La personnalisation e-commerce consiste à modifier ce que voit un acheteur en fonction de ce que tu sais de lui : son pays et sa langue, sa provenance, ce qu'il a consulté et acheté, et ce qu'il t'a dit. Elle prend la forme de pages catégorie réordonnées, de bannières propres à un segment, de recommandations produits, de résultats de recherche classés pour la personne et d'e-mails déclenchés.
Toute forme de personnalisation a besoin de deux types de données. Les données acheteur disent ce que veut cette personne, et dans l'UE il te faut un consentement ou une autre base légale pour les utiliser. Les données produit disent quels produits répondent à cette envie. La plupart des projets de personnalisation planifient soigneusement les premières et oublient les secondes : un moteur qui sait qu'un acheteur préfère des chaussures de randonnée larges et imperméables ne peut rien faire si la largeur et l'imperméabilité ne sont pas renseignées comme attributs.
Sept endroits où une boutique peut personnaliser
La personnalisation n'est pas une fonctionnalité unique. Voici les surfaces où les boutiques l'appliquent, à peu près de la moins à la plus gourmande en données :
- Marché et langue : devise, langue, promesses de livraison et affichage de la TVA selon le pays. Faible risque, forte valeur pour les boutiques transfrontalières.
- Source de trafic : une landing page ou une bannière qui correspond à l'annonce ou à l'e-mail sur lequel l'acheteur a cliqué.
- Nouveau ou récurrent : une offre de bienvenue pour les premières visites, les produits récemment consultés et les tailles enregistrées pour les visiteurs qui reviennent.
- Contenu par segment : bannières de la page d'accueil et collections mises en avant par segment, comme les acheteurs fréquents, les clients inactifs ou les comptes B2B.
- Recommandations produits : produits similaires, complémentaires et sélections personnalisées. Nous avons couvert les types, l'emplacement et les données derrière elles dans notre article sur les recommandations produits.
- Tri personnalisé dans la recherche et les pages catégorie : résultats réordonnés selon l'affinité de l'acheteur pour une marque, une taille ou une gamme de prix. Les bases de la recherche sur site passent d'abord ; consulte notre guide de la recherche sur site e-commerce.
- E-mails et messages de cycle de vie : panier abandonné, retour en stock, réapprovisionnement et reconquête, déclenchés par le comportement et programmés selon l'historique d'achat.
Commence par le haut de la liste. Une boutique qui n'a pas localisé ses prix et sa langue pour ses marchés principaux y gagnera davantage qu'avec des recommandations individuelles.
Règles, segments ou individuel : trois niveaux de personnalisation
Le niveau que tu peux mettre en place dépend du trafic, des données et du budget, pas de l'ambition.
Trois niveaux de personnalisation e-commerce
| Règles | Des conditions fixes que tu définis toi-même ; prévisibles, peu coûteuses et testables | La plupart des plateformes et applications e-commerce le font sans moteur de personnalisation | Si le visiteur est en Belgique, afficher les prix en EUR avec les délais de livraison belges ; si le panier contient une imprimante, afficher l'encre compatible |
|---|---|---|---|
| Segments | Des groupes construits à partir de l'historique de commandes et du comportement | Des filtres de segments comme la segmentation client de Shopify, qui peut aussi envoyer des messages marketing ; les plateformes d'e-mailing et les CDP font de même à plus grande échelle | Primo-acheteurs, champions, clients à risque, clients qui n'achètent que dans une catégorie |
| Individuel | Un modèle qui note les produits pour chaque acheteur à partir de son propre comportement et de celui d'acheteurs similaires | Beaucoup de sessions et de commandes pour apprendre, un catalogue trop vaste pour être parcouru en entier, et des attributs produit propres pour que le modèle ne devine pas à partir des titres |
Un test utile : si moins de quelques centaines de personnes par jour atteignent la surface que tu veux personnaliser, un modèle individuel se rabattra surtout sur les best-sellers. Les segments et les règles feront mieux à cet endroit.
Données acheteur : signaux zero-party, first-party et soumis au consentement
Les données de personnalisation diffèrent par leur fiabilité et par ce qu'il te faut avant de pouvoir les utiliser :
- Données zero-party : ce que les acheteurs te disent volontairement, comme un profil de taille, un quiz sur le type de peau, des marques préférées ou des centres d'intérêt pour la newsletter. Précises et faciles à expliquer, mais seulement pour les acheteurs qui les renseignent.
- Données first-party transactionnelles : commandes, retours et informations de compte que tu détiens parce que le client a acheté chez toi. La colonne vertébrale des segments et des e-mails de réapprovisionnement.
- Données first-party comportementales : pages vues, recherches, clics et paniers. Riches, mais dans l'UE elles sont généralement collectées via des cookies ou un stockage similaire qui exige d'abord un consentement.
- Données contextuelles : pays, langue, appareil, référent et heure de la journée. Disponibles à chaque visite et souvent suffisantes pour une personnalisation utile basée sur des règles.
Les données tierces achetées à des sources externes apportent peu à la plupart des boutiques et relèvent le niveau d'exigence juridique. Une stratégie de données first-party qui collecte moins mais utilise bien ce qu'elle collecte est la voie la plus sûre.
Profilage, droit d'opposition et consentement aux cookies dans l'UE
Ceci n'est pas un conseil juridique, mais ces règles déterminent ce que ta personnalisation peut faire pour les acheteurs européens :
- La personnalisation basée sur le comportement relève généralement du profilage. Le RGPD définit le profilage à l'article 4(4) comme un traitement automatisé de données personnelles visant à évaluer des aspects personnels, y compris explicitement les préférences, les intérêts et le comportement. Cela couvre la plupart de la personnalisation individuelle.
- Les acheteurs peuvent s'opposer au profilage marketing à tout moment. Selon l'article 21(2) et (3), une personne peut s'opposer au traitement à des fins de prospection, y compris au profilage lié à celle-ci, et les données ne peuvent alors plus être utilisées à cette fin. Ta personnalisation par e-mail et sur le site a besoin d'un opt-out fonctionnel qui retire réellement la personne de ces modèles.
- Le stockage de suivi exige un consentement. Les cookies et le stockage similaire qui ne sont pas strictement nécessaires requièrent un consentement préalable selon les règles ePrivacy que chaque pays de l'UE transpose ; aux Pays-Bas, c'est l'article 11.7a de la Telecommunicatiewet. Les fournisseurs l'imposent aussi : la politique de consentement des utilisateurs de l'UE de Google exige un consentement pour les cookies lorsque la loi l'impose et pour l'utilisation de données personnelles afin de personnaliser les annonces, pour les utilisateurs de l'EEE, du Royaume-Uni et de la Suisse.
- Pense au visiteur sans consentement. Une grande part des visiteurs refusera le suivi. Ta boutique doit quand même bien fonctionner pour eux, avec une personnalisation contextuelle et basée sur des règles qui ne dépend pas d'un profil.
- Évite les déductions sensibles. Ne construis pas de segments qui révèlent ou devinent la santé, la religion ou des caractéristiques sensibles similaires à partir des achats, comme une grossesse ou des problèmes médicaux d'après un panier de pharmacie.
Tiens un court registre par usage de personnalisation : quelles données il utilise, la base légale, comment un acheteur s'y oppose et combien de temps les données sont conservées. Les revues fournisseurs et les questions de confidentialité vont alors beaucoup plus vite.
Faire correspondre les préférences des acheteurs aux attributs produit
Un moteur de personnalisation fait correspondre des signaux acheteur à des propriétés produit. Si la propriété n'existe pas sous forme de champ propre, la correspondance ne peut pas se faire. Voici comment les idées de personnalisation courantes se traduisent en données produit :
Idées de personnalisation et les champs produit qui les sous-tendent
| Mémoire de taille (afficher ma taille en premier) | Un attribut de taille avec des valeurs standardisées par système de tailles, renseigné sur chaque variante |
|---|---|
| Affinité de marque | Une valeur de marque cohérente par produit, pas Nike, NIKE et Nike Inc. |
| Préférence de style ou de couleur | Un attribut couleur avec une liste fixe de valeurs (navy, et non dark blue sur la moitié de la gamme), plus un attribut motif ou style |
| Préférences liées aux valeurs (vegan, bio, recyclé) | Un attribut matière ou certification, renseigné uniquement lorsqu'il est exact |
| Sensibilité au prix | Un prix actuel et un prix barré corrects pour chaque marché |
| Compatibilité (encre pour mon imprimante, filtres pour mon aspirateur) | Un attribut de modèle compatible qui utilise les mêmes noms de modèle sur l'accessoire et sur l'appareil |
| Langue et marché | Titres, descriptions et valeurs d'attributs traduits pour chaque langue dans laquelle tu personnalises |
Les mêmes champs alimentent l'analytics : GA4 ne peut indiquer ce qu'achètent les segments par marque, catégorie et variante que si ces valeurs sont envoyées comme paramètres d'article, comme le décrit le guide de mesure e-commerce de Google. Notre guide sur la standardisation des attributs explique comment transformer des valeurs en texte libre en listes fixes.
Un coureur de trail fidèle et les six champs derrière l'ordre de tri
Un acheteur récurrent d'une boutique outdoor a acheté deux paires de chaussures de trail homme en pointure 44, toutes deux en largeur large, toutes deux de la même marque, et a ouvert deux e-mails sur l'équipement imperméable. Il a accepté les cookies d'analytics et de personnalisation. La boutique veut réordonner pour lui la catégorie Chaussures de running.
Le moteur a besoin de ces champs produit pour bien le faire :
- Catégorie : Running > Chaussures de trail, séparée de Chaussures de running sur route.
- Genre : Homme, renseigné sur chaque chaussure.
- Disponibilité des tailles par variante : pointure 44 en stock, synchronisée depuis l'inventaire.
- Largeur : Standard ou Large, sous forme de liste fixe.
- Imperméable : Oui ou Non, pas enfoui dans la description.
- Marque : une valeur cohérente.
Si la largeur manque sur 60 % des chaussures, le moteur ne peut mettre en avant que les 40 % où elle est renseignée, et les chaussures larges sans cette valeur passent sous les modèles standard. Si la disponibilité des tailles n'est pas à jour, il met en avant des chaussures que l'acheteur ne peut pas acheter. Les données acheteur sont excellentes ; le résultat est médiocre à cause du catalogue.
Six façons dont des données produit maigres cassent la personnalisation
- Produits sans historique (cold start). Les nouveaux produits n'ont ni vues ni commandes, donc les modèles basés sur le comportement les ignorent. Seuls les attributs et les catégories permettent à un modèle de les placer à côté de produits similaires dès le premier jour.
- Valeurs en texte libre. Navy, bleu foncé et marine comptent comme trois couleurs, donc une préférence de couleur ne correspond qu'à un tiers des produits concernés.
- Catégories fourre-tout. Les produits rangés dans Soldes ou Nouveautés ne peuvent pas être rapprochés d'une affinité de catégorie.
- Attributs non traduits. La préférence d'un acheteur néerlandais pour waterdicht ne correspond à rien quand les valeurs d'attribut n'existent qu'en anglais.
- Produits en double. Le même article sous deux identifiants divise ses données de comportement, donc aucune des deux copies ne paraît assez populaire pour être recommandée.
- Stock et prix non synchronisés. Des blocs personnalisés remplis de tailles épuisées ou de prix obsolètes coûtent plus de confiance qu'une liste générique de best-sellers.
Tester la personnalisation avec un groupe témoin
Les comparaisons avant/après induisent en erreur parce que les saisons, les campagnes et le stock changent en même temps. Garde un groupe témoin (holdout) : une part aléatoire des visiteurs (souvent autour de 10 %) qui reçoit l'expérience non personnalisée, et compare les deux groupes sur plusieurs semaines.
- Chiffre d'affaires par visiteur : réunit taux de conversion et valeur de commande en un seul chiffre.
- Taux de conversion et panier moyen : séparément, pour voir lequel a bougé.
- Taux de clic et ajout au panier sur la surface personnalisée : pour voir si le bloc lui-même fonctionne.
- Taux de retour : une personnalisation qui pousse la mauvaise taille ou la mauvaise compatibilité se voit ici en premier.
Assure-toi que ta configuration analytics sait distinguer les groupes. Notre comparatif des outils d'analytics e-commerce explique quels outils mesurent quoi, et pourquoi GA4 et les chiffres de commandes de la boutique concordent rarement.
Évaluer un moteur de personnalisation avant de signer
Questions à poser à un fournisseur de personnalisation
Les réponses aux deux premières questions te disent quelle part du projet est en réalité un projet de données produit.
Préparer les données catalogue pour un moteur de personnalisation
WISEPIM n'est pas un moteur de personnalisation : il ne sert pas de pages personnalisées, ne classe pas les résultats de recherche et n'envoie pas d'e-mails déclenchés. Il travaille côté catalogue. WISEPIM complète les attributs, catégories et traductions manquants avec l'AI, note la qualité des données par produit et envoie les données nettoyées vers Shopify, WooCommerce, Magento 2, Lightspeed et d'autres boutiques, où ton outil de personnalisation les lit. Son rapport customer insights affiche des segments RFM issus de ton historique de commandes, ce qui aide à décider pour quels segments la personnalisation vaut la peine. Pour le vocabulaire des fournisseurs, consulte notre entrée de dictionnaire sur le moteur de personnalisation e-commerce.
