Le commerce se réinvente en permanence, poussé par un consommateur exigeant, assimilant rapidement chaque nouvelle rupture technologique ou usage comme une évidence. Avec l’essor des marketplaces, l’offre produit est de plus en plus foisonnante, les catalogues produits sont partagés entre de multiples sites. La bataille se joue désormais sur la capacité des sites e-commerce à proposer la meilleure expérience utilisateur. Les usages de leur côté évoluent, les canaux sont de plus en plus variés : sites internet, applications mobiles, chatbot, assistants digitaux, IoT, les technologies existantes disposent de belles marges de progression notamment grâce à un traitement plus intelligent de la data.

Ces deux dernières années, les retailers se sont attelés au parachèvement de l’omnicanal afin de créer un parcours client sans couture sur l’ensemble de leurs canaux de vente.

Leur nouveau chantier consiste à porter l’expérience client à un niveau inégalé avec l’open personalization et la volonté de proposer une personnalisation pertinente totalement adaptée à leur offre et leurs comportements client.

À l’heure où les indicateurs sont au vert, les statistiques montrent néanmoins que les achats sont plus fréquents mais que le montant moyen du panier stagne et que les modes de consommation évoluent. Il devient essentiel de repenser l’acte d’achat et de l’inscrire dans un cadre plus global. La vente, c’est avant tout du conseil et de l’écoute.

 A découvrir sur Alliancy : le « Cahier spécial : le futur du Retail » 

Le  conseiller en boutique ou virtuel doit comprendre le besoin du client tout en prenant en compte le contexte de la vraie vie : disponibilité des produits, conditions de livraison, etc.

Data scientist en interne

Les plus grands acteurs ont d’ores et déjà initié le mouvement en mettant en place des équipes internes de  data scientists qui ont pour mission de développer leurs propres algorithmes de personnalisation.

Par essence, elles connaissent parfaitement leurs produits, leurs offres et leurs contraintes, elles ont en outre, accumulé des données clients et des années de pratique de merchandising. Dans ce contexte, elles veulent concevoir des algorithmes “métier” proches de leurs données et donc totalement adaptés aux spécificités de leur activité.

L’objectif est d’améliorer l’expérience utilisateur, mais également de se différencier pour attirer de nouveaux clients, les fidéliser et générer du chiffre d’affaires additionnel.

Une personnalisation précise et efficace repose sur quatre aspects principaux :

• De la donnée pertinente et enrichie
• Des algorithmes performants
• Un merchandising intelligent
• Un feedback poussé

1. Collecter des données de qualité, multi-sources

Une bonne data est un élément capital pour une personnalisation performante : il faut de la data propre qui fait sens et en quantité suffisante. En plus, de données utilisateurs comme l’historique des ventes en ligne ou les comportements utilisateurs, il faut qu’il soit possible d’ajouter des données complémentaires en temps réel : le comportement, les interactions, les préférences utilisateurs. La donnée est ensuite unifiée, nettoyée et organisée au sein d’une data pipeline pour être traitée en interne par le data scientist.

2. Développer et orchestrer les modèles IA

Pour le retailer il s’agit ensuite de créer des modèles de machine learning partagés afin de déterminer des corrélations entre des produits et des utilisateur. Bien évidemment, les modèles évoluent en temps réel pour un meilleur re-scoring prenant en compte l’activité du client au moment T. Il n’y a pas d’algorithme magique, la personnalisation de l’expérience client est un travail de fond, qui nécessite une longue démarche itérative, afin d’identifier les algorithmes adaptés à chaque situation (cas d’usage, visiteurs ciblés, moment, …). La solution réside souvent dans l’utilisation coordonnée de multiples algorithmes.

3. Appliquer des règles de merchandising

Les équipes data des e-commerçants peuvent s’appuyer sur leurs modèles IA. Elles sont en mesure d’intégrer les algorithmes, configurer les paramètres et les tester puis les déployer en temps réel. Pour cela, elles doivent se doter d’une plateforme externe qui leur permettra d’orchestrer leurs algorithmes. Ils sont immédiatement disponibles et “activables” par les équipes métier. Ces dernières déploient les stratégies de personnalisation les plus pertinentes pour chaque zone et ajoutent des règles de merchandising pour contraindre l’algorithme et créer une expérience client hyper-personnalisée, sur l’ensemble du parcours client : fiche produit, panier flottant, home page, ….

4. Récupérer un feedback et analyser

L’analyse de la réaction de chaque internaute à la recommandation personnalisée qui lui a été faite représente un élément clé de la personnalisation. Au delà de l’optimisation des scenarii de conversion A/B testés, il s’agit d’évaluer les algorithmes de personnalisation. Certains ont besoin de ce feedback pour apprendre ou pour être calibré : produits recommandés, clics sur recommandation, etc.

Le consommateur se trouve face à un choix énorme de produits en ligne et doit être guidé pour que son expérience soit satisfaisante et rentable pour la marque. Centraliser et optimiser les données en temps réel, développer ses propres algorithmes adaptés aux spécificités de chaque activité, c’est proposer une expérience utilisateur unique et pertinente sur tous les channels du parcours client. L’IA est stratégique pour le e-commerce et ses performances sur le long terme.

A lire aussi : Le vendeur augmenté : l’outil phare d’une expérience client réussie