AI Shopping Agents : comment booster ses ventes et enrichir ses insights grâce à l’IA ?

Vincent Gargasson est consultant au sein de la practice Data & Intelligence Artificielle de Converteo, spécialisé dans l’IA générative et les technologies conversationnelles. Passionné par l’innovation technologique, il construit et pilote des projets IA et d’assistants virtuels intelligents, en tout en veillant à optimiser leur performance et leurs impact business chez nos clients.

Dans cet article, nous explorons comment les chatbots transforment l’expérience client dans le e-commerce, leurs différentes implémentations techniques et leur impact business. Une analyse qui met en lumière les opportunités et les enjeux de ces outils devenus incontournables.

À retenir

• Les chatbots s’inscrivent dans une tendance globale de digitalisation accélérée par la crise du Covid, répondant à une demande croissante de services en ligne personnalisés.
• Il existe un large éventail de solutions techniques adaptées à différents besoins, des plateformes low-code aux solutions SaaS spécialisées.
• Les assistants shopping démontrent une grande variété de cas d’usage, de la recherche produit au service après-vente, comme l’illustrent les exemples de Rufus (Amazon) ou Billie (IKEA).
• Les bénéfices sont multiples : amélioration des ventes, efficacité du service client, insights marketing enrichis et fidélisation client.

Une tendance qui s’inscrit dans l’évolution du numérique

L’essor des chatbots est intimement lié à la transformation digitale accélérée par la crise sanitaire. Les consommateurs, de plus en plus connectés, attendent désormais une expérience personnalisée en ligne. L’émergence des modèles de langage (LLM) ces deux dernières années a considérablement élargi les possibilités techniques, facilitant le déploiement de ces outils et enrichissant leurs fonctionnalités.

Mais qu’est ce qu’un assistant shopping ?

Les assistants shopping IA qui se présentent sous forme de chatbot, sont des outils numériques qui utilisent l’intelligence artificielle pour accompagner les consommateurs dans leur parcours d’achat en ligne. Ces assistants utilisent le machine learning, le traitement du langage naturel et l’analyse de données pour comprendre les préférences des clients et faire des recommandations personnalisées. Ils peuvent être intégrés aux sites web et applications mobiles.

Quelques exemples d’applications

Les grandes enseignes se sont emparées de ce sujet et bon nombre d’entre elles des assistants virtuels avec 2 types de missions principales : le conseil à la vente ou la gestion des demandes après ventes.

Cas 1 : Assistants shopping conseil à la vente

L’objectif :
Aider le consommateur à trouver des réponses sur des produits ou à trouver de l’inspiration dans une grande masse de produits.

Bénéfice pour les sites :
1. Obtenir des insights enrichies sur les attentes des consommateurs
2. Fluidifier et accélérer le processus d’achat grâce à un système de recommandations ultra personnalisée

Exemples:
Rufus (Amazon) ou l’Assistant Cadeau (FNAC)

Cas 2 : Assistants shopping service après-vente

L’objectif :
Fournir aux visiteurs des réponses rapides et des informations précises 24h/24 et 7j/7 sur les aspects ADV et logistiques (livraison, disponibilité produits)

Bénéfice pour les sites :
1. Faire des économies sur les coûts opérationnels en désengorgeant le service client
2. Améliorer la satisfactions clients
3. Obtenir des insights précis sur la qualité de son service après ventes

Exemples :
Billie (IKEA), Léonin (Leroy Merlin) ou encore Le Slip Français

Des avantages compétitifs significatifs

Grâce à leurs capacité à comprendre les demandes très précises des clients, leur base de connaissance élargie, leur polyvalence et leur disponibilité 24H/7j, ces chatbots nouvelle génération apportent toute une série d’avantages.

• Des gains business : Réduction des frictions et optimisation des ventes grâce à l’hyper customisation des recommandations et la disponibilité du service
• Une réduction des coûts opérationnelles: Une réduction importante des sollicitations à faible valeur ajoutée grâce à une interface unique pour traiter une grande variété de sujets de façon fluide et simplifiée.
• Meilleure connaissance client : Enrichissement des insights consommateurs grâce à des verbatim très précises sur les attentes des clients et les points clés qu’ils attendent de vos produits.

Comment met-on ce type de technologie en place ?

De nombreux acteurs se positionnent désormais pour proposer des solutions techniques adaptées à chaque besoin, du plus personnalisable au plus standardisé. Pour simplifier, nous les avons classé en 3 catégories : 

• Les solutions bas niveau comme Langchain, offrant une personnalisation maximale mais d’avoir une équipe de ML engineer pour les développer et gérer l’infrastructure sous jacente 
• Les solutions intermédiaires comme Agent Builder de GCP, offrant une UI intuitive et des fonctionnalités sur étagère, permettent un déploiement rapide mais requiert une équipe technique pour l’intégration.
• Les solutions SaaS clé en main comme Zendesk, IadVize ou  Botmind avec des fonctionnalités métier pré-intégrées, une série de connecteurs avec des solutions tierces et une infrastructure entièrement managée mais beaucoup moins de personnalisation possibles

Construction et évaluation de l’assistant

Une fois le type d’outil choisi, il est important de définir les core features avec lesquelles on souhaite démarrer ce projet. Par exemple “un assistant pour répondre aux questions techniques sur les produits” peut être une bonne première marche.
Ce type d’approche incrémentale permet d’obtenir en quelques mois une première version testable et d’en analyser les performances. 

Afin de maximiser le ROI de cet outil et de l’optimiser dans le temps, nous suggérons à nos clients de suivre une méthodologie orientée data, c’est-à -dire de prendre les décisions en analysant uniquement les résultats sans se laisser influencer par nos biais. Voici un exemple : 

1. Définir des objectifs précis et mesurables
2. Identifier les KPIs pertinents qui mesurent l’atteintes de ces objectifs (panier moyen, taux de conversion)
3. Mettre en place un tracking analytique complet pour suivre le parcours client 
4. Réaliser des A/B tests sur 1-2 mois
5. Analyser les cohortes pour identifier les points d’amélioration :
   • Performance par type de requête
   • Conversion par catégorie de produits
   • Adoption du produit par segment client
6. Apporter les améliorations nécessaires avec l’équipe technique qui peuvent être : 
   • enrichir l’agent avec une donnée souvent demandé
   • retravailler le flux conversationnel de l’agent selon les visiteurs

Cette approche structurée permet d’ajuster continuellement l’outil pour maximiser sa valeur ajoutée et son impact business dans le temps.

Pour en savoir plus sur ce type de projet et évaluer si ce type de projet peut vous apporter de la valeur, n’hésitez pas à contacter Converteo.