Les recommandations de produits par IA aident les marques de e-commerce à montrer à chaque acheteur les articles qu’ils sont le plus susceptibles d’acheter ensuite, en fonction de la navigation, de l’historique d’achat et de ce que des clients similaires ont choisi. Les utilisations les plus pratiques sont les produits connexes sur les pages produits, les modules complémentaires dans le panier, les blocs d’e-mails personnalisés et une recherche sur site plus intelligente. Ils fonctionnent mieux lorsque les données du catalogue sont propres et que chaque emplacement a une tâche claire.
La plupart des plateformes incluent désormais une forme de moteur de recommandation. Shopify propose une API de recommandations de produits intégrée et son application Search and Discovery, WooCommerce s’appuie sur des extensions, et des outils dédiés tels que Nosto, Klevu, Algolia Recommend, Dynamic Yield et les flux de produits de Klaviyo couvrent des besoins plus avancés. Le moteur importe moins que l’endroit et la manière dont vous l’utilisez.
Comment les moteurs de recommandation par IA décident-ils de ce qu’il faut montrer ?
La plupart des systèmes combinent quelques méthodes. Le filtrage collaboratif examine le comportement : les acheteurs qui ont consulté ou acheté A ont également acheté B. Le filtrage basé sur le contenu compare les attributs du produit tels que la catégorie, la couleur, le matériau et le prix. De nombreux moteurs modernes ajoutent des données de session en temps réel, de sorte qu’un acheteur qui a cliqué sur trois chaussures de course en deux minutes voit des équipements de course plutôt que son historique d’achat de l’hiver dernier.
Les règles métier s’appliquent par-dessus. Vous pouvez généralement exclure les articles en rupture de stock, booster les produits à forte marge, masquer les articles d’une catégorie de genre différente ou maintenir les accessoires dans une fourchette de prix raisonnable par rapport à l’article principal.
Quels emplacements fonctionnent le mieux sur une page produit ?
La page produit est l’endroit où la plupart des magasins commencent. Deux widgets ont tendance à effectuer des tâches différentes, et les mélanger est une erreur courante :
- Articles similaires : alternatives pour les acheteurs qui ne sont pas convaincus par le produit actuel. Utile pour la mode, les meubles et tout ce qui implique des choix basés sur les goûts.
- Fréquemment achetés ensemble : compléments tels qu’une coque pour un téléphone ou une recharge pour un appareil. Utile pour augmenter la valeur moyenne de la commande.
- Récemment consultés : une simple aide-mémoire qui aide les acheteurs à comparer.
- Complétez le look : ensembles organisés ou générés par IA, courants dans l’habillement et la décoration intérieure.
Placez les alternatives assez haut pour attraper les personnes sur le point de partir, et les compléments près du bouton d’ajout au panier. Testez un changement à la fois.
Comment le panier et le paiement peuvent-ils utiliser les recommandations ?
Le panier est le moment de la plus forte intention, donc les recommandations ici doivent être petites, bon marché et manifestement pertinentes. Un magasin vendant des machines à café pourrait suggérer des tablettes de détartrage ou un pot à lait, pas une deuxième machine. De nombreux magasins lient cela à un seuil de livraison gratuite : “Ajoutez un article de plus pour obtenir la livraison gratuite”, suivi d’articles qui comblent l’écart.
Le paiement lui-même doit rester propre. La plupart des équipes gardent les recommandations hors de l’étape de paiement, car les distractions à cet endroit risquent d’abandonner les commandes. Une page après l’achat ou l’e-mail de confirmation de commande est un meilleur endroit pour une deuxième offre.
Les recommandations aident-elles dans l’e-mail et la recherche ?
Oui, et ce sont souvent les emplacements les plus rentables car ils atteignent des personnes qui ne sont pas sur le site. Les plateformes d’e-mail comme Klaviyo et Omnisend peuvent insérer des blocs de produits qui changent selon le destinataire : rappels de réapprovisionnement pour les consommables, articles similaires à un panier abandonné ou nouveautés dans une catégorie favorite.
La recherche sur site est l’autre grand domaine. Un acheteur qui tape une requête vous a dit exactement ce qu’il veut. Les outils de recherche par IA classent les résultats par pertinence et popularité probables, corrigent les fautes d’orthographe et comprennent les synonymes, de sorte que “baskets” trouve des produits étiquetés “chaussures de sport”. Les recherches sans résultat sont des ventes perdues, et une meilleure recherche les réduit.
Cas d’utilisation par type de magasin
- Mode : alternatives basées sur la taille et ensembles de tenues.
- Beauté : e-mails de réapprovisionnement programmés selon l’utilisation typique.
- Électronique : accessoires compatibles filtrés par modèle.
- Épicerie et animaux : listes de réapprovisionnement et invites d’abonnement.
- Articles ménagers : ensembles basés sur les pièces avec équilibre des prix.
De quelles données avez-vous besoin avant de l’activer ?
La qualité de la recommandation reflète la qualité du catalogue. Si la moitié de vos produits n’ont pas de catégorie, des noms de couleur incohérents ou des images manquantes, le moteur ne peut pas bien les comparer. Un magasin avec peu de commandes donne également peu à apprendre au filtrage collaboratif ; dans ce cas, les méthodes basées sur le contenu et les règles ont plus de poids au début.
Vérifiez ces bases : titres et catégories complets, attributs structurés tels que la taille et le matériau, niveaux de stock précis synchronisés presque en temps réel et événements de suivi pour les vues de produits, l’ajout au panier et les achats. Le consentement compte aussi. Dans les régions couvertes par le RGPD, la personnalisation basée sur le suivi dépend généralement des choix de cookies de l’acheteur, alors planifiez pour les visiteurs qui refusent.
Quelles erreurs font que les recommandations se retournent contre vous ?
L’erreur la plus courante est d’en montrer trop. Quatre carrousels sur une page produit rivalisent avec le produit principal et poussent le bouton d’ajout au panier vers le bas sur mobile. Une autre consiste à recommander des articles que l’acheteur vient d’acheter, comme un deuxième aspirateur identique un jour après l’achat. La plupart des moteurs peuvent exclure les produits récemment achetés ; assurez-vous que ce paramètre est activé.
L’équilibre des prix compte aussi. Suggérer un accessoire à 200 euros à côté d’un produit à 40 euros fonctionne rarement. Les problèmes de démarrage à froid touchent aussi les nouveaux produits, car ils n’ont pas encore de données comportementales, ils ne sont donc jamais recommandés à moins que vous n’ajoutiez une règle qui booste les nouveautés pendant une période définie. Enfin, faites attention aux widgets qui ne montrent que les meilleures ventes. Cela ressemble à de la personnalisation, mais ce n’est qu’une liste de popularité, et cela cache la longue traîne de votre catalogue.
Comment Alien Road applique les recommandations par IA pour les boutiques en ligne
Dans un engagement typique, nous commençons par un audit des données du catalogue et des événements d’analyse, car un suivi cassé rend tout test de recommandation inutile. Nous cartographions ensuite le parcours client et choisissons deux ou trois emplacements avec la tâche la plus claire, généralement des compléments de page produit, des ajouts au panier et un flux d’e-mails.
La configuration utilise les fonctionnalités de plateforme existantes du client dans la mesure du possible avant d’ajouter un outil payant. Nous définissons des règles avec l’équipe de merchandising, telles que les marges minimales et les catégories exclues, et effectuons des tests A/B là où le trafic le permet. Les rapports se concentrent sur les revenus par visiteur, la valeur moyenne de la commande et le taux de clic à l’achat pour chaque widget, examinés mensuellement. Les widgets qui ne gagnent pas leur place sont supprimés ; une page plus propre bat souvent une page encombrée.
Par où commencer cette semaine
Ouvrez l’analyse de votre boutique et trouvez vos vingt meilleurs produits par vues. Vérifiez si chacun a une catégorie complète, des attributs et au moins un complément sensé. Ensuite, ajoutez ou corrigez un seul bloc “fréquemment achetés ensemble” sur ces pages, en utilisant la fonctionnalité intégrée de votre plateforme. Mesurez la valeur moyenne de la commande pendant quatre semaines par rapport à la période précédente, et seulement alors décidez si un outil dédié vaut l’abonnement.
Continuez à lire : E-commerce · E-commerce