Pourquoi la personnalisation e-commerce ne fonctionne pas toujours

Pourquoi la personnalisation e-commerce ne fonctionne-t-elle pas toujours, malgré les investissements engagés et les promesses des plateformes ? Sur de nombreux sites marchands, les recommandations restent peu utilisées, le taux de conversion progresse à peine et le retour sur investissement demeure difficile à démontrer.

La personnalisation e-commerce est présentée depuis des années comme l’un des principaux leviers d’amélioration de la conversion. La promesse est séduisante : comprendre chaque visiteur, lui présenter les produits les plus pertinents et adapter son expérience en temps réel.

Mais sur de nombreux sites marchands, les résultats restent difficiles à démontrer. Les recommandations sont peu utilisées, le taux de conversion progresse à peine et les équipes ne savent pas toujours distinguer les ventes réellement générées de celles qui auraient eu lieu de toute façon.

Le problème ne vient pas nécessairement de la personnalisation elle-même. Il vient souvent de la manière dont elle est alimentée, pilotée, déployée et mesurée.

Cet article présente les sept causes les plus fréquentes de sous-performance et les contrôles à effectuer avant de remettre en cause toute votre stratégie.

L’essentiel à retenir

Une personnalisation e-commerce sous-performe généralement lorsque :

• elle optimise les clics plutôt que la valeur réellement créée ;
• ses données sont incomplètes, anciennes ou incohérentes ;
• elle dépend excessivement de l’historique du visiteur ;
• elle fonctionne mal sur les visiteurs nouveaux ou anonymes ;
• les règles métier deviennent trop nombreuses ou contradictoires ;
• les différentes zones du site prennent des décisions indépendantes ;
• son impact n’est pas mesuré par un test contrôlé.

La première étape n’est donc pas d’ajouter un nouvel algorithme ou une nouvelle règle. Elle consiste à identifier précisément où la chaîne de décision se dégrade.

Pourquoi la personnalisation e-commerce ne fonctionne pas malgré de bons outils

Une plateforme peut être techniquement sophistiquée et produire malgré tout des résultats médiocres.

La raison est simple : disposer d’un moteur de recommandation, d’un outil de segmentation ou d’un système de bannières dynamiques ne signifie pas que le site prend de meilleures décisions.

Il faut distinguer trois fonctions souvent regroupées sous le terme de personnalisation.

La recherche répond à une demande formulée

Le moteur de recherche interne aide le visiteur à trouver un produit à partir des mots qu’il utilise.

Il doit comprendre la requête, identifier les résultats pertinents et les classer de façon utile.

La recommandation propose des produits

Le moteur de recommandation sélectionne des articles susceptibles d’intéresser le visiteur.

Il peut s’appuyer sur :

• la popularité ;
• la similarité entre produits ;
• l’historique de navigation ;
• les achats précédents ;
• le contenu du panier ;
• les comportements d’autres visiteurs.

La personnalisation adapte une décision à une situation

La personnalisation devrait aller plus loin.

Elle doit déterminer ce qu’il est pertinent de montrer à ce visiteur, à cet instant précis, dans cette situation particulière, tout en tenant compte des objectifs du marchand.

Un site peut donc posséder un bon moteur de recommandation sans proposer une expérience réellement individualisée.

Il affiche alors des produits cohérents en théorie, mais qui ne correspondent pas suffisamment à l’intention du moment.

Comment savoir pourquoi votre personnalisation e-commerce ne fonctionne pas

Une personnalisation sous-performante ne se reconnaît pas uniquement à une baisse du taux de conversion.

Les tableaux de bord peuvent afficher de nombreux clics, consultations de produits ou ajouts au panier. Pourtant, ces activités ne démontrent pas que la personnalisation a généré des ventes supplémentaires.

Plusieurs symptômes doivent attirer l’attention.

Symptôme observé	Cause probable	Indicateur à contrôler
Beaucoup de clics, mais peu de ventes supplémentaires	Optimisation d’une métrique intermédiaire	Chiffre d’affaires incrémental par visite
Les mêmes produits apparaissent partout	Dépendance à la popularité	Diversité des produits exposés
Les nouveaux visiteurs reçoivent des suggestions génériques	Démarrage à froid	Performance des visiteurs anonymes
Les résultats sont difficiles à expliquer	Accumulation de règles ou boîte noire	Nombre de règles et décisions auditables
Une page contredit la précédente	Mauvaise orchestration	Cohérence entre recherche, ranking et recommandation
Les performances varient fortement	Protocole de test insuffisant	Stabilité des groupes comparés
Les contenus apparaissent tardivement	Intégration ou traitement trop lent	Performance réelle dans le navigateur

L’objectif de ce diagnostic est de distinguer un défaut de technologie d’un problème de données, de gouvernance ou de mesure.

1. La personnalisation e-commerce ne fonctionne pas si elle mesure les mauvais résultats

Le premier problème est souvent une erreur de mesure.

Un taux de clic élevé sur une recommandation ne prouve pas que celle-ci a généré une vente supplémentaire.

Un visiteur peut cliquer sur un produit qu’il aurait trouvé autrement. Un article populaire peut recevoir beaucoup de clics parce qu’il est déjà attractif. Une recommandation peut également déplacer une vente d’une zone vers une autre sans augmenter les résultats globaux du site.

Il faut donc distinguer deux catégories d’indicateurs.

Les indicateurs d’activité

Ils mesurent ce que fait le visiteur :

• impression d’une recommandation ;
• clic ;
• consultation d’une fiche produit ;
• ajout au panier ;
• temps passé ;
• interaction avec une zone personnalisée.

Les indicateurs de valeur

Ils mesurent la contribution réelle au business :

• chiffre d’affaires par visite ;
• chiffre d’affaires incrémental ;
• taux de conversion incrémental ;
• marge par visite ;
• panier moyen ;
• diversité du catalogue vendu ;
• fréquence de réachat ;
• écoulement d’un stock prioritaire.

La question importante n’est donc pas seulement :

Les visiteurs utilisent-ils les recommandations ?

Elle est plus exigeante :

La personnalisation produit-elle un résultat qui ne se serait pas produit sans elle ?

Pour répondre sérieusement, il faut comparer un groupe exposé à la personnalisation avec un groupe témoin réellement comparable.

2. La personnalisation e-commerce ne fonctionne pas avec des données incomplètes

Une plateforme ne peut pas prendre de bonnes décisions à partir de données inexactes, anciennes ou mal synchronisées.

Les problèmes les plus fréquents concernent :

• les événements comportementaux manquants ;
• les délais de transmission ;
• les identifiants incohérents entre appareils ;
• les informations produit incomplètes ;
• les stocks mal actualisés ;
• les prix ou promotions périmés ;
• les catégories mal structurées ;
• les données dispersées entre plusieurs systèmes ;
• les consentements incorrectement transmis.

Dans ces conditions, le moteur travaille sur une représentation imparfaite du visiteur et du catalogue.

Il peut recommander un produit indisponible, ignorer une évolution récente de la navigation ou continuer à utiliser un comportement qui n’a plus de rapport avec l’intention actuelle.

La fraîcheur des données compte autant que leur volume

Accumuler plus de données ne garantit pas une meilleure personnalisation.

Une information récente, observée pendant la session en cours, peut être plus utile qu’un historique très riche mais éloigné du besoin actuel.

Un client qui revient aujourd’hui peut :

• acheter pour une autre personne ;
• préparer un événement particulier ;
• disposer d’un budget différent ;
• explorer une nouvelle catégorie ;
• comparer plusieurs solutions ;
• ou répondre à une contrainte récente.

La personnalisation doit donc faire la différence entre ce que le visiteur a fait dans le passé et ce qu’il semble chercher maintenant.

3. La personnalisation e-commerce ne fonctionne pas lorsqu’elle réduit le visiteur à un segment

La segmentation reste utile pour organiser une stratégie marketing.

Elle permet notamment de distinguer :

• les nouveaux visiteurs ;
• les clients réguliers ;
• les acheteurs à forte valeur ;
• les visiteurs sensibles aux promotions ;
• les amateurs d’une catégorie ;
• les clients ayant abandonné un panier.

Mais un segment reste une construction statistique.

Deux personnes appartenant au même groupe peuvent avoir des intentions très différentes. Une même personne peut aussi changer de comportement au cours d’une seule visite.

Le segment indique qu’un visiteur ressemble à d’autres visiteurs selon certains critères.

Il ne dit pas nécessairement ce qu’il faut lui montrer maintenant.

La moyenne ne décrit pas une situation individuelle

Une recommandation peut être efficace en moyenne et rester inadaptée à une partie importante des visiteurs auxquels elle est présentée.

C’est l’une des limites des approches fondées essentiellement sur des profils ou des audiences prédéfinies : elles simplifient la réalité avant même d’avoir essayé de la comprendre.

Une personnalisation plus fine doit tenir compte de signaux tels que :

• les pages consultées ;
• le rythme de navigation ;
• les hésitations ;
• les retours en arrière ;
• les comparaisons ;
• les recherches ;
• les produits récemment découverts ;
• les réactions aux recommandations précédentes.

Le visiteur n’est pas uniquement un profil. Il se trouve dans une situation qui évolue en permanence.

4. Pourquoi la personnalisation e-commerce ne fonctionne pas sur les nouveaux visiteurs

Le démarrage à froid, ou cold start, désigne la difficulté rencontrée par un système lorsqu’il possède peu d’informations sur un visiteur ou sur un produit.

Le problème concerne particulièrement :

• les visiteurs arrivant pour la première fois ;
• les internautes non identifiés ;
• les clients occasionnels ;
• les nouveaux produits ;
• les nouvelles catégories ;
• les changements saisonniers ;
• les périodes commerciales inhabituelles.

Dans ces situations, de nombreux moteurs reviennent à des stratégies générales :

• meilleures ventes ;
• produits les plus consultés ;
• articles similaires ;
• produits de la même catégorie ;
• sélection manuelle.

Ces solutions peuvent être utiles comme mécanisme de repli. Mais elles produisent souvent une expérience identique pour une grande partie du trafic.

La personnalisation ne devient alors pertinente qu’après plusieurs interactions, parfois après que le visiteur a déjà choisi ou quitté le site.

Mesurer séparément les visiteurs anonymes

Une moyenne générale peut masquer une forte sous-performance sur les premières visites.

Il faut donc comparer séparément :

• les visiteurs identifiés et anonymes ;
• la première visite et les suivantes ;
• le mobile et l’ordinateur ;
• les nouveaux produits et les produits établis ;
• le trafic direct, publicitaire et organique.

Une plateforme réellement adaptative doit exploiter les signaux disponibles dès le début de la session, sans attendre la création d’un profil historique complet.

5. La personnalisation e-commerce ne fonctionne pas avec des recommandations trop génériques

Une recommandation générique n’est pas nécessairement inutile.

Afficher les meilleures ventes peut rassurer. Présenter des produits proches peut faciliter la comparaison. Proposer des articles complémentaires peut augmenter le panier moyen.

Le problème apparaît lorsque la plateforme utilise presque toujours les mêmes mécanismes, quelles que soient la personne et la situation.

Les recommandations tournent alors en permanence autour :

• des produits les plus populaires ;
• des catégories déjà consultées ;
• des derniers articles vus ;
• des produits proches de la fiche affichée ;
• des campagnes définies par l’équipe marketing.

L’expérience semble personnalisée parce qu’elle réagit à quelques signaux. Elle reste pourtant largement prévisible.

Le risque de répétition algorithmique

Lorsqu’un système apprend principalement à partir du passé, il peut renforcer en permanence les comportements déjà observés.

Un visiteur ayant consulté des chaussures de sport continuera à voir des chaussures de sport, même lorsque sa navigation indique désormais un autre intérêt.

Cette logique peut :

• réduire la découverte de produits ;
• concentrer les ventes sur une faible partie du catalogue ;
• limiter l’exposition des nouveautés ;
• enfermer le visiteur dans une catégorie ;
• donner une impression de pauvreté de l’offre.

La qualité d’un moteur ne dépend donc pas seulement de sa capacité à reconnaître un intérêt.

Elle dépend également de sa capacité à comprendre que cet intérêt a changé.

6. La personnalisation e-commerce ne fonctionne pas quand les règles deviennent ingérables

Les règles métier sont indispensables.

Elles permettent notamment de :

• exclure les produits indisponibles ;
• respecter des contraintes commerciales ;
• soutenir une campagne ;
• privilégier une gamme ;
• intégrer la marge ;
• réduire un stock ;
• protéger une marque ;
• éviter les répétitions.

Le problème apparaît lorsque chaque nouveau cas entraîne l’ajout d’une règle supplémentaire.

Au fil du temps, les équipes accumulent :

• conditions ;
• exclusions ;
• priorités ;
• exceptions ;
• scénarios particuliers ;
• règles temporaires devenues permanentes.

Certaines règles se chevauchent. D’autres se contredisent. Plusieurs restent actives alors que leur justification commerciale a disparu.

La plateforme continue de fonctionner, mais personne ne sait précisément pourquoi tel produit a été présenté.

Les conséquences de cette complexité

L’accumulation des règles produit généralement trois effets :

1. les changements prennent de plus en plus de temps ;
2. les équipes marketing perdent la maîtrise du résultat ;
3. le moteur dispose de moins en moins de liberté pour s’adapter.

Une règle devrait exprimer une contrainte réelle ou une intention stratégique.

Elle ne devrait pas chercher à prévoir manuellement chaque comportement possible.

7. La personnalisation e-commerce ne fonctionne pas lorsque chaque outil décide seul

Un visiteur peut être confronté successivement à :

• un moteur de recherche ;
• une page catégorie ;
• un ranking personnalisé ;
• une fiche produit ;
• plusieurs zones de recommandation ;
• une bannière commerciale ;
• un panier ;
• un email de relance.

Lorsque chaque composant utilise sa propre logique, le parcours peut devenir incohérent.

Un produit rétrogradé dans une page catégorie peut être recommandé immédiatement après. Une campagne mise en avant dans une bannière peut rester absente du ranking. Le moteur de recherche peut privilégier un critère que le moteur de recommandation ignore complètement.

Chaque outil optimise son propre résultat.

Mais personne n’arbitre la décision globale.

Passer de l’optimisation locale à la décision produit

La question ne devrait plus être seulement :

Quel moteur de recommandation génère le plus de clics ?

Elle devrait devenir :

Quel produit faut-il présenter maintenant, compte tenu de la situation du visiteur et des objectifs du marchand ?

Cette décision peut intégrer :

• la pertinence ;
• la conversion ;
• la marge ;
• le stock ;
• la promotion ;
• la diversité ;
• la fidélisation ;
• la découverte du catalogue.

Une personnalisation efficace doit coordonner ces arbitrages au lieu de juxtaposer plusieurs optimisations indépendantes.

8. La personnalisation e-commerce ne fonctionne pas si elle ralentit le site

Une recommandation pertinente perd une partie de sa valeur si elle apparaît trop tard.

Il faut distinguer plusieurs délais :

• le temps de calcul du moteur ;
• la transmission des données ;
• l’appel réseau ;
• le déclenchement du script ;
• l’insertion du contenu ;
• le rendu dans le navigateur.

Un moteur rapide ne garantit donc pas, à lui seul, une page rapide.

Une mauvaise intégration peut provoquer :

• une apparition tardive des recommandations ;
• des déplacements de mise en page ;
• un délai avant interaction ;
• un affichage temporaire de contenus non personnalisés ;
• un ralentissement général du parcours.

La performance doit être mesurée sur le site réel, dans les navigateurs, les appareils et les conditions de connexion effectivement utilisés par les clients.

Comment corriger une personnalisation e-commerce qui ne fonctionne pas

Un audit efficace ne commence pas par le choix d’une nouvelle technologie. Il commence par la définition du résultat attendu.

Étape 1 : définir un objectif business prioritaire

Choisissez un indicateur principal :

• chiffre d’affaires par visite ;
• marge par visite ;
• taux de conversion ;
• panier moyen ;
• découverte du catalogue ;
• vente d’une catégorie ;
• écoulement d’un stock ;
• fréquence de réachat.

Évitez de poursuivre simultanément plusieurs objectifs sans établir leur ordre de priorité.

Augmenter la marge, réduire un stock et maximiser le taux de conversion peuvent conduire à des décisions très différentes.

Étape 2 : vérifier les données réellement reçues

Contrôlez :

• quels événements remontent ;
• à quel moment ;
• dans quel ordre ;
• avec quel identifiant ;
• avec quel niveau de précision ;
• et avec quel délai.

L’audit doit être réalisé à partir de sessions réelles, et pas seulement à partir de la documentation du plan de marquage.

Vérifiez également les données du catalogue :

• disponibilité ;
• prix ;
• promotion ;
• marge ;
• catégories ;
• variantes ;
• attributs ;
• délais de livraison.

Étape 3 : cartographier les règles actives

Pour chaque règle, précisez :

• son objectif ;
• son propriétaire ;
• sa date de création ;
• sa durée prévue ;
• les zones concernées ;
• sa priorité ;
• ses éventuels conflits.

Supprimez les règles dont l’utilité n’est plus démontrée.

Une règle temporaire ne devrait pas rester active pendant plusieurs années simplement parce que personne n’a pensé à la désactiver.

Étape 4 : contrôler la cohérence de l’expérience

Parcourez le site comme le ferait un visiteur.

Observez successivement :

• la page d’accueil ;
• les pages catégories ;
• les résultats de recherche ;
• les fiches produits ;
• les recommandations ;
• le panier.

Vérifiez si les décisions prises sur une page restent cohérentes sur la suivante.

L’objectif n’est pas que toutes les zones présentent les mêmes produits. Il est qu’elles ne se contredisent pas sans raison.

Étape 5 : tester un cas d’usage limité

Ne cherchez pas à personnaliser tout le site simultanément.

Commencez par un périmètre dont l’effet peut être isolé :

• ranking d’une page catégorie ;
• recommandation sur une fiche produit ;
• recommandation dans le panier ;
• classement des résultats de recherche ;
• sélection de produits sur la page d’accueil.

Un cas d’usage limité permet de comprendre :

• la valeur créée ;
• les données réellement utiles ;
• les contraintes rencontrées ;
• les règles nécessaires ;
• les enseignements réutilisables.

Étape 6 : mettre en place un test A/B rigoureux

Comparez le groupe exposé à la personnalisation avec un groupe témoin stable.

Le protocole doit tenir compte :

• du volume de trafic ;
• du taux de conversion ;
• du cycle d’achat ;
• de la saisonnalité ;
• des campagnes commerciales ;
• des canaux d’acquisition ;
• des appareils utilisés.

La durée du test ne doit pas être déterminée à partir d’un nombre arbitraire de jours.

Elle doit dépendre du volume nécessaire pour obtenir un résultat suffisamment robuste.

Pourquoi l’approche inductive de NetUp est différente

NetUp ne cherche pas uniquement à construire un profil stable du visiteur. La plateforme analyse chaque session comme une situation évolutive.

À chaque interaction, elle utilise 232 marqueurs de situation (comportementaux, contextuels et psychologiques) afin d’actualiser à chaque clic une signature de la visite.

Elle recherche ensuite des situations analogues observées dans le passé et identifie les décisions qui ont produit les meilleurs résultats dans ces contextes comparables.

Cette logique répond à une question différente.

Une approche essentiellement prédictive cherche à déterminer :

Que devrait probablement aimer ce type de visiteur ?

L’approche inductive cherche à comprendre :

Qu’est-ce qui a réellement fonctionné dans des situations comparables à celle-ci ?

Une personnalisation active dès les premiers signaux

Comme la décision repose sur la situation en cours et sur des situations analogues, NetUp peut commencer à adapter l’expérience sans attendre la constitution d’un historique individuel riche.

Cette approche vise notamment :

• les visiteurs anonymes ;
• les premières visites ;
• les intentions émergentes ;
• les changements de comportement ;
• les situations peu fréquentes ;
• les nouveaux produits.

Des objectifs métier intégrés à l’arbitrage

Les objectifs du marchand peuvent être intégrés à la décision :

• conversion ;
• chiffre d’affaires ;
• marge ;
• stock ;
• promotion ;
• découverte ;
• fidélisation.

L’objectif n’est pas de supprimer le pilotage métier.

Il est d’éviter que les équipes aient à traduire chaque objectif en dizaines de règles particulières.

Une décision mesurable

Comme pour toute solution de personnalisation, l’impact doit être mesuré sur le site concerné.

Les résultats observés chez un client ne constituent pas une promesse universelle. Ils dépendent notamment :

• du trafic ;
• du catalogue ;
• de la qualité des données ;
• de la solution comparée ;
• du cas d’usage ;
• du protocole de test ;
• de la maturité du site.

Chaque déploiement doit donc être évalué à partir d’un test contrôlé et d’un indicateur business défini à l’avance.

Quels critères utiliser pour choisir une plateforme de personnalisation ?

Les promesses commerciales ne suffisent pas.

Une plateforme doit être évaluée sur sa capacité à produire une décision pertinente, mesurable et maîtrisable.

Adaptation au visiteur

• Le système tient-il compte de la session en cours ?
• Fonctionne-t-il sur les visiteurs anonymes ?
• Comment gère-t-il le démarrage à froid ?
• À quelle fréquence la décision est-elle actualisée ?
• Peut-il détecter un changement d’intention ?

Pilotage métier

• Peut-on intégrer la marge, le stock ou les promotions ?
• Ces objectifs sont-ils traités comme des critères d’arbitrage ou comme des règles rigides ?
• Les équipes marketing peuvent-elles modifier la stratégie sans développement ?
• Peut-on limiter automatiquement la durée d’une règle ?

Transparence

• Peut-on comprendre pourquoi un produit a été présenté ?
• Les facteurs de décision sont-ils consultables ?
• Les règles et priorités sont-elles visibles ?
• Les résultats sont-ils exportables et auditables ?

Orchestration

• La recommandation et le ranking utilisent-ils une logique commune ?
• Les décisions sont-elles cohérentes entre les pages ?
• Les différentes zones peuvent-elles poursuivre un objectif partagé ?
• Les contraintes métier sont-elles appliquées partout de manière cohérente ?

Mesure

• Un test A/B est-il disponible nativement ?
• Existe-t-il un véritable groupe témoin ?
• Peut-on mesurer le chiffre d’affaires ou la marge incrémentale ?
• Les résultats sont-ils disponibles par appareil, canal et type de visiteur ?
• Le protocole est-il auditable ?

Performance technique

• Quel est le temps de traitement réel ?
• Quel est le temps observé dans le navigateur ?
• Quel est l’effet sur la stabilité de la page ?
• Que se passe-t-il si le service est indisponible ?
• Existe-t-il un mécanisme de repli ?

Comprendre pourquoi la personnalisation e-commerce ne fonctionne pas

Comprendre pourquoi la personnalisation e-commerce ne fonctionne pas suppose de dépasser la seule question de l’algorithme.

Une plateforme sous-performe lorsqu’elle :

• poursuit le mauvais indicateur ;
• travaille sur des données trop anciennes ;
• réduit chaque visiteur à un segment ;
• dépend excessivement de l’historique ;
• accumule les règles ;
• juxtapose des moteurs indépendants ;
• ou ne mesure pas l’effet incrémental de ses décisions.

Avant de changer de technologie, un site marchand doit répondre à quatre questions :

1. Quel résultat voulons-nous réellement améliorer ?
2. La plateforme comprend-elle la situation actuelle ou seulement le passé ?
3. Les décisions sont-elles cohérentes sur l’ensemble du parcours ?
4. Pouvons-nous démontrer leur contribution par rapport à un groupe témoin ?

Une personnalisation performante ne doit pas simplement prédire ce qu’un visiteur pourrait apprécier.

Elle doit décider ce qu’il est pertinent de lui présenter maintenant, en tenant compte de sa situation et des objectifs du marchand.

Testez une personnalisation qui décide en temps réel

NetUp analyse chaque visite comme une situation unique et adapte en temps réel les recommandations et le ranking aux objectifs du site marchand.

Mesurez directement son impact sur un indicateur business concret : chiffre d’affaires par visite, conversion ou marge.

Découvrir NetUp

Questions fréquentes sur une personnalisation e-commerce qui ne fonctionne pas

Pourquoi ma personnalisation e-commerce ne fonctionne pas sur la conversion ?

Les causes possibles sont nombreuses : données incomplètes, recommandations génériques, mauvaise gestion des visiteurs anonymes, règles contradictoires ou mesure fondée uniquement sur les clics. Commencez par comparer un groupe exposé à un groupe témoin sur le chiffre d’affaires ou la marge par visite.

Pourquoi mes recommandations présentent-elles toujours les mêmes produits ?

Le moteur dépend probablement beaucoup de la popularité, de l’historique ou d’un nombre limité de stratégies. Vérifiez la diversité des produits exposés et sa capacité à détecter les changements d’intention.

La personnalisation peut-elle fonctionner sur un visiteur anonyme ?

Cela dépend des plateformes. NetUp exploite es signaux de la session en cours : pages vues, clics, rythme de navigation, recherches, appareil ou réaction aux produits présentés. Elle n’a pas nécessairement besoin de connaître l’identité du visiteur.

Quelle différence existe-t-il entre recommandation et personnalisation ?

La recommandation sélectionne des produits susceptibles d’intéresser le visiteur. La personnalisation adapte plus largement une décision ou une expérience à sa situation, à son comportement et aux objectifs du site.

Comment mesurer le retour sur investissement de la personnalisation ?

Mettez en place un groupe témoin stable et mesurez l’effet incrémental sur un indicateur économique : chiffre d’affaires par visite, marge, conversion ou panier moyen. Les clics constituent un indicateur d’activité, mais pas une preuve suffisante de rentabilité.

Combien de temps doit durer un test A/B ?

La durée dépend du trafic, du taux de conversion, du cycle d’achat et de la saisonnalité. Le test doit réunir suffisamment d’observations pour produire un résultat interprétable et ne doit pas être arrêté simplement parce qu’une variation positive apparaît après quelques jours.