IA e-commerce à Paris

La recherche interne, l’aide à la décision d’achat, l’enrichissement des fiches, la détection d’anomalies de catalogue et l’assistance au service client.

La recherche interne est le premier usage par rentabilité, et le plus négligé. Un moteur qui comprend « pantalon chaud pour l’hiver » plutôt que d’exiger les mots exacts du catalogue récupère des ventes déjà perdues : les recherches sans résultat représentent souvent dix à vingt pour cent des recherches d’une boutique.

L’enrichissement des fiches vient ensuite : à partir des attributs techniques, produire une description lisible, cohérente et non dupliquée, sur des centaines de références que personne ne rédigera jamais à la main. Avec relecture, pas en publication automatique.

La détection d’anomalies est moins visible et très utile : repérer les prix aberrants, les photos manquantes, les descriptions vides, les attributs incohérents. Un catalogue de plusieurs milliers de références en contient toujours.

Ce que nous déconseillons : les recommandations de produits sans données suffisantes, et la génération de contenus publiés sans relecture.

Certains usages en ont besoin — recommandation, prévision — d’autres non, comme la recherche sémantique ou l’enrichissement de contenus.

La distinction est utile parce qu’elle détermine ce qui est accessible à une boutique modeste. La recherche sémantique fonctionne sans aucun historique : elle travaille sur le catalogue. L’enrichissement de fiches et la détection d’anomalies aussi. Un assistant de service client s’appuie sur vos documents, pas sur vos ventes.

À l’inverse, la recommandation personnalisée et la prévision de demande demandent du volume — quelques milliers de commandes au minimum pour dégager des régularités. En dessous, les suggestions produites sont du bruit, et un affichage « souvent achetés ensemble » fondé sur douze commandes fait plus de mal que de bien.

Une solution intermédiaire fonctionne bien sur petit volume : la recommandation par similarité de catalogue — attributs, catégorie, gamme de prix — qui ne demande aucun historique et donne des suggestions cohérentes.

Nous commençons donc toujours par ce qui est possible avec vos données actuelles.

Elle peut y contribuer, notamment par une meilleure recherche et une aide à la décision, mais elle ne remplace pas un parcours d’achat clair.

L’ordre des priorités compte. Une boutique dont les frais de port se découvrent à la dernière étape, dont le formulaire compte neuf champs et qui charge en six secondes sur mobile a des points de fuite qui coûtent bien plus que ce qu’aucune IA n’apportera. Nous regardons donc ces points d’abord, et nous le disons quand le budget serait mieux placé là.

Cela posé, deux usages ont un effet mesurable. La recherche interne, parce qu’une recherche sans résultat est une vente perdue de manière quasi certaine. Et l’aide à la décision sur les catalogues techniques : un assistant qui aide à choisir entre douze références qui se ressemblent remplace l’appel au service commercial que la plupart des visiteurs ne feront pas.

L’effet se mesure comme le reste : avant-après sur le taux de transformation des visiteurs qui utilisent la fonction, comparé à ceux qui ne l’utilisent pas.

En liant les suggestions aux stocks et aux règles commerciales, afin de ne pas proposer un produit non vendable.

Le problème paraît évident et il est très fréquent : une suggestion calculée la nuit sur un catalogue exporté propose le lendemain des références en rupture, retirées, ou réservées à un autre pays. L’effet sur la confiance est immédiat.

La règle : le filtrage se fait au moment de l’affichage, sur les données de stock en vigueur, et non au moment du calcul. Le système propose une liste ordonnée plus longue que nécessaire, et l’affichage prend les premières disponibles.

S’y ajoutent les règles commerciales, souvent oubliées : les produits réservés à certains pays, ceux qui ne se vendent pas ensemble pour des raisons de transport, les gammes en fin de vie qu’on ne veut plus mettre en avant, et les produits à marge négative en promotion.

Ces règles viennent de vous et elles sont administrables, parce qu’elles changent plus souvent que le code. Une liste d’exclusion modifiable évite de nous appeler à chaque campagne.

Oui, par des modules, des applications ou des développements spécifiques selon les fonctions et les contraintes de performance.

Sur les deux plateformes, trois voies existent. Une application ou un module du marché, rapide à mettre en place, facturé au mois et parfois au volume — c’est le bon choix pour une fonction standard comme un moteur de recherche amélioré. Un service externe appelé depuis le thème, qui permet de choisir son fournisseur et de garder la main. Ou un développement intégré, justifié quand la fonction touche à vos règles propres.

La contrainte commune est la performance : un appel à un modèle prend plusieurs centaines de millisecondes à plusieurs secondes. Il ne doit donc jamais bloquer l’affichage d’une page. Les suggestions se chargent après le contenu principal, et les traitements lourds — enrichissement de fiches, analyse de catalogue — se font hors ligne.

Sur Shopify s’ajoute la limite de personnalisation du paiement, qui interdit certaines assistances à cette étape. Nous le vérifions avant d’engager.

Par la limitation des données transmises, des traitements conformes, des accès restreints et des engagements contractuels avec les fournisseurs.

Le principe de base : aucune donnée personnelle ne part vers un modèle sans nécessité. Pour améliorer une recherche ou enrichir une fiche, il n’en faut aucune — le catalogue suffit. Pour un assistant de service client, le prénom et le numéro de commande suffisent, jamais l’historique complet ni les coordonnées bancaires.

Ce qui est vérifié et documenté chez le fournisseur du modèle : que les données ne servent pas à l’entraînement, la localisation de traitement, la durée de conservation, et les sous-traitants ultérieurs. Nous utilisons les accès professionnels, pas les offres grand public, précisément pour cette raison.

S’y ajoutent des mesures locales : la journalisation sans recopie du contenu personnel, et l’anonymisation des exemples conservés pour l’évaluation.

Le registre des traitements est mis à jour, et la mention d’information au client dit qu’un système automatisé intervient — c’est une obligation de transparence, pas une précaution.

Il peut traiter les demandes simples et documentées. Les cas sensibles, les litiges et les exceptions doivent rester humains.

La répartition qui fonctionne : l’assistant traite le suivi de commande, les questions sur les produits, les délais, les conditions de retour et les modalités pratiques — ce qui représente souvent la moitié à deux tiers du volume et qui est entièrement documenté.

Ce qui doit basculer vers une personne, sans discussion : un litige, un remboursement, un client mécontent, une réclamation sur un produit défectueux, et toute demande où le ton indique une tension. La détection de ces cas est réglée volontairement large — mieux vaut escalader trop que trop peu.

Deux règles complètent cela. L’assistant dit ce qu’il est, dès le premier message ; le faire passer pour un humain se retourne toujours. Et l’accès à une personne est proposé visiblement, pas caché derrière trois questions — un dispositif qui piège l’utilisateur produit des avis négatifs qui coûtent plus que le temps économisé.

Le taux d’escalade est suivi comme un indicateur de qualité, pas comme un échec.

Par le taux de recherches sans résultat, la pertinence des premiers résultats, le taux de clic et la conversion après recherche.

Quatre indicateurs, tous disponibles et rarement regardés. Le taux de recherches sans résultat, mesuré avant et après : c’est le gain le plus direct, et il se chiffre souvent en dizaines de pour cent de réduction. Le taux de clic sur les trois premiers résultats, qui dit si l’ordre est juste. Le taux de reformulation, qui signale une recherche qui n’a pas abouti même quand elle a renvoyé des résultats. Et la conversion des visiteurs qui utilisent la recherche, comparée à ceux qui naviguent — elle est structurellement plus élevée, ce qui explique la rentabilité du chantier.

Le relevé le plus instructif reste la liste des requêtes sans résultat, lue à la main chaque semaine au début. Elle dit exactement ce que vos clients cherchent et que votre catalogue n’a pas — ou nomme autrement. Une partie de ces cas se corrige par des synonymes plutôt que par de l’intelligence artificielle, et c’est une économie.