E-commerce
28 juin 2026
Le client ouvre la robe bestseller. Douze couleurs, six tailles, soixante-douze combinaisons. Il tape dans le chat : « Entre le bleu nuit et le marine, lequel tire plus vers le noir ? » « Je fais du 38 chez vous habituellement, cette coupe taille comment ? » Un sélecteur statique ne répond pas. Un bot générique invente.
Heeya montre qu'un assistant pré-achat peut réduire les retours liés aux variantes de 20 à 35 % quand il guide la décision en 3 à 5 questions contextualisées sur le SKU ouvert (Heeya, retours pré-achat 2026). Text.com confirme que la sélection taille/couleur directement dans le widget chat, avec add-to-cart, complète le parcours d'achat sans quitter la conversation (Text.com, variant in chat 2026).
Ce guide #242 traite le chatbot IA centré sur les variantes produit : couleur, taille, format, compatibilité. Nouveau cas d'usage distinct de guided selling (#150) (choix produit) et de réduction erreurs variant (#241) (ops PDP/SAV) : ici, l'IA recommande et pré-sélectionne la bonne variante sur la PDP.
Sommaire
Pourquoi un chatbot dédié aux variantes sur la PDP ?
Le chatbot variantes PDP intervient quand le SKU est déjà choisi mais l'option ne l'est pas. C'est le moment où les retours wrong-size et wrong-color se décident.
Trois jobs du bot variant
Clarifier : rendu couleur, dimensions format, compatibilité modèle
Recommander : taille, variante SKU, avec raison traçable
Exécuter : pré-sélection sélecteur ou add-to-cart variante correcte
Signal marché
AeroChat estime que les mauvaises commandes Shopify viennent surtout de sizing flou, variantes couleur confuses et décisions mobile précipitées (AeroChat, wrong orders 2026). Zipchat observe 30 à 45 % de retours sizing en moins quand l'IA pose des questions qualifiantes puis mappe le guide taille (Zipchat, size advisor 2026).
Exemple DTC cosmétique
Sérum 4 formats (30/50/100 ml), 38 tickets/mois « quel format choisir ? ». Bot variant format : 2 questions usage + durée → recommande 50 ml + add-to-cart. Tickets format −61 %, conversion PDP pilote +9 % en 6 semaines.
En quoi diffère-t-il des contenus voisins ?
Quatre contenus proches, quatre niveaux de granularité.
Guided selling (#150)
Guided selling (#150) : orienter vers le bon produit dans un catalogue. Le #242 : une variante sur un produit déjà ouvert.
Recommandation taille IA (#199)
Sizing IA (#199) : architecture moteur fit, mapping mensurations. Le #242 étend à couleur, format, compatibilité avec flows unifiés variant.
Réduction erreurs variant (#241)
Ops variant (#241) : audit PDP, tags SAV, boucle retours. Le #242 : couche IA conversationnelle qui complète la PDP, pas la remplace.
Support tailles humain (#128)
Support tailles (#128) : macros agents. Le #242 automatise le conseil variant ; le #128 gère l'escalade.
Promesse #242
Data variant par axe, flows intent, triggers PDP, sync stock Shopify, pré-sélection, handoff, KPI, playbooks.
Quelles données catalogue le bot doit-il lire ?
Un bot variant fiable ne devine jamais : il lit des champs structurés par SKU et par option.
Couche Shopify native
variants[] : id, title, option1/2/3, sku, price, inventory_quantity
options[] : noms axes (Couleur, Taille, Format)
images liées par variant_id pour rendu couleur
Métachamps recommandés par axe
Taille : fit_note, size_chart, model_size, fabric_stretch
Couleur : color_description, undertone, material_finish, swatch_hex
Format : capacity_ml, dimensions_cm, usage_duration_days, price_per_unit
Compatibilité : compat_models[], voltage, connector_type
Structurez via métachamps Shopify produit et variante (Shopify, métachamps). Voir flux data support produit (#198).
Couche feedback
Avis tagués par variante, retours Loop wrong-size/color, tickets var_* du #241. Alimente offsets (« 73 % avis : taille petit sur ce SKU »).
Comment structurer les flows par intent variant ?
Quatre flows variant bot distincts, un moteur commun de résolution SKU.
Flow taille (4 questions max)
Bot lit fit_note + product_type (skip si évident)
« Quelle taille portez-vous en [catégorie] chez nous ? »
Préférence ajustée vs confortable (skip si fit_note clair)
Entre deux tailles ? → règle tie-break + plan B échange
Output : variante taille + raison + pré-sélection sélecteur. Détail moteur : #199.
Flow couleur (2-3 questions)
« Cherchez plutôt neutre, vif ou foncé ? »
« Portez-vous souvent [teinte proche] ? » → map swatch
Affiche image variant + color_description + avis « couleur fidèle »
Flow format (2 questions)
Usage : quotidien, voyage, famille, pro ?
Durée souhaitée ou contrainte budget → compare capacity + prix/unité
Flow compatibilité (3 questions)
« Quel modèle / appareil possédez-vous ? »
Lookup compat_models[] → match ou non
Si non : variantes alternatives compatibles ou handoff
Règle unification
Intent détecté en NLU → branche flow. Produit multi-axe : résoudre couleur puis taille, jamais l'inverse si couleur change le visuel décisionnel.
Comment déclencher le bot au bon moment sur la PDP ?
Le trigger bot variant doit capter l'hésitation, pas interrompre la lecture.
Cinq signaux comportementaux
Dwell sélecteur : 25-45 s sans clic variant (Heeya : 45-90 s selon catégorie)
Toggle répété : 3+ changements couleur/taille en 60 s
Clic guide taille sans add-to-cart sous 90 s
Scroll retour haut après avoir vu sélecteur (mobile)
Intent langage : « entre deux tailles », « quelle couleur », « compatible avec »
Messages d'ouverture contextualisés
Taille : « Cette coupe [fit_note]. Je peux recommander une taille en 30 secondes. »
Couleur : « [N] coloris disponibles. Vous hésitez entre deux teintes ? »
Compat : « Indiquez votre modèle, je vérifie la compatibilité avant commande. »
Ce qu'il ne faut pas faire
Popup immédiate à l'arrivée PDP, message générique « Comment puis-je aider ? », trigger sur toutes les fiches y compris SKU mono-variante.
Placement widget
Sticky bas droite mobile, inline sous sélecteur variant sur desktop si thème le permet. Dori appelle ce pattern « Product Pal » sur PDP (Dori, Product Pal 2026).
Comment pré-sélectionner la variante dans Shopify ?
La pré-sélection variant bot ferme la boucle : recommandation → action, pas recommandation → confusion.
Trois niveaux d'exécution
Niveau 1 : message « Choisissez taille M » + lien ancre sélecteur
Niveau 2 : JS theme event : sélection programmatic option + update galerie
Niveau 3 : add-to-cart direct variant_id dans le chat (Text.com)
API Shopify requise
Avant add-to-cart : récupérer variant.id exact via options sélectionnées. MSG91 insiste : vérifier stock live et capturer le bon variant_id avant panier (MSG91, variant ID 2026).
Recap sticky post-recommandation
« Vous avez choisi : [Couleur X] / [Taille M] sur conseil assistant. [Modifier] [Ajouter au panier]. » Réduit les add-to-cart sur variante par défaut oubliée.
Test QA obligatoire
15 combinaisons couleur×taille sur 3 SKU pilotes, desktop + mobile. Vérifier : galerie sync, prix mis à jour, stock OOS bloqué, panier line item correct.
Quelles règles stock et disponibilité coder en dur ?
Le guardrail stock variant empêche le bot de recommander l'indisponible.
Règles non négociables
inventory_quantity = 0 : ne jamais recommander ; proposer taille/couleur adjacente ou alerte retour stock
Combinaison impossible : ne pas suggérer couleur X + taille Y si SKU inexistant
Refresh API : re-query stock avant add-to-cart, pas au début du flow seulement
Précommande : si variant preorder, communiquer délai explicite avant validation
Formulation rupture
« La taille M en Bleu nuit est en rupture. M en Bleu ciel disponible (livraison 2-3 j). Taille L Bleu nuit : retour stock estimé [date]. » Trois options concrètes, pas « revenez plus tard ».
Bracketing intelligent
Si client hésite S/M et M rupture : recommander S + rappel échange gratuit plutôt que inciter commande double taille.
Comment gérer les cas limites et le handoff ?
Les cas limites variant bot exigent seuils de confiance et transfert contextuel.
Seuil handoff (< 70 % confiance)
Pas de size_chart ni fit_note sur SKU
Demande morphologie atypique, grossesse, sport pro
Référence marque externe sans table cross-brand
Compatibilité modèle absent de compat_models[]
3 tours sans résolution variant
Transfert agent
Transcript + SKU + options déjà explorées + mensurations collectées. Voir transfert contexte bot → humain. Agent ne repose pas les mêmes questions.
Disclaimers
« Recommandation basée sur guide taille et avis clients. Échange gratuit sous 30 j si la variante ne convient pas. » Réduit litiges et aligne attente sur couleur/format.
Audit mensuel
50 conversations variant : variante recommandée traçable, zéro SKU inventé. Audit réponses chatbot.
Quels anti-patterns font échouer les bots variantes ?
Cinq erreurs bot variant génèrent retours et perte de confiance.
LLM seul sans catalogue live
Le modèle recommande « M » sans lire fit_note « taille petit » ni stock. Pattern 2026 : LLM interface + moteur règles variant.
Flow identique tous axes
Poser mensurations pour choisir entre rouge et bordeaux. Intent detection d'abord.
Recommandation sans exécution
« Prenez L » mais sélecteur reste sur S par défaut. Pré-sélection ou add-to-cart obligatoire.
Ignorer le mobile
Flows 8 questions illisibles sur petit écran. Max 4 questions, boutons quick-reply.
Zéro boucle retour
Bot déployé, retours wrong-variant continuent sur même SKU, aucun ajustement fit_note. Connecter Loop + tickets #241.
Quels KPI mesurer l'impact du bot variantes ?
Mesurez le ROI bot variant par intent et SKU pilote, en A/B si possible.
KPI primaires (30-90 j)
Conversion add-to-cart : sessions bot variant vs contrôle PDP
Return rate wrong-variant : sessions bot engagées vs non
Tickets var_* / 100 cmd SKU : delta vs baseline #241
Bracketing rate : commandes multi-taille même SKU
Handoff rate : % flows escaladés humain
KPI qualité
Variant accuracy : retours « bot m'a mal conseillé » / sessions bot
Time-to-recommendation : cible < 90 s mobile
Completion rate flow : % sessions allant jusqu'à recommandation
Méthode A/B
50 % trafic PDP pilote avec bot variant triggers, 50 % sans. 4 semaines, min. 1 500 sessions/bras. Heeya : gains sizing visibles dès S+4 sur catégories fit-sensitive.
Comment Qstomy gère-t-il le choix variantes sur Shopify ?
Qstomy combine flows variant contextuels, sync catalogue Shopify et exécution panier.
Fonctionnalités variant selection
Intent var_size / var_color / var_format / var_compat sur PDP
Lecture variants[] + métachamps temps réel
Recommandation traçable : variant_id + raison + image
Pré-sélection sélecteur ou add-to-cart in-chat
Guardrail stock avant toute validation
Handoff transcript vers Gorgias si confiance basse
Scénario DTC chiffré
Marque mode + tech, 4 200 sessions PDP variant-heavy/mois, 26 % tickets pré-achat variant, sélecteurs seuls insuffisants. Déploiement Qstomy variant flows sur 35 SKU + triggers section 5 + sync stock. Après 8 semaines (A/B 50/50) : conversion PDP pilote +14 %, retours wrong-size/color sessions bot −27 %, tickets var_* −31 %, handoff 9 %, completion flow 78 %.
Explorez intégration Shopify, support client IA, demander une démo.
Quels playbooks opérationnels déployer en 30 jours ?
Playbook 1 : audit data variant (1 jour)
20 SKU top CA variant-heavy. Vérifier métachamps section 3 par axe. Compléter fit_note, color_description, compat_models manquants.
Playbook 2 : flows 4 intents (3 j)
Rédiger arbres section 4, templates recommandation, disclaimers. Tester 20 scénarios : entre deux tailles, couleur proche, format budget, compat inconnu.
Playbook 3 : triggers PDP (1 j)
Configurer dwell, toggle, messages section 5. Exclure mono-variante. Shadow mode 1 semaine sans add-to-cart auto.
Playbook 4 : sync stock + pré-sélection (2 j)
Brancher API inventory, QA 15 combinaisons section 6. Activer recap sticky.
Playbook 5 : pilote A/B + boucle retour (4 semaines)
Mesurer KPI section 10. Merge retours Loop wrong-variant. Ajuster fit_note et color_description SKU problématiques. Partager wins support.
Maillage utile
Choisir une variante, ce n'est pas cocher une case : c'est trancher une incertitude. Quand le chatbot lit votre catalogue, pose les bonnes questions et exécute la bonne option, la PDP devient un conseiller de vente disponible à minuit, sans ticket le lendemain.
Enzo
28 juin 2026
