Toute personne responsable de la pertinence dans un environnement e-commerce reconnaît ce schéma. Les recommandations reposent souvent sur deux repères connus : ce qu’un visiteur individuel a déjà fait, ou ce qui se vend bien de manière générale.
Ces deux approches sont logiques, mais aussi limitées. Le comportement individuel est souvent peu abondant ou encore en cours de construction. La popularité en dit peu sur les préférences personnelles. En pratique, cela conduit à des recommandations soit trop étroites, soit trop génériques.
Résultat : de nombreux blocs de recommandations n’atteignent pas leur plein potentiel. Ils confirment ce que l’utilisateur connaît déjà, mais l’aident insuffisamment à découvrir ce qu’il ne connaît pas encore.
La personnalisation basée sur le comportement individuel est précieuse, mais incomplète. Surtout au début d’une session, il y a tout simplement trop peu de contexte. Un visiteur consulte quelques produits, compare des options et reste encore en phase d’exploration.
À ce stade, le comportement indique surtout une direction, mais pas encore une préférence. Une personne qui consulte plusieurs chaussures de sport peut encore avoir des intentions très différentes : course à pied, usage quotidien ou entraînement.
De plus, le comportement n’est pas toujours linéaire. Les visiteurs explorent largement, reviennent en arrière, comparent des catégories. Si les recommandations restent limitées à cette seule trajectoire individuelle, elles manquent une part importante de l’histoire.
La prochaine étape de la personnalisation ne réside pas dans davantage de règles ou une segmentation plus fine. Cette approche se heurte rapidement à la complexité et à la maintenance.
Le changement réside dans l’exploitation de modèles à grande échelle. Il ne s’agit plus d’observer un seul visiteur, mais des groupes de visiteurs au comportement similaire.
Les comportements d’achat et de navigation sont rarement totalement uniques. Dans de grands ensembles de données apparaissent des schémas : combinaisons de produits souvent consultés ensemble, parcours menant plus fréquemment à un achat, préférences qui se répètent au sein de groupes aux intentions comparables.
C’est le cœur de l’intelligence collective. Il ne s’agit pas d’apprendre à partir de signaux isolés, mais de chevauchements comportementaux. La personnalisation évolue ainsi d’une logique réactive vers une logique plus prédictive : ne pas seulement réagir à ce qu’un visiteur fait, mais anticiper ce qui deviendra probablement pertinent.
De cette logique naît une autre manière de recommander.
Cela crée un troisième type de recommandation aux côtés des formes bien connues :
La différence ne réside pas seulement dans la source des données, mais aussi dans le type d’insight. Là où les deux premières formes réagissent surtout à ce qui se passe déjà, le comportement collectif ajoute une couche plus large et apprenante.
Imaginons qu’un visiteur consulte plusieurs chaussures de sport dans une certaine gamme de prix et un certain style. Sur la base du comportement individuel, le système reste proche de cette sélection. Sur la base de la popularité, ce sont surtout les modèles les plus vendus qui apparaissent.
Mais lorsqu’on observe ce que font des visiteurs similaires, une autre image apparaît. Il peut s’avérer que beaucoup de ces visiteurs choisissent finalement un modèle précis situé juste en dehors de la sélection initiale. Ou qu’ils ajoutent souvent un certain type de chaussettes ou d’accessoires à leur achat.
Ce sont des liens qu’on ne peut pas déduire d’une seule session, mais bien du comportement d’un groupe plus large.
En exploitant ces schémas, les recommandations deviennent moins dépendantes de ce qu’un visiteur a déjà explicitement montré, et davantage fondées sur ce qui se révèle pertinent dans des situations comparables.
La valeur de cette approche réside d’abord dans la pertinence. Les recommandations correspondent mieux à la phase et à la direction du visiteur.
Mais l’effet va plus loin. Parce que le système reconnaît des liens au-delà du comportement direct, il aide aussi à la discovery. Les visiteurs trouvent plus rapidement des produits qu’ils n’avaient pas encore identifiés eux-mêmes.
Cela peut conduire à une forme plus naturelle de cross-sell et à un processus de décision plus fluide. Non pas parce que davantage d’éléments sont affichés, mais parce que ce qui est affiché correspond mieux au besoin sous-jacent.
Il est important de voir cela comme un effet potentiel, non comme un résultat garanti. L’impact dépend toujours de l’assortiment, du trafic et de la mise en œuvre. Mais la direction est claire : de meilleurs signaux conduisent à des choix plus pertinents.
Le comportement collectif ne remplace pas les autres formes de personnalisation. Il ajoute une couche supplémentaire.
Le comportement individuel reste essentiel pour l’affinage. Les recommandations contextuelles conservent leur valeur sur une page ou dans une catégorie spécifique.
People Like You complète cela avec des insights qui resteraient autrement invisibles. Il met en lumière des schémas qui ne peuvent pas être déduits directement d’un seul utilisateur ou d’un seul contexte.
C’est précisément dans cette combinaison qu’émerge une forme de personnalisation plus robuste. Un système qui ne repose pas sur un seul type de signal, mais qui réunit plusieurs perspectives.
People Like You réduit la dépendance à la personnalisation manuelle. Au lieu de créer et maintenir des règles, le système apprend à partir de modèles comportementaux. Cela permet d’améliorer la pertinence sans ajouter de complexité.
En outre, la personnalisation devient plus scalable. Davantage de données conduisent à des schémas plus solides, ce qui permet à des recommandations de mieux correspondre aux différentes intentions et étapes du parcours.
En parallèle, une vision partagée et plus concrète de ce que font réellement les visiteurs apparaît. Les équipes travaillent moins sur des hypothèses et davantage sur des modèles prouvés. Cela conduit à des décisions plus nettes, des discussions plus courtes et une optimisation plus ciblée.
