Les recommandations de produits par AI en B2B suggèrent la pièce, le plan, l’extension ou la commande répétée dont un acheteur professionnel est susceptible d’avoir besoin, en fonction de l’historique des achats, du type de compte et du comportement. Contrairement aux magasins grand public, les recommandations B2B traitent des prix contractuels, des commandes répétées, de la compatibilité technique et de plusieurs personnes achetant pour une seule entreprise. Le guide consiste à commencer par des suggestions de réapprovisionnement et de compatibilité, où la logique est claire, et à ne se développer que lorsque les données le prouvent.
En quoi les recommandations B2B diffèrent-elles du B2C ?
Un magasin de mode recommande en fonction des goûts et des tendances. Un distributeur B2B recommande en fonction de ce qu’une installation utilise, de ce qu’elle a commandé au dernier trimestre et de ce qui correspond à la machine qu’elle a déjà achetée. Les acheteurs achètent souvent pour un besoin connu, donc une mauvaise suggestion leur fait perdre plus de temps qu’elle ne les tente.
La structure du compte compte également. Une entreprise peut avoir un responsable des achats, un ingénieur et un approbateur financier, chacun utilisant le portail différemment. Les recommandations doivent être liées au compte et, si nécessaire, au rôle, et non seulement à la session utilisateur unique.
Quelles données alimentent les recommandations par AI ?
La plupart des systèmes apprennent à partir d’un mélange de signaux :
- Historique des commandes par compte, y compris la fréquence et les quantités typiques.
- Relations entre produits telles que les pièces compatibles, les consommables et les remplacements.
- Comportement de navigation et de recherche sur le portail ou le site Web.
- Attributs de compte tels que l’industrie, la taille et la région.
- Données de catalogue avec des catégories et des attributs propres.
Les données de compatibilité sont souvent la partie la plus difficile. Si le catalogue n’enregistre pas quel filtre correspond à quelle unité, le modèle devine à partir des modèles d’achat conjoint, ce qui peut être erroné pour les produits rares. Corriger les données de relation produit est payant au-delà des recommandations, car cela améliore également la recherche et le support commercial.
Quelles plateformes proposent des recommandations B2B ?
Plusieurs plateformes de commerce incluent des recommandations par AI avec des fonctionnalités B2B. Adobe Commerce, construit sur Magento, propose des recommandations de produits optimisées par Adobe Sensei. Salesforce Commerce Cloud inclut les recommandations Einstein, et son édition B2B Commerce prend en charge les achats basés sur les comptes. Shopify Plus dispose de fonctionnalités B2B et d’un écosystème d’applications pour les recommandations. Des moteurs dédiés tels qu’Algolia Recommend, Bloomreach et Vertex AI Search pour le commerce de Google Cloud peuvent s’intégrer sur la plupart des piles.
Les équipes de vente peuvent également utiliser des recommandations. Les CRM tels que Salesforce et HubSpot peuvent afficher des ventes croisées suggérées sur les enregistrements de compte, afin que les représentants les soulèvent lors des appels au lieu de se fier à leur mémoire.
Règles plus modèles
L’apprentissage automatique pur est rarement suffisant en B2B. La plupart des configurations fonctionnelles combinent des règles métier, telles que “toujours afficher le kit de joints correspondant pour cette pompe” ou “ne jamais suggérer d’articles abandonnés”, avec des suggestions basées sur des modèles pour tout le reste. Les règles couvrent les cas où se tromper est coûteux ; le modèle couvre la longue traîne où personne n’a le temps d’écrire des règles. Gardez les règles dans une liste que l’équipe produit peut modifier sans développeur.
Où les recommandations doivent-elles apparaître ?
Placez-les là où l’acheteur prend déjà une décision. Les emplacements forts incluent la page de réapprovisionnement (“articles que vous commandez habituellement avec ceci”), le panier (“accessoires requis”), la page produit (“pièces compatibles”) et les e-mails de réapprovisionnement synchronisés avec les cycles de réapprovisionnement typiques. Un widget de tableau de bord qui dit “recommandé pour vous” sans contexte a tendance à être ignoré.
Respectez les prix contractuels et les stocks
Affichez le prix négocié de l’acheteur et la disponibilité réelle dans chaque recommandation. Une suggestion qui affiche le prix catalogue, ou un article en rupture de stock prolongée, nuit à la confiance dans tout le portail.
Comment mener un projet pilote ?
Les pilotes en B2B doivent être mesurés par rapport à un groupe témoin, car les grands comptes auraient souvent commandé de toute façon. Un plan simple :
- Choisissez un emplacement, comme les accessoires de panier, et une catégorie de produit.
- Divisez les comptes en groupes de test et de contrôle de taille et de valeur de commande similaires.
- Exécutez pendant au moins un cycle de réapprovisionnement complet, souvent de six à douze semaines.
- Comparez la valeur moyenne de la commande, le taux d’attachement pour les articles suggérés et la fréquence des commandes.
- Examinez un échantillon de recommandations avec un expert produit pour en vérifier l’exactitude.
Si le groupe de test ne surpasse pas le contrôle en termes de taux d’attachement, examinez la qualité des données avant de blâmer l’algorithme. Vérifiez également que les deux groupes ont bénéficié d’une attention commerciale similaire pendant le test, car une campagne de représentants ciblant les comptes de test fausserait la comparaison.
Quelles mesures montrent une valeur réelle ?
Le taux de clics sur les recommandations est un signal faible en soi. De meilleures mesures sont les revenus provenant d’articles recommandés qui n’avaient pas été achetés précédemment par ce compte, le taux d’attachement pour les accessoires et les consommables, la réduction des tickets de support concernant les mauvaises pièces et le temps gagné pour les représentants commerciaux préparant les appels. Surveillez également la marge, car les recommandations qui poussent des articles à faible marge peuvent augmenter les revenus tout en réduisant les bénéfices.