Les erreurs les plus courantes dans les recommandations de produits par AI sont d’alimenter le moteur avec de mauvaises données de catalogue, de mettre le même widget sur chaque page, d’optimiser pour les clics au lieu de la marge ou des revenus, et de lancer sans un test de contrôle approprié. Chacune donne l’impression que les recommandations sont occupées tout en ajoutant peu. Les corriger est généralement plus important que de changer de fournisseur.
Les recommandations de produits par AI sont des suggestions générées par des modèles qui apprennent des données de navigation, d’achat et de catalogue. Elles apparaissent sous forme de “les clients ont également acheté”, “complétez le look”, lignes personnalisées sur la page d’accueil, ajouts au panier et blocs d’e-mails. Shopify, Adobe Commerce, Salesforce Commerce Cloud et des outils spécialisés comme Nosto, Klevu, Algolia Recommend et Dynamic Yield offrent tous des versions de cela.
Erreur 1 : traiter le catalogue comme une réflexion après coup
Les modèles de recommandation apprennent des attributs. Si la moitié de vos produits manquent d’un champ de catégorie, de couleur ou de taille, le moteur a moins de matière pour travailler et se rabat sur la popularité. C’est pourquoi de nombreux magasins voient les dix mêmes best-sellers recommandés partout.
Avant d’ajuster le modèle, auditez le flux. Recherchez les attributs manquants, les noms incohérents (“Bleu marine”, “bleu marine”, “bleu foncé”), les produits en double et les variantes répertoriées comme des articles distincts. Un flux propre améliore souvent les résultats avant tout changement de paramètre.
Erreur 2 : pourquoi un widget sur chaque page échoue-t-il ?
Les acheteurs ont des besoins différents à différents points. Sur une page produit, ils comparent. Dans le panier, ils cherchent un petit ajout. Après l’achat, ils peuvent avoir besoin d’accessoires ou d’une recharge. Utiliser un bloc “vous pourriez aussi aimer” partout ignore tout cela.
- Page produit : articles similaires et alternatives à des prix proches
- Panier : compléments à bas prix qui ont du sens avec ce qui est déjà là
- E-mail après achat : accessoires, consommables, produits d’entretien
- Page d’accueil : lignes personnalisées pour les visiteurs qui reviennent, sélections organisées pour les nouveaux
- Page de rupture de stock : substituts proches en stock
Un magasin vendant des chaussures de course, par exemple, pourrait montrer d’autres chaussures sur la page produit, des chaussettes et des semelles dans le panier, et un rappel de remplacement après la distance que la plupart des coureurs attendent d’une paire.
Erreur 3 : optimiser pour la mauvaise métrique
Le taux de clics est facile à augmenter. Montrez des produits moins chers ou plus accrocheurs et les clics augmentent. Les revenus, la valeur moyenne de la commande et la marge peuvent ne pas bouger, ou peuvent chuter.
Définissez l’objectif dans l’outil là où il le permet. De nombreuses plateformes vous permettent de pondérer les recommandations par revenus, marge ou inventaire. Si la vôtre ne le fait pas, mesurez au moins les revenus attribués par session plutôt que les clics, et surveillez si les recommandations cannibalisent les produits que les clients auraient achetés de toute façon.
Erreur 4 : une comparaison avant-après est-elle suffisante ?
Non. Comparer ce mois-ci avec le mois dernier mélange le changement de recommandation avec la saisonnalité, les promotions et les dépenses publicitaires. Le résultat ressemble à une preuve et prouve très peu.
Exécutez plutôt un test de contrôle. La plupart des plateformes sérieuses prennent en charge les tests A/B, où une partie des visiteurs, souvent 10 à 20 pour cent, ne voit aucune recommandation ou l’ancienne version. Exécutez-le assez longtemps pour couvrir au moins un cycle hebdomadaire complet et suffisamment de commandes pour lire la différence avec confiance. Les petits magasins peuvent avoir besoin de plusieurs semaines.
Quelles erreurs apparaissent après le lancement ?
Le lancement n’est pas la fin du travail. Trois problèmes surviennent généralement dans les premiers mois, une fois que le trafic réel atteint le moteur et que l’équipe de merchandising cesse de l’observer tous les jours.
Erreur 5 : ignorer le démarrage à froid
Les nouveaux visiteurs et les nouveaux produits n’ont pas d’historique. Un modèle qui ne repose que sur le comportement leur montre des articles populaires génériques, ce qui est bien le premier jour et une chance perdue après cela.
La solution est un mélange : règles basées sur le contenu utilisant des attributs de produit pour les nouveaux produits, contexte comme la source de trafic ou la campagne pour les nouveaux visiteurs, et modèles basés sur le comportement une fois que les données existent. Vérifiez comment votre outil gère cela ; certains le font par défaut, certains ont besoin de configuration.
Erreur 6 : laisser le moteur outrepasser les règles métier
Les modèles ne savent pas qu’un produit est sur le point d’être abandonné, qu’un partenaire de marque interdit d’être montré à côté d’un concurrent, ou qu’une catégorie a de faibles marges. Sans règles, les recommandations peuvent promouvoir des articles que vous ne voulez pas vendre.
Règles qui valent la peine d’être ajoutées dans la plupart des magasins :
- Exclure les articles en rupture de stock et à faible stock
- Exclure les articles avec des retours supérieurs à votre seuil
- Garder les recommandations dans une fourchette de prix raisonnable de l’article consulté
- Bloquer les appariements sensibles, comme les produits pour adultes à côté des articles pour enfants
- Fixer les articles saisonniers ou de lancement pour une période fixe
Erreur 7 : oublier la confidentialité et le consentement
Les recommandations personnalisées utilisent des données comportementales. En vertu du RGPD et de la KVKK turque, le suivi qui n’est pas strictement nécessaire nécessite souvent un consentement, et de nombreux acheteurs refusent. Si votre configuration de consentement bloque complètement le script de recommandation, une grande partie des visiteurs peut ne rien voir.
Vérifiez ce que fait l’outil sans consentement. Une bonne configuration se rabat sur des recommandations non personnelles basées sur la page actuelle, ce qui ajoute toujours de la valeur et reste dans les règles. Testez-le vous-même : ouvrez le magasin dans une fenêtre privée, refusez les cookies et voyez ce que chaque emplacement montre. Si les blocs sont vides, la solution est généralement un changement de configuration dans l’outil de consentement ou le script de recommandation, pas un nouveau fournisseur.
Comment Alien Road applique les recommandations de produits par AI
Dans un engagement typique, la découverte commence par un audit de catalogue et une revue des emplacements, objectifs et suivi actuels. Nous regardons quels widgets existent, sur quoi chacun est optimisé et si un test a déjà été effectué.
La configuration suit ensuite l’ordre ci-dessus : nettoyer le flux, assigner un objectif par emplacement, ajouter des règles métier et configurer un contrôle. La mesure utilise les revenus attribués par session et la valeur moyenne de la commande par rapport au groupe de contrôle, rapportés mensuellement avec des notes sur les changements de catalogue et les promotions. Lorsqu’un changement de fournisseur a du sens, nous le disons, mais la plupart du temps, l’outil existant a encore de la marge.
Par où commencer cette semaine
Exportez votre flux de produits et comptez les valeurs manquantes dans les champs de catégorie, couleur, taille et prix. Ce chiffre unique vous dit à quel point le moteur devine. Triez les lacunes par revenus, afin que les produits qui se vendent le plus soient corrigés en premier.
Ensuite, ouvrez votre magasin sur un téléphone et parcourez la page produit, le panier et le paiement. Notez chaque bloc de recommandation, ce qu’il montre et s’il a du sens pour ce moment. La plupart des équipes trouvent au moins un emplacement qu’elles supprimeraient sur-le-champ.
Continuez à lire : Commerce électronique · Commerce électronique