Les recommandations de produits par AI sont des systèmes qui prédisent quels produits un acheteur est le plus susceptible de vouloir ensuite, en utilisant le comportement de navigation et d’achat, les attributs du produit et le contexte tel que l’appareil ou la saison. Pour les marketeurs, elles ne sont plus seulement une bande “vous pourriez aussi aimer” : elles façonnent les pages d’accueil, les e-mails, les résultats de recherche, les publicités et, de plus en plus, les assistants d’achat par AI qui répondent aux questions en langage naturel.
Comment fonctionnent les moteurs de recommandation ?
La plupart des systèmes combinent plusieurs méthodes. Le filtrage collaboratif trouve des modèles parmi les acheteurs : les personnes qui ont acheté A ont aussi acheté B. Le filtrage basé sur le contenu compare les attributs du produit, tels que la couleur, le matériau ou la marque. Les systèmes plus récents ajoutent des modèles d’apprentissage profond qui lisent les séquences d’actions dans une session et, dans certains cas, des modèles de langage qui comprennent les descriptions et les avis sur les produits.
Le résultat est une liste classée de produits pour un emplacement donné, comme une page produit, un panier ou un e-mail. Les meilleurs systèmes se réentraînent souvent, de sorte qu’une tendance soudaine ou un changement de stock apparaît rapidement.
Quels outils les boutiques utilisent-elles réellement ?
Le choix dépend de la plateforme et de la taille du catalogue.
- Shopify : application Search & Discovery intégrée pour les produits associés, plus des applications comme Rebuy, LimeSpot et Klaviyo pour les recommandations par e-mail
- WooCommerce : plugins et services externes, y compris Klaviyo, Clerk.io et Algolia Recommend
- Enterprise : Google Cloud’s Vertex AI Search for commerce, Amazon Personalize, Salesforce Commerce Cloud Einstein, Adobe Commerce avec les fonctionnalités Adobe Sensei, Bloomreach, Dynamic Yield
- E-mail et CRM : Klaviyo, Braze, Insider et Salesforce Marketing Cloud proposent des blocs de produits alimentés par le comportement
Beaucoup d’entre eux sont configurés par des marketeurs, et non par des data scientists. Cela déplace le travail de la construction de modèles vers le choix des stratégies, des emplacements et des règles.
Où les marketeurs utilisent-ils les recommandations ?
Les recommandations apparaissent tout au long du parcours client. Chaque emplacement a un rôle différent.
Sur le site
- Page d’accueil : articles populaires ou tendance pour les nouveaux visiteurs, sélections personnalisées pour les visiteurs récurrents
- Page produit : articles similaires et fréquemment achetés ensemble
- Panier : compléments et accessoires à bas prix
- Recherche : re-classement des résultats selon l’intérêt probable
- Pages vides ou en rupture de stock : alternatives proches au lieu d’une impasse
Hors site
- E-mails de navigation et de panier abandonnés avec des produits associés
- E-mails après achat avec des articles complémentaires, programmés pour être utilisés
- Publicités dynamiques pour produits sur Meta et Google, alimentées par le catalogue et les données de pixels
Conversationnel
- Assistants d’achat par AI sur le site qui répondent à “quelle est une bonne chaussure de course pour les pieds plats ?” et suggèrent des produits
- Données produits qui alimentent les réponses dans des outils comme ChatGPT shopping et le mode AI de Google, où les flux de produits propres et les avis comptent
Que contrôlent les marketeurs ?
Même avec des modèles automatisés, le marketeur définit le cadre. De mauvais paramètres produisent de mauvaises recommandations, peu importe la qualité du modèle.
- Stratégie par emplacement : similaire, complémentaire, tendance, récemment consulté, personnalisé
- Règles métier : exclure les articles en rupture de stock, définir des marges minimales, promouvoir les nouvelles collections
- Diversité : éviter d’afficher cinq articles presque identiques
- Démarrage à froid : ce que voient les nouveaux visiteurs et les nouveaux produits avant qu’il n’y ait des données
- Placement et design : où se trouve le bloc et combien d’articles il affiche
- Tests : tests A/B entre stratégies ou contre aucune recommandation
Quelles sont les limites et les risques ?
Les recommandations amplifient ce qui se vend déjà. Sans règles, quelques best-sellers remplissent chaque emplacement et les nouveaux produits ne sont jamais exposés. C’est bon pour les clics à court terme et mauvais pour la gamme et la marge.
Les règles de confidentialité s’appliquent également. La personnalisation basée sur le suivi dépend du consentement en vertu du RGPD, de la KVKK et de lois similaires. Les acheteurs qui refusent les cookies ont toujours besoin de recommandations sensées et non personnelles.
- Bulles de filtrage : les acheteurs voient plus de la même chose et moins de la gamme
- Qualité des données : des catégories incorrectes ou des attributs manquants produisent des suggestions étranges
- Sur-personnalisation : des recommandations qui semblent invasives, surtout sur les produits sensibles
- Attribution : les fournisseurs créditent souvent le widget pour des ventes qui auraient eu lieu de toute façon
Comment savoir si elles fonctionnent ?
Le test honnête est une expérience : montrez des recommandations à un groupe et pas à un autre, ou comparez deux stratégies. Les clics sur le widget ne sont pas une preuve de valeur.
Suivez le revenu par visiteur, la valeur moyenne de commande et le taux de conversion entre les groupes. Surveillez également la marge, car les compléments bon marché peuvent augmenter le nombre de commandes mais pas le profit.
De quelles données produits les recommandations ont-elles besoin ?
Les moteurs apprennent de deux sources : le comportement et les données du catalogue. Le comportement provient d’événements de suivi tels que les vues de produits, les ajouts au panier et les achats, chacun avec un ID produit. Les données du catalogue proviennent de votre flux de produits : titres, catégories, attributs, prix, stock et images.
Des données de catalogue faibles sont la raison la plus courante pour laquelle les recommandations semblent aléatoires. Une boutique de mode qui stocke la couleur uniquement dans le titre du produit, et non comme un champ, ne peut pas demander au moteur de suggérer “la même robe dans une autre couleur”. Une boutique d’articles ménagers avec trois orthographes différentes d’une catégorie divise ses propres données.
- Catégories cohérentes avec une hiérarchie claire
- Attributs comme champs séparés : couleur, taille, matériau, style, gamme de prix
- Niveaux de stock précis synchronisés au moins quotidiennement
- IDs produits propres qui correspondent sur le site, le flux et l’analyse
- Bonnes images, car certains moteurs utilisent aussi la similarité visuelle
Comment l’AI générative change-t-elle les recommandations ?
Les modèles de langage ajoutent une nouvelle couche. Au lieu d’une grille de produits, un acheteur peut décrire un besoin et obtenir une courte liste avec des raisons. Shopify, Amazon avec Rufus et de nombreux outils tiers proposent désormais ce type d’assistant.
Pour les marketeurs, cela augmente la valeur des descriptions de produits riches, des spécifications claires et des avis réels, car l’assistant les lit pour décider quoi suggérer. Un produit avec une description vague de deux lignes est difficile à recommander avec confiance pour n’importe quel assistant.
Comment Alien Road applique les recommandations de produits par AI
Dans un engagement e-commerce typique, nous commençons par un audit du catalogue et des données : attributs de produits, catégories, flux de stock et configuration du consentement. Les lacunes à ce niveau limitent tout moteur de recommandation, donc les corriger est la priorité.
Nous cartographions ensuite les emplacements sur le site et les flux d’e-mails, choisissons une stratégie pour chacun et définissons des règles métier pour le stock, la marge et la diversité. Les tests commencent sur les emplacements à fort trafic, généralement les pages produits et le panier.
La mesure utilise des groupes témoins là où la plateforme le permet, et les rapports comparent le revenu par visiteur, la valeur de commande et la marge entre les groupes. Nous rapportons ce que montrent les tests, y compris les emplacements où les recommandations n’ont fait aucune différence.
Par où commencer cette semaine
Listez chaque endroit où votre boutique affiche des recommandations aujourd’hui et la stratégie que chacune utilise. De nombreuses boutiques trouvent le même paramètre “produits associés” partout. Changez un emplacement, comme le panier, pour des articles complémentaires à bas prix avec une règle de stock, et exécutez-le pendant deux semaines par rapport à la version actuelle. Comparez la valeur moyenne de commande entre les deux groupes avant de changer l’emplacement suivant.
Continuer la lecture : E-commerce · E-commerce