Du Search à la Product Discovery grâce au Composable Commerce (épisode 3 sur 8)

IA et IA Générative : de nombreux cas d’usages déjà en place

L’Intelligence Artificielle est plus qu’une tendance, c’est une véritable révolution technologique qui s’est intégrée dans notre quotidien depuis plusieurs années. Elle est devenue plus visible pour le grand public avec l’arrivée de ChatGPT, MidJourney et autres modèles de Gen AI (IA Générative). Mais elle ne doit pas masquer les autres types d’IA qui ont déjà largement investi les systèmes en améliorant l’expérience utilisateur et l’efficacité des opérations.

L’IA Générative pour l’e-commerce

Avec l’IA Générative, les e-commerçants voient se transformer de nombreux métiers au coeur de leurs activités marketing : elle permet en effet la génération de la description des articles optimisée pour le SEO, leur traduction pour les différents sites à l’international, la création d’images et de vidéos pour alimenter les fiches produits et les campagnes de promotion, l’optimisation des chatbots avec des interactions conversationnelles améliorées, ou encore la création d’emails au contenu personnalisé.

60% des commerçants français citent l’expérience client comme l’objectif principal de leur stratégie d’IA générative - Étude Salesforce

Sensefuel intègre cette évolution du moteur de recherche en moteur de réponses, à l'aide de ses AI Sales Assistant.

Ils se déploient sur les moteur de recherche e-commerce pour comprendre et assister chaque client vers le produits qu'il souhaite acheter, à l'aide d'une conversation.

Découvrez-le en vidéo

L’IA au profit de la product discovery

Les e-commerçants n’ont pas attendu l’arrivée de l’IA Générative pour mettre à profit l’IA sur leur plateforme e-commerce. Le machine learning, notamment, leur apporte depuis plusieurs années des applications concrètes qui leur permettent d’automatiser des dispositifs dont ils rêvaient secrètement. Techniquement, les algorithmes de machine learning ont la capacité d’apprendre de la donnée et d’en extraire de l’information pertinente grâce à l’application de règles statistiques qui définissent un modèle d’apprentissage.

Avec la croissance des données, les modèles de machine learning ont prouvé leur pertinence dans la segmentation client, qui elle-même est activée pour différents dispositifs marketing utilisés sur les sites e-commerce pour proposer une meilleure expérience client et optimiser la conversion. Avec les dernières évolutions de l’IA, cette personnalisation va plus loin en analysant les données en temps réel pour proposer de l’ultra-personnalisation en temps réel.

Beaucoup de dispositifs alimentés par l’IA font partie de la product discovery :

Le moteur de recherche sémantique : il utilise les technologies NLP (Natural Langage Processing) ou plus récemment les LLMs (Large Language Models) pour interpréter les requêtes et fournir des résultats plus pertinents, même si la phrase est formulée en langage naturel. Cette faculté de compréhension est particulièrement importante, car les utilisateurs ont tendance à exprimer leurs requêtes par de vraies phrases et non une association de mots-clefs. Une évolution due à l’usage des assistants vocaux, qui se retrouve dans la recherche vocale (exemple : « Je cherche une robe longue pour le mariage de mon amie Nathalie »).
La recommandation personnalisée : ces systèmes utilisent des algorithmes de filtrage collaboratif et de filtrage basé sur le contenu pour suggérer des produits pertinents à chaque utilisateur, en analysant notamment l’historique de navigation du client, ses achats passés et les comportements similaires d’autres visiteurs du site.
L’analyse prédictive : elle anticipe les besoins et les préférences des utilisateurs en se basant sur des modèles d’apprentissage automatique, ce qui permet de proposer des produits de manière proactive.
Les chatbots et assistants virtuels intelligents : ils utilisent le NLP et l’apprentissage par renforcement pour interagir avec les utilisateurs et les guider dans leur découverte de produits.
La personnalisation en temps-réel : qui s’appuie sur la puissance de l’IA pour adapter dynamiquement le contenu et les recommandations en fonction du comportement en temps-réel de l’utilisateur sur le site.

L’assistant Rufus d’Amazon Amazon a récemment testé un nouvel assistant d’achat basé sur l’IA générative, intégré directement aux fiches produits. Ce modèle, formé à partir du catalogue Amazon et de données web, suggère aux clients les questions à poser pour explorer plus en profondeur le catalogue, et pousse les produits illustrant ses réponses. Grâce à l’IA Générative, l’assistant peut répondre à des requêtes complexes, comme les critères d’achat à considérer ou des comparaisons entre différents articles. Cet outil facilite ainsi la découverte des produits et la prise de décision directement sur la plateforme Amazon, avec une expérience conversationnelle.

Le machine learning appliqué au moteur de recherche

Pour aller plus loin que la compréhension de la requête évoquée plus haut, il est aussi possible d’utiliser avec le moteur de recherche du site e-commerce des algorithmes de machine learning pour proposer des produits en cas d’expression inconnue. Prenons un exemple concret : si le visiteur du site tape « chimichurri », le moteur est capable de comprendre sémantiquement qu’il s’agit d’une sauce, et il en proposera d’autres si celleci n’est pas au catalogue. Cet algorithme de réouverture est une fonction essentielle pour éviter le « 0 résultat » qui fait fuir le visiteur vers un autre site.

Ces algorithmes ouvrent aussi de nouvelles perspectives pour la personnalisation, qui peut se faire au niveau du ranking produit, en prenant en compte :

La saisonnalité : le moteur propose des articles en accord avec la saison. Si le visiteur tape « pull » en été, il proposera des pulls légers.
L’appétence utilisateur : si le visiteur cherche des produits pour homme, puis cherche des chaussures, le moteur lui proposera des chaussures pour hommes.
Le profil utilisateur : les algorithmes classent les clients en différents types de profils, permettant de personnaliser les résultats de recherche et les recommandations, avec des listings sur mesure dès la page d’accueil.
Les mots-clés tapés : le système apprend à mieux comprendre les intentions des utilisateurs derrière les mots-clés. Par exemple, pour «jean», il privilégiera les pantalons plutôt que les vestes, en se basant sur les best-sellers.

Un autre avantage majeur de l’IA dans le front-end est sa capacité à apprendre et à s’adapter en permanence. En analysant les données comportementales des utilisateurs et les tendances d’achat, l’IA permet d’ajuster les stratégies de e-merchandising, d’affiner les algorithmes de Product Discovery et d’améliorer les réponses des chatbots. Ce processus d’amélioration continue garantit une optimisation constante de l’expérience utilisateur et des performances commerciales.

Du moteur de recherche au moteur de réponse grâce à l’IA : l’exemple de Google

Les moteurs de recherche ont évolué pour passer d’une simple liste de liens à des éléments de réponse affichés sous forme de widget. Plus récemment, certaines recherches sur Google donnent lieu à des extraits optimisés (appelés Featured Snippet) qui contiennent une réponse concise générée par des algorithmes qui analysent le contenu des pages web pour apporter une réponse précise à la requête.

Cette transformation de moteur de recherche à moteur de réponse franchit une nouvelle étape avec les chatbots IA : en intégrant l’IA Générative, Google annonçait une Search Generative Experience, qu’il a ensuite rebaptisée AI Overviews lors de sa conférence annuelle. Intégrés progressivement dans les SERPs, ces aperçus d’IA apportent, en plus d’une réponse générée à partir des sources trouvées, la possibilité d’affiner la question en passant en mode conversationnel avec l’utilisateur. Grâce à l’utilisation de l’IA, le moteur parvient à comprendre rapidement l’intention de l’utilisateur, même pour des requêtes complexes et ambiguës.

Pour les recherches de produits, il intègre également les avis clients et les emplacements des points de vente à proximité, pour une expérience encore plus personnalisée.

Cette nouvelle expérience de recherche (pas encore annoncée en France) combine les technologies RAG, pour retrouver de l’information récente et pertinente, et LLM pour générer des réponses.

Cette évolution du moteur de Google entraine de nouveaux défis pour le SEO. Elle aura également pour conséquence d’habituer l’internaute à obtenir des informations encore plus pertinentes et personnalisées à ses requêtes, un avantage qu’il s’attendra à retrouver sur les sites e-commerce vers lesquels le moteur le conduira.