E-commerce
28 juin 2026
« Comment régler la tension ? » « L'app ne se connecte pas. » « Quelle dose semaine 1 ? » Trois problèmes, trois tutoriels différents. Un bot qui recrache la page help entière frustre ; un bot qui envoie l'étape 4 du mauvais SKU aggrave la situation.
Heeya estime qu'un RAG bien chunké sur documentation produit peut déflecter 55 à 72 % des contacts tier-1 quand le routing est précis (Heeya, RAG support 2026). LaunchGPT rappelle que le chat post-achat gagne à combiner données commande et RAG contenu, pas un widget générique partout (LaunchGPT, playbook chat 2026).
Ce guide #233 traite le chatbot IA tutoriels produit : relier problème client et aide adaptée. Distinct de bibliothèque tutoriels (#232) (inventaire) et de onboarding bot (#179) (flows proactifs) : ici, matching intent → tut_id → étape dans le dialogue.
Sommaire
Pourquoi router vers le bon tutoriel change-t-il la résolution usage ?
Le chatbot tutoriels produit ne répond pas en vrac : il identifie le problème, charge le bon tut_id, avance étape par étape.
Échec du dump documentaire
Coller un lien PDF ou un article de 800 mots en chat = le client abandonne et ouvre un ticket. GetAgent note que des chunks 384-512 tokens améliorent la précision sur procédures step-by-step (GetAgent, RAG KB 2026).
Trois gains
Précision : SKU commande + intent = bon tutoriel
Progression : une étape, confirmation, suivante
Format adapté : texte, GIF ou vidéo selon l'étape
Exemple DTC cuisine
Robot multifonction, 76 tickets/mois « ne marche pas / mode soup ». Bot routing tut_id + étape : autonomie 64 %, FCR usage +22 points, repeat contact −31 %.
En quoi diffère-t-il de la bibliothèque, de l'onboarding et du troubleshooting ?
Cinq contenus voisins, un angle : bot qui sélectionne et guide le tutoriel.
Bibliothèque (#232)
Bibliothèque (#232) : taxonomie et TUT-meta. Le #233 : comment le bot consomme ce catalogue en conversation.
Onboarding (#179)
Onboarding bot : proactif J+0. Le #233 : réactif quand le client décrit un blocage, même semaines après.
Troubleshooting (#229)
Troubleshooting (#229) : arbre diagnostic TRB. Le #233 : guide pédagogique ; si TRB échoue, handoff. Les deux s'enchaînent.
Guided selling (#150)
Guided selling (#150) : pré-achat choix SKU. Le #233 : post-achat usage du SKU déjà commandé.
Promesse #233
Intents tutoriel, matching tut_id, flow pas à pas, multimédia, grounding, tests, KPI, playbooks.
Quels intents tutoriel cartographier pour le bot ?
Cartographiez les intents tutoriel chatbot alignés sur la bibliothèque #232.
Dix intents routing
tut_setup : première utilisation, assembly
tut_routine : dose, mode, fréquence
tut_care : entretien, lavage
tut_expectation : normal vs anormal
tut_troubleshoot_light : reset, voyant (avant TRB)
tut_accessory : pièce compatible, consommable
tut_video_request : client demande une démo visuelle
tut_step_blocked : bloqué étape N en cours
tut_wrong_product : confusion SKU similaire
tut_unknown : pas de tut_id indexé
Mining verbatims
Export chat 90 j : « comment », « mode d'emploi », « étape », « vidéo », « ne marche pas ». Croiser avec tags usage (#230).
Priorisation MVP
Top 5 intents × top 10 SKU TPU = 50 routes bot minimum avant go-live.
Comment le bot matche-t-il problème client, tut_id et étape ?
Le matching tutoriel bot suit un pipeline en quatre passes, pas un seul prompt RAG.
Pipeline matching
Lookup commande : SKU, variante, date livraison
Classify intent : tut_* depuis verbatim
Resolve tut_id : index métafield ou table
sku→tutorials[]Pick step : étape 1 ou reprise
last_stepsession
Règles de désambiguïisation
2 SKU similaires en historique → demander lequel
Intent flou setup vs troubleshoot → question binaire
Client cite étape N → sauter à chunk step_N
Exemple routing
« L'app ne se connecte pas » + SKU enceinte → intent tut_setup → tut_id PAIR-APP-X → step_1 (télécharger app).
Fallback
Aucun tut_id : TUT-UNKNOWN + lien centre d'aide + handoff si urgent.
Exemple JSON routing (metafield)
{"sku":"SPK-100","match_rules":[{"keywords":["app","connect","pair"],"tut_id":"TUT-PAIR-SPK100","intent":"tut_setup"}]}. Priorité : commande active > keyword > collection fallback.
Quelles sources et index RAG pour les tutoriels bot ?
Le index RAG tutoriels alimente retrieval et citations grounded.
Sources
Chunks bibliothèque #232 (step + TUT-meta)
Metafields Shopify
tutorial_library_refURLs vidéo + transcript (#231)
Codes erreur liés tut_troubleshoot_light
Chunk schema
Chaque chunk : tut_id, sku, intent, step_n, action, media_url, version. Heeya : 400-600 tokens, overlap 15 %, metadata pour filtrage SKU (Heeya).
Retrieval hybride
Vector + mot-clé SKU/error code. Reranker si > 1000 chunks. Filtrer retrieval par sku=commande.sku avant similarity search : réduit fortement les confusions entre variantes proches du même modèle et accélère la réponse. Voir maintenir base connaissances et entraîner bot Shopify.
Quel flow conversationnel tutoriel pas à pas ?
Le flow tutoriel chatbot avance une étape à la fois avec confirmation.
Séquence type (6 tours max)
Accueil : « Je vois [SKU]. Quel est votre blocage : setup, usage, entretien ou panne ? »
Confirm tut_id + durée estimée
Étape 1 : action + boutons Fait / Bloqué / Voir vidéo
Si Fait → étape 2 ; si Bloqué → sous-étape ou photo
Tip ou erreur fréquente mid-flow
Clôture : « Résolu ? » ou route TRB / handoff
UX chat
Barre progression Étape 2/5
Reprise session via e-mail magic link
Bouton « Recommencer tutoriel »
Complément onboarding
Même flow réutilisable en proactif J+0 (#179) avec tut_id pré-sélectionné.
Exemple fil complet (cosmétique device)
Client : « Quelle fréquence pour le sérum ? » → tut_routine → tut_id ROUTINE-SERUM-A → step_1 dose 2 gouttes → Fait → step_2 fréquence 2×/sem → Fait → tip SPF matin → clôture CSAT inline.
Comment combiner texte, vidéo et handoff dans le fil ?
Le multimédia tutoriel bot choisit le format par étape, pas par préférence agent.
Règles format
Texte : policy courte, rappel dose
GIF : un clic, toggle UI
Vidéo embed : ≥ 3 gestes ou assembly (#231)
Templates bot
TUT-BOT-STEP : « Étape [N] : [action]. [GIF/vidéo si dispo]. Appuyez sur Fait quand terminé. »
TUT-BOT-VIDEO : « Voici la démo 45 s pour cette étape : [player]. Transcription disponible ci-dessous. »
Handoff
Après 2× Bloqué même étape ou intent tut_troubleshoot_light échoué → TRB (#229) ou humain avec log tut_id + steps_done. Storebird insiste : handoff sans contexte pire que pas de bot (Storebird, catalog RAG 2026).
Quelles règles anti-hallucination sur les procédures tutoriel ?
Le bot tutoriel grounded ne invente jamais une étape absente du chunk indexé.
Garde-fous
Whitelist actions par tut_id + step_n
Citer version tutoriel en réponse
TUT-UNKNOWN si chunk confidence < seuil
Pas de mélange steps SKU A et SKU B
Prompt système
« Réponds uniquement depuis les chunks fournis. Si étape absente, dis que vous vérifiez et proposez handoff. » Voir anti-hallucination (#123).
Sync version
Tutoriel v1.2 publié → réindex sous 24 h. Bot refuse d'citer v1.1 si deprecated flag.
Comment tester le routing tutoriel avant mise en prod ?
Le QA bot tutoriels valide matching et trajectoire, pas une réponse isolée.
Jeu de test (30 scénarios)
10 routes tut_id correct par SKU+intent
5 reprises étape N en cours
5 désambiguïsations SKU similaire
5 TUT-UNKNOWN → handoff propre
5 enchaînements tut → TRB
Shadow mode
Bot propose tut_id + step, agent valide 2 semaines. Mesurer écarts → corriger index.
Golden set RAG
Heeya recommande 50-100 questions représentatives + métriques faithfulness. Cible Precision@5 > 0,8 sur chunks tutoriel.
Quels KPI pour piloter le bot tutoriels ?
Mesurez le bot tutoriels par résolution guidée, pas par volume chat.
KPI routing
Tut_match accuracy : bon tut_id first try
Taux complétion flow : étape finale atteinte
FCR tut_* sans humain
TUT-UNKNOWN rate : gap bibliothèque
KPI impact SAV
TPU usage post-déploiement
Repeat contact 7 j après tut flow
CSAT segment tut_guided
Boucle mensuelle
Top TUT-UNKNOWN → créer tutoriel #232. Top étape Bloqué → enrichir chunk ou vidéo. Voir KPI chatbot (#11).
Tableau de bord hebdo
Colonnes : intent, tut_id, match OK/KO, step max atteint, FCR, UNKNOWN. Tri UNKNOWN desc = backlog contenu de la semaine.
Comment Qstomy route-t-il vers le bon tutoriel produit ?
Qstomy exécute le pipeline matching SKU → intent → tut_id → step avec corpus bibliothèque #232.
Fonctionnalités tutoriel bot
Lookup commande Shopify + tut index
Intents tut_* + flow pas à pas
Embed vidéo/GIF par step metadata
Reprise session last_step persisté
Handoff dossier tut_id, steps, version
Export gaps vers roadmap #232
Scénario DTC chiffré
Marque skincare devices, 27 % chats post-achat usage, tut_match accuracy initiale 58 %. Index 42 tut_id chunkés + 10 intents + shadow 2 sem. Après 10 semaines : tut_match 87 %, FCR tut_* 71 %, TPU usage −29 %, complétion flow 68 %.
Explorez intégration Shopify, support client IA, demander une démo.
Quels playbooks opérationnels lancer cette semaine ?
Playbook 1 : prérequis bibliothèque (2 j)
Minimum 20 tut_id indexés (#232) avec TUT-meta complet avant bot routing.
Playbook 2 : intents + pipeline (1 jour)
Mapper 10 intents section 3, règles matching section 4, test 10 verbatims.
Playbook 3 : flow + templates (4 h)
TUT-BOT-STEP, barre progression, reprise session, embed vidéo.
Playbook 4 : shadow + golden set (2 semaines)
30 scénarios section 9, ajuster index, bascule 25 % trafic usage.
Playbook 5 : revue KPI mensuelle (1 h)
TUT-UNKNOWN, étapes Bloqué, sync version tutoriels.
Maillage utile
Un bot tutoriel efficace ne remplace pas votre bibliothèque : il la rend conversationnelle. Quand chaque problème client trouve le bon tut_id, la bonne étape et le bon format en quelques tours, le support cesse d'être un moteur de recherche manuel et devient un guide qui sait où vous en êtes.
Enzo
28 juin 2026
