Définition
La recommandation de produits désigne l'ensemble des mécanismes — algorithmiques ou manuels — qui suggèrent à un visiteur des articles susceptibles de l'intéresser, en s'appuyant sur son comportement de navigation, son historique d'achat, ou celui d'utilisateurs similaires. En DTC, elle ne se limite pas à un simple carrousel « Vous aimerez aussi » : c'est un levier de conversion incrémentale qui agit sur trois métriques simultanément — le taux de conversion, le panier moyen (AOV) et la valeur vie client (LTV).
L'objectif business est rarement la vente du produit recommandé lui-même. Il s'agit le plus souvent de lever une hésitation (« est-ce que ce sérum conviendra à ma peau sèche ? ») ou de compléter un usage (« j'achète une brosse, il me faut le nettoyant adapté »). La recommandation est donc un outil de réduction du risque perçu autant qu'un outil de cross-sell.
Analogie
Imaginez un caviste de quartier. Vous entrez, vous hésitez devant un Bourgogne. Il ne vous récite pas son catalogue : il regarde ce que vous avez dans les mains, se souvient que la semaine dernière vous avez pris un vin plus léger, et vous glisse : *« Celui-ci, c'est le même terroir, mais plus rond — parfait avec un plat en sauce. »*
C'est exactement ce que fait un moteur de recommandation performant : il observe le contexte (page produit, panier, historique), croise avec des signaux collectifs (ce que d'autres clients ont fait dans la même situation) et formule une suggestion courte, pertinente, non intrusive. La différence, c'est que le caviste a 200 clients ; votre site en a 200 000. D'où l'algorithme.
Formule
L'impact de la recommandation se mesure par le taux de contribution au chiffre d'affaires :
Contribution CA (%) = (CA généré via blocs de reco / CA total) × 100
Et son efficacité opérationnelle par le taux de clic et de conversion par bloc :
CTR = clics sur reco / impressions du bloc CR reco = commandes contenant un produit recommandé / clics sur reco
Pour évaluer l'incrémentalité réelle (et non cannibaliser une vente qui aurait eu lieu de toute façon), on utilise un test A/B avec groupe de contrôle :
Lift incrémental = (CR avec reco − CR sans reco) / CR sans reco
Données de référence (e-commerce FR, 2024) :
- Contribution moyenne des blocs de recommandation au CA : 10 à 15 % (source : études sectorielles Baymard / Dynamic Yield)
- CTR moyen d'un carrousel « Vous aimerez aussi » sur fiche produit : 2 à 4 %
- Taux de conversion des visiteurs interagissant avec un bloc de reco : +25 à +40 % vs ceux qui l'ignorent
Tableau comparatif
| Type de reco | Signal principal | Emplacement idéal | Force | Limite |
|---|---|---|---|---|
| **Collaborative filtering** (« les clients comme vous ») | Comportement d'utilisateurs similaires | Fiche produit, panier | Découverte, sérendipité | Cold start, produits niche |
| **Content-based** (attributs similaires) | Caractéristiques produit (catégorie, prix, tags) | Fiche produit, collection | Fonctionne dès 1 produit | Manque de diversité |
| **Upsell / cross-sell manuel** | Règles métier définies | Panier, checkout | Contrôle total, marge maîtrisée | Ne scale pas |
| **Recommandation contextuelle** (session) | Navigation en temps réel | Homepage, blog | Réactivité, pertinence | Dépendance aux cookies |
| **Post-achat / réapprovisionnement** | Historique d'achat + cycle de vie | Email, compte client | Fidélisation, LTV | Nécessite données historiques |
Applications concrètes
1. Fiche produit — « Complétez votre routine »
Sur une marque de soins, un bloc cross-sell affichant les 3 produits les plus achetés avec l'article consulté. Exemple : sur une crème hydratante, on suggère le nettoyant et le sérum de la même gamme. Résultat typique : +18 % d'AOV sur les sessions ayant interagi avec le bloc.
2. Panier — « Fréquemment achetés ensemble »
Le levier le plus rentable. Un client ajoute une paire de chaussures de running : on suggère les chaussettes techniques et le gel énergétique. Taux d'acceptation observé : 8 à 12 % sur ce type de bloc.
3. Post-achat — réapprovisionnement
Pour un produit consommable (complément alimentaire, cosmétique), un email J+25 proposant le réachat avec un code fidélité. Impact direct sur la LTV, souvent +0,3 commande par client sur 12 mois.
4. Homepage personnalisée
Pour un visiteur connu (connecté ou cookie), afficher « Reprendre où vous en étiez » ou « Nouveautés dans vos catégories favorites ». Le CTR y est généralement plus faible (1,5 à 2,5 %) mais le panier moyen plus élevé.
Erreurs fréquentes
Trop de blocs tue le bloc. Multiplier les carrousels sur une même page dilue l'attention et fait chuter le CTR global. Mieux vaut 2 blocs pertinents que 6 génériques.
Recommander l'évident. Si un client vient d'acheter une machine à café, lui proposer la même machine en rouge est contre-productif. La reco doit ouvrir un usage, pas dupliquer.
Ignorer le stock et la marge. Un algorithme qui pousse un produit en rupture ou à faible marge détruit de la valeur. Les règles métier doivent filtrer en amont.
Négliger le mobile. Sur mobile, un carrousel horizontal peu visible sous la ligne de flottaison ne génère presque rien. Le placement et le format comptent autant que l'algorithme.
Confondre corrélation et causalité. Un produit souvent recommandé et souvent acheté ne prouve pas que la reco *génère* la vente. Seul un test A/B propre mesure le lift réel.
Termes liés
- Cross-sell : vente complémentaire (accessoire, produit associé).
- Upsell : montée en gamme (version premium, format supérieur).
- AOV (Average Order Value) : panier moyen, métrique cible principale.
- Collaborative filtering : famille d'algorithmes basés sur les comportements croisés.
- Cold start : difficulté à recommander sans historique utilisateur ou produit.
- Personnalisation : adaptation de l'expérience au profil individuel.
- Test A/B : méthode de mesure de l'incrémentalité.
- LTV (Lifetime Value) : valeur totale d'un client sur sa durée de vie.