Faire du e-merchandising un système vivant, adaptatif, n’est pas une posture « visionnaire ». C’est aujourd’hui une condition de survie pour tout site entre 10 et 100 M€ de CA.
Chaque visite est différente : un fait cognitif, pas une figure de style
Du point de vue des sciences cognitives, vos clients ne sont pas des « profils ». Ils sont avant tout des situations. En effet, le même individu n’a absolument pas les mêmes contraintes le lundi matin sur mobile, dans le métro, alors que, le samedi soir, il navigue sur tablette, au calme. Dans ces deux contextes, son budget, son humeur, sa disponibilité mentale et ses priorités évoluent fortement.
De plus, ses décisions sont très sensibles au contexte immédiat : temps disponible, niveau de fatigue, pression sociale ou encore notifications concurrentes. En modélisation, on dirait que ses préférences sont non stationnaires, puisqu’elles changent au fil du temps et selon les circonstances. Ce phénomène est d’ailleurs largement documenté dans la littérature sur les systèmes de recommandation ; voir, par exemple, les travaux de Yehuda Koren sur les dynamiques temporelles dans le filtrage collaboratif :
https://faculty.cc.gatech.edu/~zha/CSE8801/CF/kdd-fp074-koren.pdf
Autrement dit, l’hypothèse « même utilisateur = même comportement » est fausse. Dès lors, continuer à personnaliser uniquement sur la base de l’historique ou du segment revient à ignorer la variable la plus déterminante : la situation du moment.
La fidélisation se joue dans la précision de l’instant
La fidélité n’est pas un « état » du client ; c’est plutôt une somme de micro-expériences vécues au fil des visites. Ainsi, deux apports des sciences cognitives sont particulièrement utiles pour comprendre ce mécanisme.
D’abord, la règle du pic-fin (peak-end rule). Nous retenons surtout quelques moments forts, qu’ils soient positifs ou négatifs, ainsi que la fin de l’expérience. Par conséquent, une recommandation très pertinente au bon moment peut compenser plusieurs frictions mineures. À l’inverse, une série de recommandations incohérentes, précisément lorsque l’utilisateur est pressé, peut suffire à le faire quitter le site.
Ensuite, la charge cognitive. À mesure que l’offre s’élargit, l’utilisateur doit fournir un effort mental croissant pour choisir. Les recommandations et le tri produit ne sont donc pas seulement des « boosts de conversion » ; ils constituent également un levier essentiel pour réduire cet effort et rendre la décision plus simple.
Par ailleurs, les synthèses académiques sur les systèmes de recommandation en e-commerce soulignent ce rôle de filtre face à la surabondance d’options, notamment pour prévenir la fatigue décisionnelle. Voir, par exemple, le Recommender Systems Handbook édité par Ricci, Rokach et Shapira :
https://link.springer.com/book/10.1007/978-1-0716-2197-4
ou encore l’article de Hazrati & Ricci sur la manière dont les recommandations influencent les choix :
https://link.springer.com/article/10.1007/s11257-023-09366-x
La fidélisation se joue donc dans la précision de l’instant : êtes-vous capable, page après page et clic après clic, de proposer quelque chose qui a réellement du sens pour la situation exacte du visiteur, maintenant ?
Pourquoi le e-merchandising « modélisé » atteint ses limites
Règles, segments, scénarios, arbres de décision : pendant des années, le e-merchandiser a été sommé de préconfigurer l’expérience.
- « Si device = mobile + source = SEA brand → tel tri produit »
- « Si client VIP + catégorie X → telle bannière de reco »
- « Scénario retargeting 1, 2, 3… »
Ces approches ont trois limites majeures :
- Elles supposent la stabilité
Elles partent du principe qu’un segment (ex : « clients premium ») réagit à peu près toujours de la même façon. C’est l’hypothèse de stationnarité qu’on retrouve dans beaucoup de modèles prédictifs classiques… et qui est largement invalidée dans les comportements réels (voir à nouveau Koren, 2009 :
https://faculty.cc.gatech.edu/~zha/CSE8801/CF/kdd-fp074-koren.pdf). - Elles cassent dès qu’un comportement sort du cadre
Un client habituellement techno qui achète un cadeau bébé, un visiteur qui passe soudain en mode « urgence », un trafic inhabituel sur une catégorie inattendue… Tout cela met à mal des scénarios figés. - Elles ne passent pas à l’échelle
Plus votre catalogue, vos canaux et vos cas d’usage s’enrichissent, plus la matrice de règles explose. Le merchandiser se retrouve à maintenir un système qu’il ne maîtrise plus, où la moindre modification a des effets collatéraux imprévisibles.
Résultat : beaucoup de sites tournent avec un mix de règles figées, de « best sellers » génériques et de briques de reco locales. La promesse de personnalisation est là, mais l’expérience reste largement moyenne.
Du modèle pré-configuré au pilote en binôme avec la machine
Dans un système vivant, le e-merchandiser ne préconfigure plus l’intégralité de l’expérience. Il ne délègue plus à la machine la définition de modèles statistiquement pré-configurés. Il définit :
- des objectifs : marge, rotation, mise en avant stratégique, soutien à une gamme, écoulement de stocks ;
- des contraintes : ne jamais proposer tel produit ensemble, respecter tel niveau de marge, ne pas cannibaliser telle catégorie ;
- des règles de bon sens métier : règles de sécurité, minimum d’exposition d’une nouveauté, curseurs par BU, etc. ;
- des zones de liberté où l’IA peut optimiser en temps réel.
La machine, elle, se charge de :
- lire la situation précise de la visite (signaux comportementaux, contextuels, psychologiques) ;
- anticiper l’intention probable (exploration, comparaison, achat, abandons imminents) ;
- choisir, à chaque action, la meilleure décision locale : tri, reco, mise en avant, densité de choix, etc.
On passe d’un modèle « le métier ou la statistique décrit tout, l’outil exécute » à un process « le métier définit le cadre, l’IA arbitre en situation ».
C’est exactement ce que fait un bon vendeur en boutique : le directeur des ventes définit la politique commerciale mais c’est le vendeur qui ajuste en temps réel son discours, ses propositions, son rythme, en fonction du client en face.
La recommandation n’est plus un module, c’est une infrastructure de décision
Tant que la recommandation reste un « module » :
- elle est cantonnée à quelques emplacements (cross-sell, upsell, « vous aimerez aussi »);
- elle coexiste avec des tris produits, des filtres et des promos pilotés… autrement ;
- chaque brique optimise ses KPI locaux (CTR d’une zone, taux d’ajout panier d’un bloc, etc.) au lieu d’optimiser la situation globale de la visite.
Pour passer à un e-merchandising vivant, il faut considérer la personnalisation comme une infrastructure de décision en temps réel qui irrigue :
- le tri des listes (PLP, résultats de recherche, rayons),
- les recommandations contextuelles,
- les mises en avant éditoriales ou commerciales,
- les encarts promotionnels et contenus de réassurance.
Cette infrastructure devient une couche décisionnelle entre :
- les intentions situées du visiteur,
- et l’ensemble des ressources du site (catalogue, prix, contenu, promos).
Les travaux de synthèse sur les systèmes de recommandation soulignent que les enjeux actuels ne sont plus seulement algorithmiques, mais bien architecturaux : comment faire de la personnalisation un mécanisme transversal, sensible au contexte, plutôt qu’une simple fonctionnalité locale. Voir par exemple :
- Recommender Systems Handbook : https://link.springer.com/book/10.1007/978-1-0716-2197-4
- Adomavicius & Tuzhilin, Context-Aware Recommender Systems : https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/2364/2229
C’est ce saut d’architecture qui permet à la recommandation de devenir un véritable levier stratégique de pilotage du revenu, et non un widget décoratif.
À quoi ressemble un e-merchandising « système vivant » ?
Lecture situationnelle plutôt que profil client
Les approches de nouvelle génération raisonnent par situation plutôt que par profil. Elles :
- agrègent des dizaines ou centaines de marqueurs comportementaux, contextuels et (parfois) psychologiques en temps réel ;
- synthétisent ces données dans une signature situationnelle actualisée à chaque action ;
- comparent cette signature à une mémoire de situations déjà rencontrées, pour transposer analogiquement « ce qui a fonctionné » dans des cas analogues.
Ce type d’approche est proche des systèmes de recommandation « context-aware » (adaptés au contexte) décrits par Adomavicius & Tuzhilin :
https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/2364/2229
Cela permet :
- de bien traiter les cas rares ou nouveaux (pas besoin d’un long historique sur l’utilisateur),
- d’éviter les hypothèses rigides sur les segments,
- de s’adapter immédiatement à un changement d’intention dans la visite.
C’est ce que fait un vendeur expérimenté : il se souvient de clients « qui ressemblaient à cette situation », pas de « clients du segment 3B ».
Le vrai temps réel : recalculer, pas réafficherl
Un système vivant ne se contente pas de pré-calculer des recommandations : il reformule la meilleure décision à chaque micro-événement — clic, scroll, ajout panier, retour arrière ou changement de filtre. On passe ainsi du simple « temps réel d’affichage » (servir un bloc calculé il y a deux heures) au temps réel décisionnel, où l’algorithme réévalue la situation en quelques millisecondes et ajuste l’ordre des produits, le type de recommandations, la densité de choix ou même le signal de réassurance pertinent.
Cette granularité est essentielle pour maintenir la cohérence entre l’intention du moment et ce que le site propose. Elle permet de suivre les bascules rapides entre exploration, comparaison ou urgence d’achat. C’est cette capacité à recalculer plutôt qu’à réafficher qui crée la sensation de fluidité et d’adéquation immédiate ressentie par l’utilisateur.
Pourquoi “modèle réactualisé” n’est pas du temps réel
Le discours courant autour des « modèles réactualisés en temps réel » prête à confusion. Dans la plupart des cas, cela signifie simplement que le modèle est réentraîné sur des données agrégées ou que les produits et utilisateurs sont rescorrés périodiquement. Le modèle global s’adapte ainsi au fil des heures, mais la décision affichée ne change pas à chaque interaction, ce qui maintient une logique moyenne.
Un comportement émergent — nouvelle intention, pattern de navigation inhabituel — ne sera pris en compte qu’une fois qu’il domine statistiquement l’historique. D’ici là, les signaux faibles restent noyés et la pertinence se dégrade précisément là où elle devrait s’améliorer.
Un vrai temps réel décisionnel fait l’inverse : il reformule la décision à chaque clic, en fonction de la signature situationnelle instantanée. Deux visites identiques au départ peuvent alors diverger rapidement si l’une bascule en mode « recherche urgente », créant une expérience réellement adaptée.
Un pilotage métier par objectifs, pas par micro-règles
Côté équipes, cela change la nature du travail :
- Moins de paramétrage micro (if/then, listes de règles) ;
- Plus de pilotage macro : définir les priorités (CA, marge, stock, gamme stratégique, lancement), fixer des arbitrages (préférence à la marge vs volume, accélération des nouveautés, écoulement de fin de saison), calibrer des garde-fous.
Le rôle du e-merchandiser devient :
- d’exprimer la stratégie commerciale dans le système ;
- de lire ce que la machine a appris (quels patterns situationnels génèrent quelles performances) ;
- de corriger là où l’IA optimise des choses qui ne sont pas alignées avec la stratégie (par exemple trop de cannibalisation d’une gamme premium par une gamme d’entrée de prix).
Une personnalisation plus acceptable côté client
Les études sur le « personalization–privacy paradox » montrent que les consommateurs acceptent volontiers une personnalisation riche quand elle apporte une valeur claire et immédiate et qu’elle reste perçue comme sous contrôle.
Référence classique : Awad, N. F., Krishnan, M. S. (2006). The Personalization Privacy Paradox: An Empirical Evaluation of Information Transparency and the Willingness to Be Profiled Online for Personalization, MIS Quarterly :
- https://www.jstor.org/stable/25148715
- copie PDF : https://www.zourit.com/Zotero/storage/J36Y5DCJ/Awad%20et%20Krishnan%20-%202006%20-%20The%20Personalization%20Privacy%20Paradox%20An%20Empirical%20.pdf
Un système situationnel, qui :
- s’appuie d’abord sur la session en cours plutôt que sur un historique intrusif,
- réduit la charge mentale,
- évite les reciblages absurdes,
- permet justement de maximiser la valeur perçue tout en minimisant la sensation de surveillance.
Feuille de route pour votre site
Concrètement, comment avancer vers ce système vivant sans tout casser ?
Cartographier votre « décisionnel e-merch »
- Où prenez-vous aujourd’hui des décisions sur le tri, les reco, les promotions, les contenus ?
- Qu’est-ce qui est piloté par règles, par profils, par la main humaine ?
- Quelles zones concentrent le plus de valeur (pages catégorie clés, recherche interne, panier, email, app…) ?
Objectif : identifier les 3–4 nœuds de décision critiques à adresser en priorité.
Choisir un socle technologique réellement temps réel et situationnel
Questions à poser à vos partenaires / éditeurs :
- Le modèle raisonne-t-il au niveau de la situation courante, ou uniquement d’un profil ?
- Combien de signaux sont pris en compte, et à quelle fréquence sont-ils actualisés ?
- Le système peut-il ajuster une recommandation à chaque action et pas seulement à la « session » prise globalement ?
- Les algorithmes optimisent-ils la performance moyenne de la population ou la performance locale de chaque visite ?
Pour approfondir ces enjeux de conception, le Recommender Systems Handbook offre un bon panorama des différentes familles de modèles :
https://link.springer.com/book/10.1007/978-1-0716-2197-4
Les travaux sur les recos contextuelles complètent utilement cette vision :
https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/2364/2229
Unifier les règles du jeu
- Harmoniser les logiques de tri, reco, contenu, promos sous une même infrastructure décisionnelle.
- Réduire progressivement les logiques locales incohérentes (par exemple un moteur de tri des pages catégories qui obéit à une logique différente de la recommandation en page produit.
- Définir des principes globaux : jamais plus de X produits en première vue, toujours un bloc de reco contextualisé sous telle zone, etc.
Tester vite, mesurer finement
Pour un site 10–100 M€ de CA, l’enjeu est de générer des preuves rapides :
- Cibler quelques pages / segments de trafic à fort enjeu.
- Mettre en place des tests A/B ou des holdouts permettant de mesurer l’impact réel d’un pilotage situationnel : CA / visite, marge / visite, profondeur de navigation, taux de retour.
- Capitaliser sur ces résultats pour étendre progressivement la logique de système vivant à d’autres parties du parcours.
Sur la question de la surcharge de choix et de l’impact des recos sur cette dernière, deux lectures utiles :
- The Choice Overload Effect in Online Recommender Systems (working paper, Imperial College) :
https://spiral.imperial.ac.uk/server/api/core/bitstreams/f496dd2f-a7a8-48e2-908a-b2c532124fb6/content - The Impact of Big Data Recommendation Systems on Choice Overload in Online Shopping : https://direct.ewa.pub/proceedings/aemps/article/view/26694
Elles montrent comment les recos peuvent soit aggraver la fatigue décisionnelle, soit la réduire, selon la façon dont elles sont conçues.
En synthèse
- Chaque visite est différente : vos modèles doivent intégrer la variabilité intra-individuelle, pas seulement les différences entre segments.
- La fidélisation se joue dans la précision de l’instant : l’optimisation moyenne ne suffit plus ; c’est la pertinence locale qui construit la relation.
- Le e-merchandiser doit sortir du rôle de paramétreur de scénarios ou de spectateur de logiques statistiques pour devenir le pilote d’un système d’IA qui réagit comme un vendeur expert, en temps réel décisionnel.
- La recommandation n’est plus un module, mais une infrastructure de décision qui aligne tri, reco, promos et contenus sur la situation vécue par le visiteur.
Le gain n’est pas seulement en CA ou en conversion. Il est aussi stratégique : vous passez d’un site qui « affiche des produits » à un système vivant qui comprend ce qui se joue dans chaque visite et agit en conséquence.
C’est ce différentiel de compréhension, plus que le volume de trafic, qui fera la différence sur les trois prochaines années.
Entre un site qui affiche des produits et un site qui comprend une visite, la différence ne se voit pas dans le back-office, elle se voit dans le compte de résultats.
POUR ALLER PLUS LOIN
💡 Voir le temps réel en action
Réservez une démo NetUp de 30 minutes.
FAQ
1) C’est quoi le e-merchandising temps réel ?
C’est un dispositif qui analyse la situation précise de chaque visite et ajuste instantanément le tri des produits, les recommandations et les mises en avant à chaque action du visiteur, plutôt que de s’appuyer sur des modèles pré-calculés.
2) Pourquoi les scénarios figés ne suffisent plus ?
Parce que les intentions d’achat varient d’une visite à l’autre et même d’un clic à l’autre. Les scénarios statiques ne capturent pas cette variabilité et finissent par proposer des expériences décalées par rapport au besoin réel du client.
3) En quoi un système vivant augmente la conversion ?
Il diminue la charge cognitive, s’adapte à l’intention du moment et propose les choix les plus pertinents à mesure que la visite évolue. Cette justesse contextuelle améliore la fluidité décisionnelle et augmente la probabilité d’achat.
4) Temps réel ou modèle rafraîchi : quelle différence ?
Le temps réel recalcul entièrement la décision après chaque micro-événement (clic, scroll, retour arrière). Le modèle rafraîchi, lui, met simplement à jour des scores périodiquement, sans tenir compte de l’évolution immédiate du visiteur.
5) Faut-il beaucoup d’historique pour un système vivant ?
Non. Il se base principalement sur la session en cours et sur les signaux disponibles à l’instant T. Cela le rend plus robuste face aux nouveaux comportements ou aux cas rares, même avec peu d’historique.
6) Comment réduire la charge cognitive avec les recos ?
En filtrant intelligemment l’offre, en limitant les choix superflus et en affichant des recommandations qui correspondent à la situation réelle du visiteur. Moins d’effort mental = décisions plus rapides et plus satisfaisantes.
7) Peut-on garder des règles métier
Oui. Les règles définissent le cadre stratégique (marge, stocks, gamme prioritaire), tandis que l’IA optimise l’ordre, le rythme et la pertinence des choix à l’intérieur de ce cadre, en temps réel.
8) Quels KPIs suivre
Les plus révélateurs sont : CA par visite, marge par visite, profondeur de navigation, vitesse de décision, et taux de pertinence des recommandations. Ils montrent la valeur réelle du pilotage situationnel.
9) Comment démarrer le temps réel ?
En déployant un pilote sur 2 ou 3 zones critiques — PLP, recherche interne, PDP. Ces pages génèrent beaucoup de décisions, ce qui permet d’obtenir des gains rapides et des preuves chiffrées.
10) Un système vivant est-il compatible RGPD
Oui, car il s’appuie essentiellement sur les signaux de navigation de la session courante, sans nécessiter un profilage historique intrusif. Il maximise la pertinence tout en minimisant la collecte de données personnelles.