# Recommandation e-commerce : les clics ne suffisent pas

Version HTML de référence : https://talkweb.fr/analyses/recommandation-ecommerce-clics-achats-utiles/

Publication : 2026-11-03T08:42:50+01:00. Révision : 2026-11-03T08:42:50+01:00.

Un produit très cliqué peut être peu acheté ou souvent retourné. Reliez la recommandation à la commande conservée et à son utilité réelle.

## La réponse

Évaluez le moteur sur des achats compatibles et conservés, avec les clics comme étape intermédiaire. Le bon indicateur dépend du rôle du module : découverte, complément ou réassort.

## Le module qui attire l’œil ne rend pas forcément service

Un accessoire peu cher peut attirer des clics alors qu’il ne convient pas au produit principal. Un article plus spectaculaire peut détourner d’un réassort simple. Si l’équipe optimise seulement le taux de clic, le moteur apprend à provoquer de l’attention sans garantir un choix utile.

Définissez la fonction du module avant son indicateur. Un complément doit être compatible ; une alternative doit répondre au même besoin ; une découverte peut être évaluée sur une période plus longue. Mélanger ces usages rend les résultats difficiles à interpréter.

## Une commande et un achat conservé sont deux résultats différents

La méta-analyse de Janakiraman, Syrdal et Freling distingue décisions d’achat et de retour. Kohavi et ses collègues rappellent l’importance de mesures sensibles et d’un protocole d’expérimentation. Ensemble, ces travaux invitent à regarder au-delà de la réaction immédiate, sans fournir un score universel de recommandation.

Sources : [The Effect of Return Policy Leniency on Consumer Purchase and Return Decisions: A Meta-analytic Review](https://doi.org/10.1016/j.jretai.2015.11.002); [Seven Rules of Thumb for Web Site Experimenters](https://doi.org/10.1145/2623330.2623341)

Choisissez une mesure principale et des garde-fous avant l’essai. Par exemple, commande compatible comme résultat principal, retours pour incompatibilité et marge après retour comme contrôles. Ne changez pas la mesure parce qu’une autre devient plus favorable.

## Une recommandation attire parfois par ce qu’elle fait comparer

Bettman, Luce et Payne décrivent comment les préférences se construisent selon les options et l’information disponibles. Un produit recommandé peut donc obtenir un clic parce qu’il sert de repère, sans être un achat adapté. Ce cadre complète les mesures de conversion et de retours ; il ne prédit pas l’effet de votre moteur de recommandation.

Sources : [Constructive Consumer Choice Processes](https://doi.org/10.1086/209535)

Distinguez les modules de découverte, de compatibilité et de réassort. Pour un accessoire, vérifiez d’abord qu’il fonctionne avec le produit principal. Pour une alternative, regardez si le client comprend les différences. Reliez ensuite les achats aux retours et aux motifs de contact. Récompenser uniquement le clic peut favoriser des références séduisantes qui déplacent le coût vers le SAV.

## Relier les événements sans compter plusieurs fois le même achat

Transmettez l’identifiant du module, de la recommandation et de la commande. Distinguez exposition, clic et achat ; définissez une fenêtre d’attribution. Plusieurs modules vus avant une commande ne doivent pas chacun revendiquer une vente supplémentaire.

Le CRM ou l’entrepôt de données rapproche ensuite annulations et retours. Utilisez les motifs avec prudence : un motif « autre » trop fréquent signale une donnée insuffisante. La qualité du suivi conditionne la qualité du classement que vous pourrez entraîner.

### Rapprocher les résultats à la ligne de commande

Pour le rapprochement, créez une table au niveau de la ligne de commande plutôt qu’un simple total par panier. Un panier peut contenir un produit recommandé et plusieurs produits trouvés autrement ; un retour peut ne concerner qu’une ligne. Documentez aussi les substitutions après rupture de stock. Sans cette granularité, un moteur peut recevoir le crédit d’une vente qu’il n’a pas réellement aidée, ou être pénalisé pour un retour sans rapport avec sa suggestion. Faites contrôler quelques dossiers de bout en bout avant d’automatiser le bilan.

![Voir : Une recommandation éligible ; Choisir : Une référence compatible ; Recevoir : Une commande effectivement livrée ; Conserver : Un achat qui répond au besoin](https://talkweb.fr/charts/recommandation-ecommerce-clics-achats-utiles.svg)

Lecture proposée par TalkWeb. Schéma explicatif, sans résultat chiffré simulé.

## Un distributeur recommande des cartouches à côté des imprimantes

Un distributeur recommande des cartouches à côté des imprimantes. Le scénario fictif compare deux modules : l’un privilégie les clics, l’autre la compatibilité vérifiée. L’équipe suit les commandes conservées et les motifs de retour. Elle peut ainsi reconnaître une meilleure recommandation même si son bouton attire un peu moins de clics.

## Décider avec une cohorte arrivée à maturité

Attendez que les commandes aient eu le temps d’être livrées et, si nécessaire, retournées. Comparez des cohortes exposées dans des conditions similaires. Une hausse des clics accompagnée de retours supplémentaires demande une enquête, pas une célébration automatique.

Documentez aussi ce qui reste invisible : achats en magasin, produits indisponibles ou retours non rapprochés. Ces trous de mesure ne se corrigent pas en donnant davantage de décimales au tableau de bord.

Reliez les achats obtenus aux retours et aux conditions annoncées avant la commande, pour ne pas récompenser une recommandation qui vend un produit inadapté.

Le clic est une étape, pas le résultat final — grille de travail TalkWeb, à adapter au service

| Situation observée | Décision ou contrôle | Responsable |

| --- | --- | --- |

| Exposition | Identifier module et contexte | Data |

| Commande | Contrôler compatibilité et dédoublonnage | Commerce |

| Après-vente | Rapprocher retours et motifs | CRM |

## Passer à l’action

Évaluez le moteur sur des achats compatibles et conservés, avec les clics comme étape intermédiaire. Le bon indicateur dépend du rôle du module : découverte, complément ou réassort.

Relier un module aux retours avant de modifier son objectif.

Les achats utiles progressent sans dégradation des retours ni de la marge.

## Limites

- Résumé seulement ; aucune estimation chiffrée de rentabilité transférable.

- Les plateformes à fort trafic ne représentent pas le commerce à faible volume.

## Sources

- [Narayan Janakiraman, Holly A. Syrdal, & Ryan Freling. (2016). The Effect of Return Policy Leniency on Consumer Purchase and Return Decisions: A Meta-analytic Review. RECHERCHE · Journal of Retailing.](https://doi.org/10.1016/j.jretai.2015.11.002) — Résumé de la publication accessible par index bibliographique ; texte intégral non consulté.

- [Ron Kohavi, Alex Deng, Roger Longbotham, & Ya Xu. (2014). Seven Rules of Thumb for Web Site Experimenters. RECHERCHE · KDD.](https://doi.org/10.1145/2623330.2623341) — PDF consulté ; règles méthodologiques issues de l’expérience de grandes plateformes.

- [James R. Bettman, Mary Frances Luce, & John W. Payne. (1998). Constructive Consumer Choice Processes. Journal of Consumer Research.](https://doi.org/10.1086/209535) — Résumé et introduction du PDF consultés.