IA et automatisation
Personas
E-commerce
ROI
Moyen terme (3-6 mois)
La plupart des fonctionnalités de recommandation de produits sont vouées à l'échec. Vous connaissez la rengaine - des sections génériques "Vous aimerez peut-être aussi" qui semblent être une réflexion tardive, situées en bas des pages produits où personne ne clique dessus.
Lorsque je travaillais avec un client de commerce électronique qui avait plus de 200 pages de collections, j'ai découvert quelque chose qui a changé ma manière de penser aux recommandations pour toujours. Leur site recevait un bon trafic, mais les gens ne partageaient pas de produits ni ne découvraient de nouveaux articles de manière organique. Les widgets de recommandation traditionnels que tout le monde utilise ? Ils fonctionnaient moins bien qu'une devinette aléatoire.
C'est alors que j'ai réalisé le véritable problème : nous ne concevions pas pour le comportement humain. Nous concevions pour ce que nous pensions être professionnel, pas pour ce qui incite réellement les gens à partager avec leurs amis.
Dans ce guide, vous apprendrez :
Pourquoi la plupart des modèles UX de recommandation échouent à inciter au partage
La psychologie derrière ce qui pousse les gens à vouloir recommander quelque chose
Mon approche systématique pour construire des systèmes de recommandation personnalisés à grande échelle
Les modèles UX spécifiques qui ont transformé les navigateurs passifs en sharers actifs
Comment mettre cela en œuvre sans casser votre architecture de site existante
Il ne s'agit pas de suivre les meilleures pratiques des systèmes de design. Il s'agit de comprendre ce qui pousse réellement les gens à cliquer sur "partager" et de construire autour de cette idée.
Réalité de l'industrie
Ce que la communauté UX prêche au sujet des recommandations
Entrez dans n'importe quelle conférence de design ou faites défiler Dribbble, et vous verrez les mêmes schémas de recommandations répétés partout. L'industrie a en gros adopté cinq "meilleures pratiques" que tout le monde suit :
Le Schéma de Grille Classique : Quatre cartes de produit en ligne avec « Les clients qui ont consulté cela ont également consulté » - propre, minimal et complètement ignoré par les utilisateurs.
L'Approche de la Barre Latérale : Recommandations mises de côté sur le côté, généralement en bas de page, où elles se battent avec chaque autre élément pour attirer l'attention.
La Section Inférieure : Produits connexes tout en bas de la page, juste avant le pied de page, où les taux de conversion vont mourir.
Le Superposition Contextuelle : Recommandations agressives « Avant de partir » qui agacent plus qu'elles ne convertissent.
L'État d'Esprit Algorithme-Avant : Laisser l'apprentissage automatique décider quoi recommander sans considérer le contexte humain de quand et pourquoi les gens partagent réellement des choses.
Voici le problème - ces schémas existent parce qu'ils sont faciles à mettre en œuvre et ont l'air professionnels lors des présentations aux clients. Ils suivent des systèmes de design établis et s'intègrent bien aux mises en page existantes.
Mais il y a un décalage fondamental ici. Ces schémas sont conçus pour une consommation individuelle, pas pour le partage. Ils supposent que les gens prennent des décisions d'achat de manière isolée, alors qu'en réalité, la plupart des décisions d'achat - surtout pour tout ce qui dépasse 50 $ - impliquent une forme de validation sociale ou de recherche de recommandations.
L'industrie se concentre sur l'optimisation des taux de clic sur les widgets de recommandation, mais ignore la métrique beaucoup plus précieuse : à quelle fréquence ces recommandations sont partagées avec des amis, enregistrées pour plus tard ou discutées sur les réseaux sociaux. Nous optimisons un comportement inapproprié.
Considérez-moi comme votre complice business.
7 ans d'expérience freelance avec des SaaS et Ecommerce.
Le client est venu vers moi avec un problème frustrant. Ils avaient ce site de commerce électronique massive - plus de 1 000 produits sur plus de 200 pages de collection. Un beau catalogue, des produits de qualité, un trafic décent. Mais voici ce qui les tuait : les gens atterrissaient sur une page de produit, parcouraient peut-être un ou deux articles connexes, puis quittaient. Pas de partage, pas de bouche-à-oreille, pas de découverte organique.
Leur analyse racontait une histoire claire. La durée moyenne de session était inférieure à 2 minutes. Les pages par session tournaient autour de 1,8. Plus important encore, leur trafic référent des réseaux sociaux était pratiquement inexistant, même si leurs produits étaient exactement le type de choses que les gens aiment partager - des articles uniques, dignes d'Instagram.
Le système de recommandation existant était une section standard "Produits associés" en bas de chaque page de produit. Propre, professionnel et complètement inefficace. Le taux de clics était de 0,3 %. Pour donner un contexte, un bon système de recommandation devrait atteindre un minimum de 3 à 5 %.
Mais voici ce qui a vraiment attiré mon attention : lorsque j'ai examiné leurs retours clients et leurs tickets de support, j'ai trouvé quelque chose d'intéressant. Les clients posaient constamment des questions comme "Avez-vous quelque chose de similaire à cela mais en bleu ?" ou "Qu'est-ce qui irait bien avec ça ?" ou "Mon ami adorerait cela - que d'autre avez-vous comme ça ?"
Les gens étaient activement en train d'essayer de trouver des choses à recommander et à partager, mais l'UX ne soutenait pas ce comportement. La déconnexion était évidente une fois que je l'ai vue, mais elle avait été invisible à tous ceux qui se concentraient sur des métriques d'e-commerce traditionnelles.
C'est à ce moment-là que j'ai réalisé que nous devions repenser complètement la façon dont fonctionnent les recommandations. Au lieu d'essayer d'imposer des produits à des acheteurs individuels, nous devions concevoir le processus pour l'impulsion humaine naturelle de créer et de partager des découvertes avec les autres.
Voici mon Playbooks
Ce que j'ai fini par faire et les résultats.
Au lieu de réparer leur widget de recommandation existant, j'ai décidé de réimaginer complètement toute l'approche. L'idée était simple : les gens ne partagent pas des recommandations génériques. Ils partagent des découvertes qui semblent personnelles et contextuelles.
Voici l'approche systématique que j'ai développée :
Étape 1 : Catégorisation Driven par le Contexte
Tout d'abord, j'ai reconstruit tout leur système de collection. Au lieu d'organiser par type de produit, j'ai organisé par cas d'utilisation et contexte de partage. "Tenues de soirée" au lieu de "Robe." "Cadeaux pour la personne qui a tout" au lieu de "Accessoires." Chacune des plus de 200 pages de collection a reçu sa propre personnalité et un contexte de partage spécifique.
Étape 2 : Cartographie des Déclencheurs Émotionnels
Pour chaque collection, j'ai identifié le déclencheur émotionnel spécifique qui inciterait quelqu'un à le partager. Surprise ("Vous n'allez pas croire ce que j'ai trouvé"), aspiration ("C'est tellement moi"), ou preuve sociale ("Tout le monde va vouloir ça"). Les schémas UX devaient amplifier ces émotions, et ne pas simplement afficher des produits.
Étape 3 : Le Principe de Design axé sur le Partage
Voici où j'ai rompu avec la sagesse conventionnelle. Au lieu de concevoir des pages de produits puis d'ajouter des fonctionnalités de partage, j'ai conçu l'expérience de partage en premier. Chaque recommandation devait répondre à la question : "Qu'est-ce qui rendrait quelqu'un enthousiaste à l'idée d'envoyer cela par texto à un ami en ce moment ?"
Étape 4 : Moteur de Recommandation Contextuel
J'ai construit un flux de travail IA qui générait des recommandations personnalisées pour chaque page de collection. Mais voici la clé : l'IA ne se contentait pas de faire correspondre des attributs de produit. Elle créait de petites histoires. "Si vous aimez cette pièce inspirée vintage, vous allez adorer ces alternatives soigneusement sélectionnées" avec 3-4 recommandations spécifiques qui semblaient curées, pas algorithmiques.
Étape 5 : Intégration de la Preuve Sociale
Chaque recommandation était accompagnée d'un contexte social. "Sarah de Portland vient d'ajouter cela à sa liste de souhaits" ou "Cet article s'est vendu deux fois le mois dernier." Des données réelles, présentées de manière à rendre le partage semblable à un savoir d'initié.
L'implémentation était étonnamment simple une fois que j'avais le cadre. Chaque page de collection est devenue une mini-expérience curée avec des recommandations personnalisées qui semblaient venir d'un ami compétent, et non d'un algorithme sans visage.
Psychologie d'abord
Comprendre ce qui motive réellement le comportement de partage plutôt que de simplement compter les clics.
Échelle d'automatisation
Utiliser l'IA pour créer plus de 200 expériences uniques sans la surcharge de la curation manuelle
Contexte digne de partage
Faire en sorte que chaque recommandation ressemble à un savoir privilégié digne d'être transmis.
Couche de preuve sociale
Ajouter des signaux sociaux authentiques qui font que les gens se sentent partie d'une communauté
Les résultats ont été immédiats et honnêtement, mieux que ce à quoi je m'attendais. Au cours du premier mois, nous avons observé des changements dramatiques dans le comportement des utilisateurs qui allaient bien au-delà des indicateurs classiques du e-commerce.
L'activité de partage a explosé : Le trafic référé par les réseaux sociaux a augmenté de 340 %. Les gens n'achetaient pas seulement - ils partageaient activement des produits avec des amis, publiaient sur des histoires Instagram et créaient leurs propres collections soigneusement sélectionnées.
Le comportement de découverte a changé : Le nombre moyen de pages par session est passé de 1,8 à 4,2. Les gens exploraient réellement le catalogue au lieu de simplement regarder un produit et de partir. Le nouveau système de recommandation a rendu la navigation intentionnelle plutôt que aléatoire.
Revenu de bouche à oreille : Plus important encore, nous avons commencé à suivre les ventes "influencées" - les achats qui ont eu lieu parce que quelqu'un a partagé une recommandation. Cela est devenu leur source de trafic à la croissance la plus rapide.
Mais le métrique le plus révélateur était qualitatif. Le service client a commencé à recevoir différents types de demandes. Au lieu de "Avez-vous quelque chose comme ça ?", ils recevaient "Mon ami m'a partagé cette collection - pouvez-vous m'aider à trouver des articles similaires ?" Les recommandations créaient des conversations, pas seulement des transactions.
Les pages de collection personnalisées ne se contentaient pas de mieux convertir - elles transformaienet les acheteurs individuels en défenseurs de la marque. Chaque recommandation est devenue un point d'entrée potentiel pour de nouveaux clients qui arrivaient par le biais du partage social plutôt que par la publicité payante.
Ce que j'ai appris et les erreurs que j'ai commises.
Pour que vous ne les fassiez pas.
Le Contexte Bat L'Algorithme à Chaque Fois : Le moteur de recommandation le plus sophistiqué est inutile s'il ne comprend pas le contexte émotionnel de pourquoi quelqu'un partagerait quelque chose. Les gens partagent des sentiments, pas des caractéristiques.
Le Partage est une Preuve Sociale : Quand quelqu'un partage une recommandation, il ne dit pas seulement "vous pourriez aimer ceci" - il dit "cela reflète bien mon goût." L'UX doit soutenir cette identité sociale, pas seulement la découverte de produits.
La Personnalisation à Grande Échelle Nécessite de l'Intelligence Émotionnelle : L'IA peut gérer le matching technique, mais un aperçu humain est nécessaire pour comprendre les déclencheurs émotionnels qui poussent au partage. Vous ne pouvez pas automatiser le goût et le contexte.
Le Bouton de Partage N'est Pas la Solution : Ajouter des boutons de partage social à des recommandations génériques ne fonctionne pas. L'expérience entière doit être conçue pour être digne d'être partagée dès le départ.
Les Petites Collections Battent les Grands Catalogues : Les gens partagent des sélections soigneusement choisies, pas des choix écrasants. Les collections personnalisées de 200+ ont mieux performé qu'un énorme catalogue de produits parce que chacune semblait intentionnellement fabriquée.
La Preuve Sociale en Temps Réel Incite à l'Action : Montrer des activités authentiques ("3 personnes regardent cela en ce moment") crée un sentiment d'urgence et rend le partage plus comme participer à quelque chose d'actuel, pas juste naviguer dans du contenu statique.
Comportement de Partage Mobile-First : La plupart des partages se font sur mobile via des messages texte et des applications sociales. Les modèles UX devaient bien fonctionner sur des petits écrans avec une navigation par le pouce, pas juste avoir une bonne apparence sur ordinateur de bureau.
Comment vous pouvez adapter cela à votre entreprise
Mon playbook, condensé pour votre cas.
Pour votre SaaS / Startup
Pour les produits SaaS, concentrez-vous sur :
Recommandations de fonctionnalités basées sur le contexte de flux de travail des utilisateurs
Modèles de partage d'équipe pour des fonctionnalités collaboratives
Suggestions d'intégration qui résolvent des cas d'utilisation spécifiques
Partage d'histoires de succès pour favoriser la croissance par le bouche-à-oreille
Pour votre boutique Ecommerce
Pour les magasins de commerce électronique, implémentez :
Des ensembles de produits contextuels conçus pour les scénarios de cadeaux
Des recommandations basées sur le style qui semblent personnellement sélectionnées
Des éléments de preuve sociale qui encouragent le partage communautaire
Des flux de partage optimisés pour mobile pour Instagram et les applications de messagerie