Les recommandations produits sont les suggestions qu'une boutique montre à un acheteur en fonction de ce qu'il regarde, de ce qu'il a dans son panier, de ce qu'il a déjà acheté ou de ce que d'autres acheteurs ont acheté. Les types courants sont les produits similaires, les produits souvent achetés ensemble, les upsells, les sélections personnalisées, les meilleures ventes et les produits consultés récemment. On les trouve sur les pages produit, dans le panier, sur les pages catégorie et de recherche, et dans les e-mails.
Chaque recommandation est choisie par l'une de trois méthodes : un marchand la définit à la main, une règle associe des produits selon leurs données (même catégorie, même marque, modèle compatible), ou un algorithme apprend du comportement (vues et commandes). Les trois dépendent de données produit propres. Une règle ne peut pas associer un produit sur une catégorie où il ne figure pas, et un algorithme ne peut pas recommander un nouveau produit que personne n'a encore acheté sans attributs à comparer. Ce guide présente les types, où les placer, ce que ta plateforme fait déjà et comment préparer le catalogue pour que les suggestions aient du sens.
Les six types de recommandations produits
Chaque type répond à une question différente de l'acheteur. Mets le mauvais au mauvais endroit et les acheteurs le font défiler sans le regarder.
Six types de recommandations et leur place
| Produits similaires (alternatives) | Montre-moi d'autres options comme celle-ci. | Les acheteurs qui comparent encore | Pages produit, pages de produits en rupture |
|---|---|---|---|
| Souvent achetés ensemble (compléments) | De quoi d'autre ai-je besoin avec ça ? | Une tente avec des sardines et un tapis de sol, un appareil photo avec une carte mémoire | Pages produit, panier |
| Upsells | Existe-t-il une meilleure version ? | La tente 4 places au lieu de la 2 places, le modèle 256 Go au lieu du 128 Go | Pages produit, avant que l'acheteur se décide |
| Recommandations personnalisées | Qu'est-ce qui me correspond ? | Basées sur l'historique de navigation et d'achat de l'acheteur | Page d'accueil, pages du compte, e-mail |
| Meilleures ventes et tendances | Qu'est-ce que les autres achètent ? | Les nouveaux visiteurs sans historique | Page d'accueil, pages catégorie |
| Consultés récemment | Où est ce produit que j'ai vu ? | Une aide à la navigation plus qu'un outil de vente, mais les acheteurs s'en servent | Partout où les acheteurs reviennent vers un produit |
Une bonne page produit a en général besoin de deux de ces types, pas de cinq. Les compléments et les alternatives répondent à des questions différentes, alors donne-leur un libellé clair (Complète le look, Styles similaires) au lieu d'empiler quatre carrousels intitulés Ça pourrait te plaire.
Manuel, par règles, basé sur le contenu ou collaboratif : les cinq méthodes
Derrière chaque widget se trouve l'une de ces méthodes, ou un mélange :
Cinq façons dont un widget choisit ses produits
| Sélection manuelle | Tu choisis les produits associés pour chaque article | Précise | Ne passe pas l'échelle au-delà de quelques centaines de produits et devient obsolète quand le stock change |
|---|---|---|---|
| Par règles | Les produits sont associés selon des données communes : catégorie, marque, couleur ou un attribut de compatibilité | Prévisible et efficace dès le premier jour | Ne vaut que ce que valent les champs qu'elle lit |
| Filtrage basé sur le contenu | Un algorithme compare les attributs et les descriptions des produits | Peut recommander des produits tout neufs, car il n'a pas besoin d'historique de ventes | A besoin d'attributs et de descriptions à comparer |
| Filtrage collaboratif | Un algorithme repère des schémas dans le comportement : les acheteurs qui ont acheté A ont aussi acheté B | Efficace pour les compléments | Aveugle aux nouveaux produits et aux articles qui se vendent peu (le problème du démarrage à froid) |
| Hybride | Combine les signaux collaboratifs et les données produit | Utilisé par la plupart des moteurs commerciaux | Se replie sur des règles quand il n'y a pas assez de comportement |
Remarque que trois des cinq méthodes lisent directement les données produit, et que la quatrième en a besoin en solution de repli. Plus de détails dans notre définition du moteur de recommandation produit.
Les recommandations intégrées de Shopify, WooCommerce et Magento
Avant d'acheter une app de recommandation, vérifie ce que ta plateforme fait nativement. La logique intégrée te dit exactement quels champs produit comptent.
Shopify
Shopify propose deux intentions de recommandation : les produits associés (articles similaires, comme une section You might also like) et les produits complémentaires (comme une section Pair it with), comme le décrit sa documentation développeur. Selon le centre d'aide Shopify, les recommandations associées automatiques reposent sur l'historique d'achat (produits souvent achetés ensemble, ce qui suppose des ventes passées), sur des descriptions de produits similaires (uniquement pour les boutiques dont la vitrine est en anglais), et se replient sur les collections associées. Les produits complémentaires ne sont pas générés automatiquement : tu les définis dans l'app Search & Discovery, jusqu'à 10 par produit, et tu peux aussi définir jusqu'à 10 produits associés personnalisés.
Sur Shopify, un nouveau produit avec une description de deux lignes qui ne figure dans aucune collection obtient donc des recommandations faibles tant qu'il n'a pas de ventes.
WooCommerce
WooCommerce a trois types, expliqués dans sa documentation sur les produits associés, up-sells et cross-sells. Les up-sells s'affichent sur la page produit et les cross-sells dans le panier ; tu ajoutes les deux à la main dans l'onglet Linked Products (produits liés) de chaque produit. Les produits associés sont générés automatiquement à partir des catégories et étiquettes communes. Le seul moyen de les influencer est de bien catégoriser et étiqueter les produits.
Magento et Adobe Commerce
Magento a des produits associés (en bas de la page produit), des up-sells (sur la page produit, sous un titre comme You may also be interested in the following products) et des cross-sells (dans le panier), définis par produit dans l'admin, comme l'explique la documentation Adobe Commerce. Adobe Commerce ajoute des règles de produits associés et une extension Product Recommendations pilotée par l'AI.
Où placer les recommandations produits
Adapte le type au moment du parcours :
- Page produit, au-dessus ou près de la zone d'ajout au panier : les upsells, tant que l'acheteur hésite encore.
- Page produit, sous la description : les produits souvent achetés ensemble et les produits similaires, avec un libellé clair.
- Confirmation d'ajout au panier et panier : les compléments et accessoires nécessaires au produit qui vient d'être ajouté (piles, câbles, recharges, produits d'entretien).
- Page d'un produit en rupture : des produits similaires dans la même taille et la même gamme de prix, pour que la visite ne soit pas une impasse.
- Page de recherche sans résultat : les meilleures ventes de la catégorie la plus proche plutôt qu'une page vide.
- Page d'accueil et pages du compte : des sélections personnalisées pour les visiteurs réguliers, les meilleures ventes pour les nouveaux.
- E-mail après achat : des compléments et consommables liés à l'achat, envoyés au moment où on en a vraiment besoin.
Le panier mérite une attention particulière. Le Baymard Institute a constaté que 52 % des sites desktop étudiés affichent dans le panier des cross-sells soit sans rapport, soit basés uniquement sur ce que d'autres clients ont acheté. Ses conseils : indiquer clairement le contexte, privilégier les produits du même usage ou du même thème, et donner la priorité aux articles qui dépendent de la compatibilité, comme le bon chargeur pour un appareil photo précis.
Les données produit derrière de bonnes recommandations
La logique de recommandation ne peut pas être plus précise que tes champs. Voici les attributs qui font l'essentiel du travail :
- Catégorie, au bon niveau : Chaussures de trail, pas Chaussures. Les règles et les solutions de repli regroupent sur cette base.
- Type de produit : distingue une tente d'un tapis de sol pour tente dans la même catégorie.
- Marque et gamme : pour les upsells au sein d'une gamme et pour les acheteurs fidèles à une marque.
- Compatibilité : modèle compatible, type de connecteur, taille de filtre, type de recharge. Indispensable pour les accessoires.
- Couleur, matière, taille et coupe : pour les produits similaires et les ensembles « complète le look ».
- Genre, tranche d'âge et usage : évite qu'une chaussure de trail homme recommande des sandales pour enfant.
- Prix : pour des upsells dans une fourchette raisonnable (un cran au-dessus, pas cinq).
- État du stock : ne recommande jamais ce qu'on ne peut pas acheter.
- Une vraie description : les moteurs basés sur le contenu et la correspondance par description de Shopify comparent du texte.
La plupart des catalogues n'en sont pas encore là quand ils arrivent dans un PIM : des produits rangés dans une catégorie fourre-tout, des attributs remplis sur une petite partie de la gamme, des descriptions d'une ou deux lignes. Chacune de ces lacunes affaiblit les recommandations par règles et basées sur le contenu, et renvoie le moteur vers les meilleures ventes. Notre guide sur la complétude des données montre comment mesurer les lacunes champ par champ avant de les corriger.
Une chaussure de trail homme avec des données pauvres ou complètes
Prenons une chaussure de trail homme, pointure 42, 129 EUR. Avec seulement un titre, un prix et la catégorie Chaussures, une règle ou un moteur basé sur la description peut l'associer à n'importe quoi dans Chaussures, et suggérer par exemple une sandale pour enfant ou une botte en cuir. Avec des données complètes, le même moteur fait bien mieux :
- Catégorie : Sport > Running > Chaussures de trail
- Genre : Homme
- Usage : Trail, terrain technique
- Drop : 6 mm
- Imperméable : Oui (membrane)
- Gamme de prix : de 100 à 150 EUR
- Compléments (par type de produit) : chaussettes de trail, guêtres, gilet de running, spray imperméabilisant
- Alternatives : autres chaussures de trail homme en pointure 42, de 100 à 150 EUR, en stock
- Upsell : le modèle de la même gamme avec plaque carbone, 169 EUR
Rien de tout cela ne demande de l'AI. Il faut que les champs existent et utilisent les mêmes valeurs dans tout le catalogue. Notre guide sur la standardisation des attributs explique comment y arriver, et WISEPIM peut remplir les catégories et attributs manquants grâce à l'enrichissement par AI et signaler les lacunes via ses scores de qualité.
Trouve les vraies paires dans tes commandes avec l'analyse du panier
Les suggestions « souvent achetés ensemble » doivent venir de tes commandes, pas de l'intuition. L'analyse du panier (market basket analysis) utilise trois chiffres par paire de produits :
- Support : la part de toutes les commandes qui contiennent les deux produits.
- Confiance : parmi les commandes qui contiennent le produit A, la part qui contient aussi le produit B.
- Lift : la confiance divisée par la fréquence d'achat de B de toute façon. Un lift supérieur à 1 signifie que la paire est achetée ensemble plus souvent que le hasard ne l'expliquerait.
Voici pourquoi le lift compte, avec des chiffres illustratifs pour une boutique de 10 000 commandes. 800 commandes contiennent la chaussure de trail. 120 d'entre elles contiennent aussi des guêtres, et les guêtres apparaissent dans 400 commandes au total. 200 des commandes de chaussures contiennent aussi des chaussettes, qui apparaissent dans 2 000 commandes au total.
Confiance comparée à la fréquence de vente habituelle de chaque article
Exemple illustratif| Catégorie | Confidence with the trail shoe | Share of all orders |
|---|---|---|
| Guêtres | 15% | 4% |
| Chaussettes | 25% | 20% |
Les chaussettes semblent former la paire la plus forte si l'on regarde seulement la confiance, car beaucoup d'acheteurs prennent des chaussettes avec tout. Les guêtres sont le vrai complément : les acheteurs de la chaussure ont presque quatre fois plus de chances de les acheter qu'un acheteur moyen. Un widget construit sur le lift affiche les guêtres avec la chaussure et garde les chaussettes pour le panier, où elles vont avec presque n'importe quelle commande.
L'analyse cross-sell de WISEPIM fait ce calcul sur l'historique de commandes importé depuis Shopify, WooCommerce, Magento 2, CCV Shop et Lightspeed, et classe les paires de produits par confiance et par lift. WISEPIM n'est pas un moteur de recommandation et n'affiche pas de widgets dans ta boutique : tu utilises les paires pour définir les produits complémentaires dans ta plateforme ou ton app de recommandation, et tu vérifies que les produits de tes meilleures paires sont bien décrits avant de les mettre en avant. La définition du cross-selling dans notre dictionnaire explique la différence avec l'upselling.
Recommandations produits personnalisées : quand elles valent le coup
Les recommandations produits personnalisées utilisent l'historique de chaque acheteur : produits consultés, catégories parcourues, commandes passées et comportement d'acheteurs similaires. Elles sont puissantes quand tu as ces données, et décevantes quand tu ne les as pas.
- Ça vaut le coup : un grand catalogue où les acheteurs ne peuvent pas tout parcourir, beaucoup de clients réguliers, des achats répétés ou de réapprovisionnement, et assez de trafic pour que le modèle apprenne.
- Pas encore : quelques centaines de produits, surtout des visiteurs qui viennent pour la première fois, ou peu de commandes. Ici, des règles bien libellées (compléments, alternatives, meilleures ventes par catégorie) battent en général une boîte noire.
- Toujours nécessaire : une solution de repli pour les visiteurs sans historique, et c'est là que les données produit et les listes de meilleures ventes reviennent en jeu.
La personnalisation ne vaut aussi que ce que vaut le catalogue dont elle se sert. Un moteur qui sait qu'un acheteur aime les chaussures de trail imperméables ne peut en tirer parti que si « imperméable » est un attribut rempli et cohérent. Consulte notre définition des recommandations personnalisées pour les termes qu'utilisent les éditeurs.
Indicateurs par widget : taux de clic, taux d'attache et panier moyen
Suis chaque widget séparément, pas les recommandations dans leur ensemble :
- Taux de clic par widget et par emplacement.
- Taux d'ajout au panier depuis les produits recommandés.
- Taux d'attache : la part des commandes avec le produit A qui contiennent aussi le produit recommandé B.
- Panier moyen des commandes avec et sans article recommandé. Notre calculateur de panier moyen t'aide à fixer la référence.
- Taux de retour des articles recommandés, pour repérer les suggestions qui se vendent mais ne conviennent pas.
Shopify rend compte des performances des recommandations dans les Analytics de son admin (le rapport Product recommendation conversion over time) quand les URL des produits recommandés utilisent le format que précise son API. Pour une comparaison juste, lance un test avec et sans le widget dans ton app de recommandation ou ton outil de test, plutôt que de comparer un avant et un après sur des saisons différentes.
Quand un widget sous-performe, la cause est en général l'une de celles-ci :
- Recommander des articles en rupture ou des variantes épuisées dans la taille de l'acheteur.
- Des alternatives dans le panier. Un produit similaire après l'ajout au panier relance la décision.
- Un seul libellé générique (Ça pourrait te plaire) pour tous les widgets.
- Trop de carrousels sur une page, qui montrent tous des produits qui se recoupent.
- Ignorer la compatibilité, comme une coque de téléphone pour le mauvais modèle.
- Des upsells trop haut sur l'échelle des prix, un article à 600 EUR proposé à côté d'un article à 120 EUR.
- Laisser les nouveaux produits sans données, si bien qu'ils n'apparaissent jamais dans les recommandations tant qu'ils ne se vendent pas par hasard.
- Ne jamais revoir les liens manuels, qui pointent encore vers des produits arrêtés il y a deux saisons.
Les recommandations vendent ce que ton catalogue décrit. Si les catégories, les attributs et les descriptions sont pauvres, commence par là : WISEPIM remplit et standardise ces données avec l'AI et les envoie vers ta boutique, et son analyse cross-sell montre quelles paires tes clients achètent déjà ensemble.
