Affichez une recommandation principale lorsque les contraintes sont connues, avec des alternatives motivées si plusieurs compromis restent plausibles. Ne présentez pas une préférence supposée comme une nécessité technique.
Product manager d’un moteur de recommandation e-commerce
La décision à éclairer : Ajouter les raisons de classement à une recommandation existante.
Une réponse unique peut être précise ou simplement autoritaire
Un assistant propose un casque « idéal ». Le client ignore si ce choix privilégie le prix, le confort ou l’isolation. La simplicité apparente vient alors de la disparition des critères, pas d’une meilleure compréhension du besoin.
Commencez par séparer contraintes obligatoires et préférences. Éliminez les références incompatibles, puis expliquez le critère qui départage celles qui restent. Si l’information manque, posez une question qui change réellement la sélection.
Le contrôle compte autant que le nombre d’options
La recherche sur la surcharge de choix souligne le rôle des préférences incertaines. Dietvorst, Simmons et Massey observent par ailleurs que la possibilité de modifier une prévision peut favoriser l’usage d’un algorithme. Ce second résultat concerne une tâche de prévision, pas un achat en ligne. (Chernev et al., 2015)(Dietvorst et al., 2018)
Nous en tirons une piste à tester : montrer pourquoi une option est retenue et laisser modifier le critère principal. Le but n’est pas de reproduire une taille d’effet, mais de rendre la recommandation contestable sans obliger à tout recommencer.
Des alternatives crédibles doivent représenter de vrais compromis
La construction des préférences étudiée par Bettman et ses coauteurs complète le modèle de Friestad et Wright sur la compréhension des intentions commerciales. Une alternative artificiellement mauvaise peut aider à vendre l’option centrale tout en rendant le conseil moins crédible. (James R. Bettman et al., 1998)(Marian Friestad et al., 1994)
Présentez une raison d’usage pour chaque proposition : moins chère mais moins isolante, plus légère mais moins autonome. Conservez une option qui ne maximise pas votre marge lorsqu’elle répond mieux à la contrainte exprimée. Si l’assistant ne connaît pas un critère décisif, il doit le demander plutôt que produire un classement assuré. Testez la compréhension du compromis et le motif des retours, pas seulement le clic sur le produit recommandé.
Donner une raison différente à chaque alternative
« Moins cher », « plus compact » ou « compatible avec votre équipement » sont des différences utiles si elles sont vérifiées. Trois produits presque identiques accompagnés du même argument ajoutent du bruit. Une alternative doit représenter un compromis identifiable.
Dans le moteur, conservez les contraintes utilisées et la provenance des données. Dans l’interface, affichez les critères que le client peut modifier. Une réponse générée doit rester cohérente avec le classement réel, sans inventer une raison après coup.
Vérifier les raisons de classement affichées
Avant de lancer le test, faites produire par le moteur les raisons de classement sous une forme structurée : contrainte satisfaite, préférence utilisée, donnée manquante. Le rédacteur ou le modèle transforme ensuite ces éléments en texte. Comparez la version affichée à cette trace sur des cas limites. Si deux alternatives ont exactement la même raison, demandez pourquoi elles sont présentées séparément. Cette vérification évite que le design donne l’impression d’une diversité de choix alors que le moteur répète simplement les références les mieux rémunérées.
Lecture proposée par TalkWeb. Schéma explicatif, sans résultat chiffré simulé.
Télécharger le schéma SVG ↓Une boutique propose un casque pour des déplacements quotidiens
Une boutique propose un casque pour des déplacements quotidiens. Le client précise ensuite qu’il porte des lunettes plusieurs heures. Dans ce cas fictif, l’assistant conserve la contrainte de budget, explique le compromis de confort et propose une autre référence. Le changement devient une amélioration du conseil, même si le premier produit n’est pas acheté.
Mesurer la décision obtenue, pas l’obéissance à l’assistant
Observez si le client comprend pourquoi il choisit une autre option. Un changement de recommandation n’est pas un échec lorsque le besoin devient plus clair. Examinez aussi les retours liés à une incompatibilité ou à une attente mal comprise.
Pour un test A/B, gardez les mêmes références éligibles et comparez la présentation. Sinon vous mesurerez simultanément le classement, le stock et le design, sans savoir ce qui a changé.
Ces alternatives deviennent plus utiles si le client peut ajuster les critères qui orientent la recommandation sans perdre les contraintes essentielles.
| Situation observée | Décision ou contrôle | Responsable |
|---|---|---|
| Contrainte certaine | Écarter les incompatibilités | Catalogue |
| Préférence incertaine | Demander ou montrer le compromis | Produit |
| Alternative | Expliquer sa différence réelle | UX |
La décision à retenir
Affichez une recommandation principale lorsque les contraintes sont connues, avec des alternatives motivées si plusieurs compromis restent plausibles. Ne présentez pas une préférence supposée comme une nécessité technique.
- Votre prochaine étape
- Ajouter les raisons de classement à une recommandation existante.
- Comment juger le résultat
- Le client comprend et peut modifier le compromis sans erreur de compatibilité.
Les limites de cette analyse
- Les facteurs ne donnent pas un nombre idéal d’options.
- Ce ne sont pas des taux de conversion clients.
Sources et résultats utilisés dans cet article
Les passages et le périmètre de lecture sont consultables ci-dessous. L’accès à un texte intégral ne signifie pas que chaque résultat a été audité.
Chernev, A., Böckenholt, U., & Goodman, J. (2015). Choice overload: A conceptual review and meta‐analysis. Journal of Consumer Psychology.
DOI : 10.1016/j.jcps.2014.08.002 ↗Période des données : Études antérieures à la publication en ligne d’août 2014
Lecture ciblée du PDF auteur : résumé, présentation des facteurs et discussion des recherches futures pp. 353–354. Tableaux de coefficients non audités.
Voir la fiche de preuve
- Constat
- Les auteurs identifient quatre modérateurs : complexité des options, difficulté de la tâche, incertitude des préférences et objectif de décision.
- Localisateur
- Résumé p. 333 ; discussion pp. 353–354
- Court extrait
- « choice set complexity, decision task difficulty, preference uncertainty, and decision goal »
- Méthode
- Méta-analyse
- Population
- 99 observations, 7 202 participants
- Limites
- Les facteurs ne donnent pas un nombre idéal d’options. Interactions entre modérateurs encore peu étudiées dans les travaux inclus. Corpus partiellement lié aux recherches précédentes : pas une réplication entièrement indépendante.
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them. Management Science.
DOI : 10.1287/mnsc.2016.2643 ↗Période des données : Études antérieures à la mise en ligne de novembre 2016
Lecture ciblée du texte publié : étude 1, pages 1157–1159 et figure 2 ; résumé des trois études. Publication en volume en 2018, mise en ligne en 2016.
Voir la fiche de preuve
- Constat
- L’étude 1 observe une adoption de 32 % sans modification, 76 % avec ajustement limité et 73 % avec modification de 10 prévisions.
- Localisateur
- Étude 1, figure 2 et pages 1157–1159
- Court extrait
- « even slightly »
- Méthode
- Expérience de prévision avec rémunération dépendant des résultats.
- Population
- 288 participants analysés dans quatre conditions ; prévision de rangs d’élèves.
- Limites
- Ce ne sont pas des taux de conversion clients. ±10 désigne des points de rang percentile, pas une variation de 10 %.
Voir la fiche de preuve
- Constat
- L’étude 1 observe une adoption de 32 % sans modification, 76 % avec ajustement limité et 73 % avec modification de 10 prévisions.
- Localisateur
- Dietvorst, Simmons et Massey · étude 1, figure 2 · 288 participants au total
- Court extrait
- « even slightly »
- Méthode
- Expérience de prévision avec rémunération dépendant des résultats.
- Population
- 288 participants au total dans l’étude 1 ; trois conditions de choix du modèle représentées.
- Limites
- Ce ne sont pas des taux de conversion clients. ±10 désigne des points de rang percentile, pas une variation de 10 %.
James R. Bettman, Mary Frances Luce, & John W. Payne. (1998). Constructive Consumer Choice Processes. Journal of Consumer Research.
DOI : 10.1086/209535 ↗Résumé et introduction du PDF consultés.
Marian Friestad, & Peter Wright. (1994). The Persuasion Knowledge Model: How People Cope with Persuasion Attempts. Journal of Consumer Research.
DOI : 10.1086/209380 ↗Résumé primaire consulté ; texte intégral non audité.