Workflows de recommandations de produits par IA

Les moteurs de recommandation prédisent quels produits un acheteur est susceptible de vouloir ensuite. Ils apprennent des événements de navigation, d’ajout au panier et d’achat, ainsi que des attributs de produit tels que la catégorie, le prix et la couleur. Les modèles courants incluent le filtrage collaboratif (les personnes qui ont acheté ceci ont aussi acheté cela), la correspondance basée sur le contenu et, de plus en plus, des modèles qui combinent les deux avec le contexte de la session.

Les boutiques les construisent rarement à partir de zéro. Shopify propose une logique native de produits liés et des applications telles que Rebuy ou LimeSpot ; Salesforce Commerce Cloud inclut les recommandations Einstein ; Klaviyo, Dynamic Yield, Nosto et Vertex AI Search pour le commerce de Google Cloud sont d’autres options courantes. Le workflow est similaire pour toutes.

Les recommandations ne sont aussi bonnes que le catalogue et les données d’événements qui les sous-tendent. La plupart des problèmes qui ressemblent à un mauvais algorithme sont en réalité des attributs manquants ou un suivi défectueux.

• Vérifiez que les événements de vue de produit, d’ajout au panier et d’achat se déclenchent avec le bon ID de produit sur chaque page.
• Remplissez les attributs principaux : catégorie, marque, prix, sexe ou groupe d’âge le cas échéant, et statut de stock.
• Supprimez ou marquez les produits abandonnés afin qu’ils ne soient pas recommandés.
• Assurez-vous que les variantes (taille, couleur) sont regroupées sous un produit parent, sinon le moteur recommandera la même chemise en cinq tailles.
• Confirmez les paramètres de consentement : les recommandations personnalisées peuvent nécessiter un consentement en vertu du RGPD ou de la KVKK en Turquie.

Chaque page a un travail différent, donc chacune nécessite un type de recommandation différent. Commencer avec trois emplacements est généralement suffisant pour apprendre.

• Page produit : articles similaires pour les acheteurs qui hésitent encore, et fréquemment achetés ensemble pour ceux prêts à acheter.
• Page panier : compléments à bas prix, comme des étuis pour téléphones ou des chaussettes pour chaussures.
• Page d’accueil : sélections personnalisées et vues récemment pour les visiteurs récurrents ; les meilleures ventes pour les nouveaux.
• Résultats de recherche vides : articles populaires dans la catégorie la plus proche au lieu d’une impasse.
• Confirmation de commande : réapprovisionnement ou accessoires pour la prochaine visite.

Les algorithmes purs optimisent pour les clics et peuvent pousser les mauvaises choses : articles bon marché, produits en rupture de stock ou marques avec de faibles marges. Les règles permettent aux merchandisers de guider le modèle sans le remplacer. Commencez par une courte liste et n’ajoutez des règles que lorsque vous voyez un problème spécifique.

Les règles typiques incluent l’exclusion d’articles en dessous d’un seuil de marge, la promotion de nouvelles collections pour une période définie, ne jamais recommander une alternative moins chère sur une page de produit haut de gamme, et le filtrage par le même sexe ou la même gamme de taille que l’article consulté. Écrivez chaque règle avec sa raison, afin que la personne suivante comprenne pourquoi un produit n’apparaît jamais.

Testez un emplacement à la fois par rapport à un contrôle. Le contrôle peut être l’absence de widget, une simple liste de meilleures ventes ou la logique actuelle. La plupart des plateformes de recommandation incluent des tests A/B ; sinon, utilisez un outil de test et divisez par visiteur.

Mesurez le revenu par visiteur et le taux de conversion pour toute la session, pas seulement les clics sur le widget. Un widget peut collecter de nombreux clics tout en détournant l’attention du produit principal. Exécutez des tests pendant au moins deux semaines complètes pour inclure les modèles de jours de semaine et de week-end.

Le même moteur qui alimente le site peut alimenter les e-mails d’abandon de navigation et post-achat dans Klaviyo ou un outil similaire. Les segments de flux de produits créés à partir de la logique de recommandation peuvent également façonner les campagnes Google Shopping et les catalogues Meta, par exemple en regroupant les articles fréquemment achetés ensemble dans une étiquette de flux de bundle.

Gardez le timing à l’esprit. Un acheteur qui a acheté un canapé ne veut pas trois canapés de plus par e-mail le lendemain. Les flux post-achat doivent passer aux compléments et aux produits d’entretien.

Les recommandations dérivent sans propriétaire. De nouvelles collections arrivent, les fournisseurs changent, une vente se termine et une règle écrite pour elle reste active. Assignez une personne, généralement dans l’e-commerce ou le merchandising, pour examiner les emplacements toutes les deux semaines.

• Vérifiez au hasard cinq pages de produits dans différentes catégories sur mobile et ordinateur.
• Examinez les 20 meilleurs produits recommandés et confirmez le stock et la marge.
• Supprimez les règles de campagne et les boosts expirés.
• Lisez le tableau de bord des résultats des tests et notez tout emplacement ayant perdu du revenu par visiteur.
• Enregistrez chaque changement avec une date et une raison.

Cela prend environ une heure. Cela empêche le déclin lent qui fait croire aux équipes que le moteur a cessé de fonctionner, alors qu’en fait la boutique a changé autour de lui. Cela donne également au merchandiser une vue régulière de ce que les acheteurs associent réellement, ce qui informe souvent les bundles et les promotions.