coûts variables qui en résulte.
3. Distinguez conversion et valeur de commande. Si le test estime directement la marge brute par session admissible, n’ajoutez pas aussi des bénéfices indépendants de conversion et de valeur de commande.
4. Ne monétisez pas chaque réponse automatisée. Le coût complet du travail ne s’applique qu’aux heures qui ne sont plus rémunérées ou achetées. Considérez le temps salarié réaffecté comme une capacité ; ne monétisez sa production que si elle est mesurée indépendamment et n’est pas déjà prise en compte ailleurs.
5. Soustrayez les remises et les retours. Une vente obtenue grâce à une incitation coûteuse ou suivie d’un retour ne vaut pas le montant payé lors de la commande.
6. Excluez l’attribution du total causal. Le chiffre d’affaires assisté et attribué peut expliquer le mécanisme, mais ne s’ajoute pas à l’effet expérimental.

Une question de contrôle utile consiste à demander : « La même commande, la même heure ou le même montant pourrait-il figurer sur une autre ligne ? » Si oui, regroupez-les.

Traitez explicitement les lacunes de suivi

Les résultats de Shopify Analytics et de Google Analytics peuvent différer, car leurs définitions ne sont pas les mêmes et qu’ils sont affectés par JavaScript, les cookies, les bloqueurs, les fuseaux horaires, les paramètres de confidentialité et la connectivité. Consultez les conseils de Shopify sur les écarts, choisissez un système d’affectation comme source de vérité de l’expérience et rapprochez les commandes finalisées des données transactionnelles de Shopify.

Consignez la part du trafic admissible qui n’a pas pu être mesurée et décrivez la population représentée par le résultat. Ne contournez pas le consentement et n’envoyez pas aux outils d’analyse le texte brut des conversations, des adresses e-mail, des numéros de téléphone ou d’autres données à caractère personnel permettant d’identifier quelqu’un ; Google Analytics interdit la collecte de données personnelles identifiables.

Défaillances susceptibles d’invalider le résultat

Après le contrôle du double comptage, recherchez les défaillances de conception et d’exploitation qui peuvent encore rendre le résultat peu fiable :

• Utiliser des définitions différentes de l’admissibilité, des commandes ou de la marge pour les groupes test et témoin.
• Laisser les promotions, ruptures de stock, sources de trafic, modifications du thème ou pannes affecter un groupe sans consigner le déséquilibre.
• S’arrêter à la première variation positive ou ne sélectionner que les dates ou segments favorables.
• Appliquer la marge d’une catégorie à une composition de produits sensiblement différente dans le groupe test.
• Ne pas quantifier les lacunes de couverture de l’affectation ou les divergences de définition des outils d’analyse.
• Ignorer des pages plus lentes, de mauvaises réponses, des réclamations, des affirmations risquées ou des transferts excessifs sous prétexte que le résultat financier est positif.

Le ROI n’est pas le seul critère de décision. Un traitement qui augmente la marge brute à court terme tout en générant des affirmations risquées ou une moins bonne expérience d’assistance ne doit pas être déployé sans modification.

Liste de contrôle mensuelle

Utilisez cette liste de contrôle opérationnelle après la première expérience :

• Recalculer la conversion et la marge brute avec des définitions cohérentes.
• Comparer les groupes test et témoin ou conserver un petit groupe témoin permanent lorsque cela est pertinent.
• Rapprocher les remises, remboursements, annulations et coûts des produits.
• Valider les heures d’assistance avec les données de personnel ou des prestataires.
• Examiner l’exactitude des réponses, les transferts, la latence et les réclamations.
• Vérifier si des changements de catalogue, de stock ou de politique ont affecté les résultats.
• Consigner la couverture du consentement et les lacunes de suivi.
• Mettre à jour le coût du programme avec le temps d’exploitation interne.
• Mettre à jour les hypothèses du calculateur, les liens vers les preuves et la période d’analyse.

Note opérationnelle : une revue mensuelle doit déboucher sur des décisions, et non sur de simples graphiques. Améliorez les connaissances insuffisantes, modifiez un garde-fou, étendez un cas d’usage concluant ou suspendez-en un qui présente des risques.

À lire aussi

• Comment utiliser les questions des clients pour améliorer les pages produit Shopify
• Recommandations de produits conversationnelles par IA pour Shopify
• Agent de boutique IA pour Shopify : développer ou acheter ?

Calculez avant d’annoncer un ROI

Commencez par un cas d’usage restreint, conservez un groupe témoin lorsque les données le permettent et laissez la marge brute et les résultats pour les acheteurs — plutôt que les gros titres sur le chiffre d’affaires assisté — déterminer ce qu’il faut étendre.

Télécharger le calculateur de ROI modifiable

Pour tester l’expérience sous-jacente avec votre propre catalogue, découvrez BuyScout® Agent de boutique IA ou consultez les tarifs actuels. BuyScout® Agent de boutique IA ne garantit aucun ROI particulier ; les résultats dépendent de la boutique, du catalogue, du trafic, des marges, de la mise en œuvre et du protocole de mesure.