Aller au contenu
PTENFR
Commencer avec CAIAC
Retour d'expérience · Acquisition & Conversion

Quand une recommandation presque correcte suffit à perdre la conversion

Un moteur de recherche peut renvoyer des produits globalement proches d'une requête tout en violant son critère le plus important. Sur un catalogue à contraintes fortes, la valeur d'une recherche ne dépend pas seulement de ce qu'elle remonte, mais de ce qu'elle sait exclure.

  1. Préférencepeut influencer le classement
  2. Obligationdoit filtrer l'éligibilité
  3. Incertitudedoit être escaladée, jamais devinée

Ce retour d'expérience provient d'un projet antérieur à CAIAC. Il illustre les mécanismes opérationnels qui ont contribué à la conception de la plateforme. Les résultats sont spécifiques au contexte du projet et ne constituent pas une garantie de performance.

Le challenge

Pourquoi le résultat business était hors de portée

Pour une personne vegan, recommander un produit non vegan n'est pas une petite imprécision. Pour un parent cherchant un produit naturel adapté à un enfant, une caractéristique ambiguë suffit à arrêter l'achat.

Dans ces situations, une recommandation « presque correcte » peut être plus dommageable qu'aucune recommandation : l'erreur ne fait pas perdre un produit, elle fait perdre la confiance envers l'ensemble du catalogue.

Le moteur interne traditionnel reposait sur des correspondances lexicales et fréquentielles : il pouvait manquer des synonymes, survaloriser un terme présent dans une description ou faire remonter un produit incompatible avec une contrainte implicite.

Le point de départ

Données, processus et contraintes

  • Un e-commerce de produits naturels, biologiques et vegan.
  • Des audiences très exigeantes, dont les critères ne sont pas des préférences mais des conditions d'achat.
  • Des intentions multiples : produits vegan, produits non testés sur les animaux, produits naturels adaptés à certains usages familiaux.
  • Un projet mené en 2022, avec des modèles moins matures et une charge de contrôle encore importante.
L'approche

Ce qui a été mis en place

  1. 01
    Comprendre l'intentionRapprocher une demande de produits pertinents même lorsque les mêmes mots ne sont pas employés dans le catalogue.
  2. 02
    Distinguer préférence et obligationUne préférence sert au classement ; une obligation devient une règle d'exclusion. Confondre les deux expose l'utilisateur à une recommandation inacceptable.
  3. 03
    Vérifier la qualité des attributsUn système ne peut pas garantir « vegan » ou « non testé sur les animaux » si l'information est absente, ambiguë ou non vérifiée : l'incertitude doit être visible.
  4. 04
    Aligner la page sur l'intentionSélection, titre et explications répondant à la même demande — une bonne liste sous une promesse trop large reste un risque.
  5. 05
    Maintenir un Human-in-the-LoopCas ambigus, nouvelles catégories et informations sensibles sont escaladés, jamais résolus par une supposition du modèle.
Les résultats

Ce qui a été mesuré, et ce que cela signifie

  1. Résultat observé

    Des pages personnalisées ont été comparées à l'expérience reposant sur la recherche interne du site. Le test historique a rapporté une conversion 3,2 fois supérieure pour le dispositif associant compréhension sémantique, sélection contrainte et pages dédiées.

  2. Interprétation

    Ce résultat est notable, d'autant qu'il date de 2022. Il n'est cependant pas assez documenté pour figurer comme promesse : populations exposées, définition de la conversion, durée, répartition du trafic et significativité restent à établir. Ce que le cas démontre en revanche clairement, c'est qu'une similarité sémantique seule ne suffit pas : il faut gouverner l'éligibilité.

Pourquoi cela compte

La traduction en impact business

  • Moins de sorties provoquées par une mauvaise recommandation

    Une erreur sur un critère identitaire ou éthique peut faire perdre la confiance envers tout le catalogue.

  • Une meilleure utilisation du trafic payé

    Quand la campagne promet une caractéristique précise, la destination doit la respecter.

  • Moins d'erreurs opérationnelles

    Des contraintes explicites limitent les demandes au service client, les annulations et les retours.

  • Une connaissance produit réutilisable

    Attributs, exclusions et niveaux de confiance formalisés servent ensuite à la recherche, aux campagnes et au CRM.

Le principe

Ce que ce projet a inspiré dans CAIAC

Ce projet nous a appris qu'améliorer la conversion sur un catalogue à fortes contraintes exige plus qu'une meilleure similarité : il faut transformer les attentes non négociables en règles explicites et savoir escalader l'incertitude.

CAIAC industrialise aujourd'hui ce principe : intention, contraintes obligatoires, produits éligibles, classement sémantique, contrôle, page, test et apprentissage. Les attributs sensibles, certifications et exclusions restent traçables. Aucun algorithme, catalogue, page ni règle du projet historique n'est repris.

À propos de ce retour d'expérienceRéduire

Ce retour d'expérience provient d'un projet antérieur à CAIAC. Il illustre les mécanismes opérationnels qui ont contribué à la conception de la plateforme. Les résultats sont spécifiques au contexte du projet et ne constituent pas une garantie de performance.

Éléments restant à documenter :

  • Populations exposées de part et d'autre du test.
  • Définition retenue de la conversion.
  • Durée du test et répartition du trafic.
  • Panier moyen et sources de campagne.
  • Significativité statistique : le rapport de 3,2× n'est pas mis en avant tant que le protocole n'est pas documenté.

Projet anonymisé · antérieur à CAIAC · résultats non garantis. Le déploiement est adapté aux données, systèmes et niveaux d'autonomie disponibles dans l'environnement de l'entreprise.

Cet enjeu est le vôtre ?

Cet axe regroupe les leviers qui se travaillent ensemble et se mesurent sur les mêmes indicateurs.

Revenir à « Accélérer l'acquisition et la conversion »Demander une démonstration