Dans la plupart des présentations marketing, on commence par les personas (« Chloé, 32 ans, urbain CSP+, aime le yoga ») et on déroule ensuite les clusters (« segment 3B : chasseurs de promos »).
NetUp ne parle quasiment jamais ni de l’un ni de l’autre. Ce n’est pas un oubli. C’est un choix stratégique.
Pour un site cette nuance change la manière dont vous pensez la personnalisation : non plus comme un découpage de votre clientèle en cases, mais comme la capacité à réagir à chaque visite, dans sa singularité.
Personas : une belle histoire, peu compatible avec le réel
Des fictions rassurantes… souvent construites sur du sable
Les personas ont été conçus à l’origine pour aider les équipes produit et design à se projeter dans la peau d’utilisateurs types.
Le problème, c’est qu’en marketing digital, ils sont souvent :
- basés sur très peu de données réelles,
- agrémentés de détails anecdotiques (prénom, hobbies, photo d’Unsplash) pour les rendre « vivants »,
- utilisés ensuite comme vérité structurante pour les décisions.
Des travaux comme Buyer Personas: Its Use and Limitations in Online Marketing de Martin Klepek soulignent justement le manque de méthodologie robuste et de preuves d’efficacité, et invitent à un usage très prudent de ces outils : https://www.researchgate.net/publication/359016095_BUYER_PERSONAS_ITS_USE_AND_LIMITATIONS_IN_ONLINE_MARKETING ResearchGate
D’autres critiques récurrentes reviennent dans la littérature et les retours d’experts UX :
- risque de stéréotypes (on finit par projeter nos clichés sur les clients),
- difficulté à savoir si le persona représente réellement le marché,
- tendance à créer des personnages « plats » auxquels personne ne croit vraiment. persona.qcri.org+2invespcro.com+2
En résumé : le persona est souvent une histoire que l’on raconte à l’interne plus qu’une représentation fidèle de la réalité client.
Un outil statique dans un monde non statique
Le deuxième problème est temporel :
- Le persona est, par nature, statique : on le définit une fois, on l’affine parfois, mais il change peu.
- Le comportement réel des clients est, lui, non stationnaire : il évolue avec le contexte économique, la saison, les modes, les canaux et même l’humeur du jour.
Les travaux sur les systèmes de recommandation insistent désormais sur la nécessité de prendre en compte ces préférences qui changent dans le temps, plutôt que de supposer un profil stable. Par exemple :
- Yehuda Koren, Collaborative Filtering with Temporal Dynamics :
https://faculty.cc.gatech.edu/~zha/CSE8801/CF/kdd-fp074-koren.pdf faculty.cc.gatech.edu - Des études récentes sur la modélisation des préférences dynamiques :
https://www.sciencedirect.com/science/article/pii/S0957417423015749 ScienceDirect+1
Autrement dit : vos clients ne restent pas dans les cases que vous avez dessinées pour eux.
Clusters : utiles pour la data, dangereux comme boussole métier
Ce que font vraiment les clusters
Côté algorithmes, les clusters sont l’équivalent mathématique des personas :
- on prend des données (achats, navigation, valeur, catégories préférées…),
- on applique un algorithme de clustering (k-means, DBSCAN, etc.),
- on obtient des groupes de clients supposés homogènes,
- on s’en sert ensuite pour adapter recommandations, tris de listes, promos, contenus.
Les revues récentes sur les recommender systems basés sur le clustering montrent bien l’intérêt de ces approches… mais aussi leurs conditions de validité :
https://arxiv.org/pdf/2109.12839
https://journals.sagepub.com/doi/pdf/10.1177/18724981251323997 arXiv+2SAGE Journals+2
Le prix à payer : tout ce qui se passe à l’intérieur du cluster disparaît
Dès que vous regroupez des utilisateurs dans un cluster, vous faites deux choses :
- Vous gagnez : lisibilité, simplification, possibilité de raisonner en « segments ».
- Vous perdez : toute la richesse des différences intra-cluster.
Concrètement :
- Deux clients au comportement très différent peuvent finir dans le même cluster parce qu’ils partagent quelques variables fortes (CA, catégories, fréquence).
- Au moment de la visite, ils n’ont ni le même contexte, ni la même intention, ni le même “moment” psychologique… mais ils reçoivent le même traitement car le système raisonne au niveau du cluster.
Des travaux récents sur la segmentation dans les systèmes de recommandation montrent d’ailleurs que la segmentation peut améliorer certains KPIs, mais au prix d’une perte de finesse et pas seulement sur les cas atypiques ou émergents :
https://www.sciencedirect.com/science/article/pii/S1877050923013820 ScienceDirect+1
Pour un site qui joue sa marge sur des micro-décisions visite par visite, c’est un compromis coûteux.
Clusters et préférences qui changent en continu
On retrouve ici le même problème qu’avec les personas, mais en version algorithmique :
- Les clusters sont construits à partir d’un historique donné.
- Quand le marché, les usages ou l’offre évoluent, les clusters deviennent très rapidement obsolètes.
- Tant que le nouveau comportement n’a pas pris assez de volume, il reste noyé dans les clusters existants, qui continuent à dominer la logique de recommandation ou de tri. Y compris dans les systèmes à “actualisation temps réel des modèles”.
Or la recherche sur les préférences dynamiques et les architectures non stationnaires montre à quel point ces changements continus sont la norme, pas l’exception : https://www.mdpi.com/2079-9292/13/11/2075
https://homepages.tuni.fi/konstantinos.stefanidis/docs/darliap2025.pdf MDPI+2homepages.tuni.fi+2
En clair : le cluster est une photo de classe alors que le comportement de vos clients est un film.
Le cas particulier du e-commerce : la visite, pas le segment
Pour un site marchand de taille intermédiaire, les enjeux sont très opérationnels :
- Vous n’avez pas les volumes d’un Amazon,
- mais vous avez suffisamment de trafic pour que chaque point de conversion ait un effet direct sur le compte de résultat,
- et vos équipes sont trop petites pour maintenir une usine à gaz de segments, règles et campagnes.
Dans cette configuration, raisonner en personas/clusters pose trois problèmes concrets :
- On optimise le moyen, pas l’instant
Les segments et clusters optimisent la performance moyenne d’un groupe.
Mais ce qui fait la fidélisation, ce sont les micro-moments : l’achat gagné ou perdu sur une page catégorie, une recherche interne, un panier hésitant. - On gère mal le “continuous cold start”
En e-commerce, la majorité des visites sont :- des nouveaux clients,
- des clients connus qui arrivent avec une intention totalement nouvelle (nouvelle catégorie, cadeau, urgence…).
- Le papier sur le Continuous Cold Start (CoCoS) dans les systèmes de reco e-commerce (exemples Booking.com) montre bien que ce problème est massif sur le terrain :
https://arxiv.org/pdf/1508.01177 SpringerLink+3arXiv+3ScienceDirect+3
Les clusters fondés sur l’historique sont, par construction, désarmés face à ces situations. - On masque les signaux faibles qui annoncent les ruptures
Les comportements émergents (nouvelle manière de chercher, de filtrer, de combiner des produits) sont précisément ceux qui peuvent révéler :- une tendance marché,
- un nouveau cas d’usage à adresser,
- une faille dans votre offre.
- En les noyant dans des clusters hérités du passé, on se donne la garantie de réagir trop tard.
Pourquoi NetUp ne parle pas de persona, mais de situations
La philosophie de NetUp est simple à énoncer, exigeante à mettre en œuvre :
Ce n’est pas le visiteur qui nous intéresse en premier, c’est la situation dans laquelle il se trouve maintenant.
D’un découpage par groupes à une lecture par situations
Plutôt que de découper la base clients en personas ou clusters, l’approche NetUp consiste à :
- lire, en temps réel, un ensemble riche de marqueurs situationnels (comportement, contexte, signaux psychologiques),
- synthétiser ces marqueurs dans une signature situationnelle propre à la visite,
- rechercher dans la mémoire de la plateforme les situations analogues déjà rencontrées,
- transposer ce qui a fonctionné dans ces situations pour :
- trier les listes produits,
- choisir le bon type de recommandations,
- adapter la densité de choix et les signaux de réassurance.
Cette logique est tout à la fois plus riche et très proche des travaux sur les recommender systems sensibles au contexte (Context-Aware Recommender Systems), qui montrent que l’intégration explicite du contexte dans la recommandation améliore fortement la pertinence :
https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/2364/2229
https://link.springer.com/chapter/10.1007/978-0-387-85820-3_7
https://www.ise.bgu.ac.il/faculty/liorr/recsyshb/chContext.pdf cris.tau.ac.il+3ojs.aaai.org+3SpringerLink+3
Mais là où beaucoup d’implémentations restent hybrides (segments + un peu de contexte), NetUp assume un choix radical : la situation d’abord, le profil ensuite.
Ce que cela change concrètement pour vous
Ne pas parler de persona ou de clusters, pour NetUp, ce n’est pas un dogme. C’est une manière de vous forcer à changer de niveau de pensée :
- Vous ne vous demandez plus : « Dans quel segment je range ce client ? » mais : « Dans quelle situation se trouve cette visite, maintenant, et quelle est la meilleure décision e-merch à prendre ? »
- Vous ne préparez plus des scénarios par persona, mais des objectifs et des contraintes métier que le moteur va intégrer, situation par situation (marge, rotation, mise en avant stratégique, écoulement de stocks…).
- Vous sortez d’une logique « on adapte un peu le site à quelques grandes familles de clients » pour passer à : « on adapte le site à ce qui se passe, clic après clic ».
En filigrane, il y a une conviction forte, appuyée par la recherche : dans un monde où les préférences sont dynamiques, où les contextes de visite se multiplient et où le cold start est permanent, les moyennes par groupe sont moins utiles que la compréhension des situations. MDPI+3faculty.cc.gatech.edu+3ScienceDirect+3
En conclusion : sortir des cases pour retrouver le réel
NetUp ne parle pas de persona ni de clusters, non pas parce que ces notions seraient « mauvaises » en soi, mais parce qu’elles sont trop grossières par rapport à ce qui fait réellement la différence pour un site :
- ce n’est pas la moyenne d’un segment qui vous fait gagner de l’argent,
- ce sont les décisions justes, prises dans les moments qui comptent.
Les personas et les clusters racontent une histoire rassurante : celle d’un client qui reste à sa place.
La donnée, elle, raconte une autre histoire : celle d’un client qui change de rôle d’une visite à l’autre et souvent même, au cours d’une même visite.
C’est cette seconde histoire que NetUp a choisi d’écouter.
Pour aller plus loin
Envie de voir la personnalisation sans personas en action ?
Réservez une démo NetUp de 30 minutes.
FAQ
Qu’est-ce que la personnalisation sans personas ?
La personnalisation sans personas consiste à adapter le site à la situation réelle de chaque visite, plutôt qu’à des profils types définis à l’avance.
Pourquoi la personnalisation sans personas est-elle plus adaptée au e-commerce ?
Parce que les intentions changent d’une visite à l’autre. La personnalisation sans personas suit ces variations en temps réel, au lieu de s’appuyer sur des segments figés.
Les personas sont-ils encore utiles avec cette approche ?
Ils peuvent rester des outils de storytelling interne, mais la personnalisation sans personas ne s’appuie pas sur eux pour piloter les recommandations ou le tri produit.
En quoi les clusters sont-ils limités pour la personnalisation ?
Les clusters optimisent la moyenne d’un groupe. La personnalisation sans personas vise, elle, la meilleure décision pour la situation précise de chaque visite à chaque instant.
La personnalisation sans personas nécessite-t-elle plus de données ?
Non, au contraire : elle se base surtout sur la session en cours et les signaux de contexte, plutôt que sur le seul historique par individu.