# Recommandation produit : faut-il afficher un seul choix ? Version HTML de référence : https://talkweb.fr/analyses/recommandation-produit-alternatives/ Publication : 2026-11-03T08:42:50+01:00. Révision : 2026-11-03T08:42:50+01:00. Une seule recommandation simplifie l’écran, mais peut masquer un compromis important. Décidez quand montrer des alternatives et comment les expliquer. ## La réponse 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. ## 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. Sources : [Choice overload: A conceptual review and meta‐analysis](https://doi.org/10.1016/j.jcps.2014.08.002); [Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them](https://doi.org/10.1287/mnsc.2016.2643) 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. Sources : [Constructive Consumer Choice Processes](https://doi.org/10.1086/209535); [The Persuasion Knowledge Model: How People Cope with Persuasion Attempts](https://doi.org/10.1086/209380) 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. ![Contraintes : Ce qui doit être respecté ; Choix principal : Le compromis retenu ; Alternatives : D’autres priorités possibles ; Ajustement : Modifier un critère explicite](https://talkweb.fr/charts/recommandation-produit-alternatives.svg) Lecture proposée par TalkWeb. Schéma explicatif, sans résultat chiffré simulé. ## 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. Une recommandation que le client peut discuter — grille de travail TalkWeb, à adapter au service | 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 | ## Passer à l’action 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. Ajouter les raisons de classement à une recommandation existante. Le client comprend et peut modifier le compromis sans erreur de compatibilité. ## Limites - Les facteurs ne donnent pas un nombre idéal d’options. - Ce ne sont pas des taux de conversion clients. ## Sources - [Chernev, A., Böckenholt, U., & Goodman, J. (2015). Choice overload: A conceptual review and meta‐analysis. Journal of Consumer Psychology.](https://doi.org/10.1016/j.jcps.2014.08.002) — Lecture ciblée du PDF auteur : résumé, présentation des facteurs et discussion des recherches futures pp. 353–354. Tableaux de coefficients non audités. - [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.](https://doi.org/10.1287/mnsc.2016.2643) — 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. - [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. - [Marian Friestad, & Peter Wright. (1994). The Persuasion Knowledge Model: How People Cope with Persuasion Attempts. Journal of Consumer Research.](https://doi.org/10.1086/209380) — Résumé primaire consulté ; texte intégral non audité.