Une recommandation est utile lorsqu’elle respecte les exigences de l’acheteur, explique les différences pertinentes et lui permet de vérifier les informations avant de commander. L’évaluation d’un assistant d’achat par IA doit inclure la sélection et l’achat, mais aussi les inadéquations, les questions restées sans réponse et l’expérience qui suit.
Afficher trois produits après une question est simple. Le travail consiste à expliquer pourquoi ces produits conviennent et ce qui reste à vérifier. Une liste plausible peut contenir des options qui ne respectent pas une exigence importante.
Que signifie « adapté » pour cet acheteur ?
Certaines conditions sont fermes : une taille maximale, la compatibilité avec un accessoire ou une limite de budget indiquée. D’autres sont des préférences, comme la couleur, la finition ou le style. Nous les clarifions sans transformer la sélection en questionnaire sans fin.
Dans un exemple fictif, quelqu’un dispose de 115 cm pour un bureau. Un modèle de 120 cm ne convient pas simplement parce que son prix est attractif. Deux modèles qui conviennent peuvent être comparés selon la profondeur, le rangement et une estimation de livraison vérifiable.
Les informations manquantes restent non confirmées. Les dimensions du plateau ne suffisent pas à établir si deux supports d’écran et les autres équipements de la personne tiendront.
Comment expliquer la recommandation ?
Nous montrerions le critère respecté, les différences entre les options et les limites pertinentes. Par exemple : « Ce modèle correspond à la largeur indiquée. Son plateau est moins profond que l’alternative. La place pour les deux supports reste à vérifier avec leurs dimensions. »
Cette explication permet à l’acheteur de corriger l’exigence. La limite de largeur était peut-être approximative, ou l’un des écrans utilisera un bras articulé. Une recommandation peut évoluer avec les informations tout en conservant les changements de contexte.
Qui décide de l’ordre des produits ?
La boutique a besoin de règles explicites de sélection et de présentation. La disponibilité, l’adéquation, le prix et les priorités commerciales peuvent jouer des rôles différents. Une préférence commerciale ne doit pas créer une fausse explication de compatibilité.
Nous vérifierions si la même demande produit des options cohérentes et si l’acheteur peut comprendre pourquoi chacune a été incluse. Une formulation persuasive ne suffit pas à mesurer la qualité.
Que mesurons-nous avant l’achat ?
| Signal | Ce qu’il peut montrer | Ce qu’il n’établit pas à lui seul |
|---|---|---|
| Ouvrir un produit recommandé | L’intérêt pour une option | L’adéquation du produit |
| L’ajouter au panier | Une avancée vers une commande | Un achat effectué |
| Corriger la recommandation | Un besoin de clarification ou une erreur | Que toutes les recommandations sont mauvaises |
| Passer à l’assistance | Un besoin d’aide supplémentaire | L’échec automatique de la conversation |
Un passage vers l’assistance peut être le bon résultat pour une question que le système ne peut pas résoudre. Nous vérifierions que le contexte est conservé et que la personne reçoit l’aide nécessaire.
Que se passe-t-il après la commande ?
Nous examinons les annulations, les retours et les motifs enregistrés lorsque l’information peut être recueillie de façon appropriée. Si un produit est renvoyé parce qu’il ne convient pas, nous revoyons la recommandation et les données utilisées. Nous ne supposons pas que l’assistant est la cause de chaque retour.
L’effort de l’équipe compte aussi. Une réponse rapide qui entraîne des corrections répétées peut déplacer le travail vers l’assistance. L’évaluation doit inclure ce temps et la gravité des erreurs, en plus des conversations menées à terme.
Comment comparer les expériences avec et sans l’assistant ?
Les visiteurs qui choisissent la conversation peuvent différer de ceux qui naviguent seuls. Un taux de conversion plus élevé dans le premier groupe n’établit pas automatiquement l’effet de l’assistant. Nous choisissons une comparaison adaptée et tenons compte de la source du trafic, de la disponibilité et des changements d’offre.
Avec un faible volume, nous pouvons commencer par examiner des tâches et des conversations concrètes sans revendiquer d’impact commercial définitif. Avec un volume suffisant, une expérience bien conçue peut fournir de meilleures preuves. La méthode doit être choisie avant qu’un résultat soit présenté comme une preuve.
NOT MORE. peut relier cette expérience aux informations produit, au design de l’interface et à la mesure convenue. La recommandation doit être compréhensible, vérifiable et utilisable.
Que doit pouvoir vérifier un acheteur avant d’accepter la recommandation de votre boutique ?