Les recommandations de produits par AI utilisent l’historique des achats, le comportement de navigation et les attributs des produits pour suggérer des articles que chaque acheteur est susceptible de vouloir, sur les pages produits, dans les paniers, dans les e-mails et dans les publicités. Dans les campagnes clients, elles fonctionnent lorsque les données du catalogue sont propres, que les emplacements correspondent à l’étape de l’acheteur et que chaque widget est testé par rapport à une base de référence simple, comme les meilleures ventes.
Comment fonctionnent les recommandations de produits par AI ?
Les moteurs de recommandation reposent sur quelques familles de méthodes. Le filtrage collaboratif trouve des modèles parmi les acheteurs : les personnes qui ont acheté une tente ont souvent aussi acheté un tapis de sol. Le filtrage basé sur le contenu compare les attributs des produits tels que la catégorie, la couleur, le matériau et le prix. Les systèmes modernes les combinent avec des modèles de machine learning qui pondèrent le comportement récent, le contexte de la session et les règles métier.
La plupart des boutiques ne construisent pas cela elles-mêmes. Shopify propose des recommandations de produits natives et une application Search & Discovery, et de nombreux marchands ajoutent des applications telles que Rebuy, LimeSpot ou Nosto. Les boutiques WooCommerce utilisent des plugins ou connectent des moteurs externes. Les grands détaillants utilisent des plateformes telles que Vertex AI Search for commerce de Google Cloud, Amazon Personalize, Dynamic Yield ou Algolia Recommend. Les plateformes d’e-mail comme Klaviyo incluent des blocs de recommandation créés à partir des données de la boutique.
Le moteur n’est aussi bon que ses entrées. Les catégories manquantes, les titres incohérents et les produits sans informations de stock produisent des suggestions étranges.
Où apparaissent les recommandations dans une campagne ?
Emplacements sur le site
- Page produit : articles similaires et fréquemment achetés ensemble.
- Panier et paiement : ajouts à faible coût qui complètent la commande.
- Page d’accueil : sélections personnalisées et vues récemment pour les visiteurs récurrents.
- Résultats de recherche vides : alternatives au lieu d’une impasse.
- Page post-achat : articles complémentaires ou réapprovisionnement.
E-mail et messagerie
Les flux de panier abandonné, de navigation abandonnée et post-achat fonctionnent mieux lorsqu’ils affichent des produits pertinents plutôt qu’un bloc fixe de meilleures ventes. Klaviyo et des outils similaires remplissent ces emplacements automatiquement à partir des données de catalogue et d’événements.
Publicité payante
Les publicités dynamiques pour produits sur Meta (publicités de catalogue Advantage+) et Performance Max de Google avec un flux Merchant Center sont des systèmes de recommandation à part entière : les plateformes choisissent quels produits montrer à qui. La qualité du flux et le regroupement des produits affectent fortement ce qu’elles choisissent.
De quelles données les recommandations ont-elles besoin ?
Avant qu’un widget ne soit mis en ligne, nous vérifions les fondations des données :
- Un flux de produits complet avec des titres, catégories, prix, images et état des stocks précis.
- Suivi des événements pour les vues de produits, les ajouts au panier et les achats, envoyé de manière cohérente au moteur et aux analyses telles que GA4.
- Suffisamment de trafic et de commandes pour que des modèles se forment ; les petits catalogues avec peu de commandes peuvent mieux fonctionner avec des sélections basées sur des règles.
- Règles métier : exclure les articles en rupture de stock, respecter les marges minimales, éviter de recommander une version moins chère de ce qui est déjà dans le panier.
- Gestion du consentement : les recommandations personnalisées basées sur le comportement dépendent du consentement aux cookies de l’acheteur en vertu du RGPD ou de la KVKK, et le repli pour les visiteurs ne donnant pas leur consentement doit toujours fonctionner.
Comment testons-nous si les recommandations fonctionnent ?
Un widget de recommandation semble toujours utile, c’est pourquoi il doit être testé. La comparaison honnête se fait par rapport à une alternative simple : les meilleures ventes dans la même catégorie, ou aucun widget du tout.
Notre méthode habituelle :
- Choisissez un emplacement, comme le panier, et une métrique importante, comme la valeur moyenne de la commande.
- Exécutez un test A/B où la moitié des visiteurs voit les recommandations par AI et l’autre moitié voit les meilleures ventes.
- Exécutez-le assez longtemps pour couvrir au moins deux cycles hebdomadaires complets et suffisamment de commandes pour une lecture significative.
- Regardez au-delà de la métrique principale : vérifiez le taux de conversion, afin qu’une valeur de commande plus élevée ne cache pas moins de commandes.
- Segmentez les résultats par visiteurs nouveaux et récurrents, car la personnalisation aide généralement davantage les acheteurs récurrents.
De nombreuses applications rapportent leur propre attribution de revenus, comptant souvent toute commande incluant une recommandation cliquée. Ces chiffres ont tendance à être généreux. Un test contrôlé est la seule lecture fiable.
Comment Alien Road applique les recommandations de produits par AI pour les clients
Dans un engagement typique, la découverte commence par l’analyse et le catalogue de la boutique. Nous examinons la valeur moyenne de la commande, la part des commandes avec plus d’un article, les meilleures paires de produits et les points d’abandon dans l’entonnoir. Cela montre où les recommandations pourraient ajouter de la valeur et où elles ajouteraient simplement de l’encombrement.
La configuration couvre le nettoyage du flux, les vérifications de suivi et le plan d’emplacement. Nous commençons généralement par un ou deux emplacements à fort trafic, comme les ventes croisées sur la page produit et les ajouts au panier, plutôt que d’activer chaque widget proposé par l’application. Les règles métier pour le stock, la marge et la logique de catégorie sont configurées avant le lancement.
Pour la mesure, chaque nouvel emplacement est exécuté comme un test contrôlé par rapport à une base de référence de meilleures ventes, avec la valeur de la commande, le taux de conversion et les revenus par visiteur suivis dans GA4 et les propres rapports de la boutique. Les blocs de recommandation par e-mail sont testés dans des flux avec des variantes divisées.
Les rapports comparent honnêtement les résultats des tests, y compris les emplacements qui n’ont fait aucune différence. Lorsqu’un widget ne bat pas la base de référence, il est supprimé ou repensé, car chaque élément sur une page produit rivalise pour attirer l’attention.
Combien de temps avant que les recommandations ne montrent des résultats ?
Attendez-vous à une période d’apprentissage. Les moteurs qui reposent sur le comportement ont besoin de suffisamment de vues de produits et de commandes pour trouver des modèles, donc une nouvelle boutique ou un catalogue nouvellement lancé peut montrer des suggestions génériques pendant les premières semaines. Pendant ce temps, les replis basés sur des règles, comme les meilleures ventes de la catégorie, maintiennent le widget utile.
La saisonnalité compte également. Les meilleures paires d’une boutique de cadeaux en décembre ne ressemblent en rien à celles de mars, alors examinez les résultats sur plusieurs saisons avant de tirer des conclusions permanentes. Pour une boutique de taille moyenne, un trimestre de données donne généralement une image juste de savoir si un emplacement mérite sa place sur la page.
Quelles erreurs devez-vous éviter ?
- Recommander des articles en rupture de stock ou ayant de longs délais de livraison.
- Afficher des produits presque identiques qui cannibalisent l’article déjà choisi.
- Surcharger la page avec quatre carrousels de recommandation.
- Ignorer la mise en page mobile, où les carrousels peuvent pousser le bouton d’ajout au panier sous la ligne de flottaison.
- Faire confiance aux revenus rapportés par l’application sans test.
- Oublier le repli pour les visiteurs qui refusent le suivi.
Par où commencer cette semaine
Exportez vos commandes des trois derniers mois et trouvez les dix paires de produits les plus courantes. Vérifiez si ces paires apparaissent déjà ensemble sur vos pages produits. Si ce n’est pas le cas, configurez un bloc “fréquemment achetés ensemble” pour ces produits en utilisant les outils natifs de votre plateforme et exécutez-le en tant que test divisé par rapport à votre page actuelle pendant deux semaines. Cela vous donnera une base de référence avant de payer pour un moteur de recommandation plus important.
Continuer la lecture : E-commerce · E-commerce