E-commerce
26 juin 2026
Un chatbot e-commerce peut répondre vite, mais cela ne prouve pas qu’il aide votre boutique. Pour le mesurer, il faut regarder ce qu’il change vraiment : tickets évités, qualité de réponse, ventes assistées, escalades propres, temps gagné et satisfaction client.
Le piège classique consiste à suivre seulement le nombre de conversations. C’est rassurant, mais souvent trompeur. Un bot peut beaucoup parler sans résoudre, ou peu parler mais sauver des paniers importants.
Cet article #11 est dédié aux KPI chatbot : aucun article existant du silo ne traite ce pilotage. Objectif : construire un tableau de bord simple, utile et actionnable.
Sommaire
Pourquoi mesurer un chatbot e-commerce avec peu de KPI ?
Un bon tableau de bord ne doit pas tout mesurer. Il doit vous dire quoi corriger lundi matin : contenu, placement, intent, handoff, data Shopify ou scénario de vente.
Shopify recommande, pour l’automatisation, de partir d’un KPI principal et d’un ou deux indicateurs de soutien sur une fenêtre définie, parfois 90 jours, plutôt que d’empiler des métriques sans décision (Shopify, intelligent automation 2026).
Angle #11
Ici, on ne liste pas des vanity metrics. On choisit les KPI qui permettent de piloter un agent IA e-commerce selon deux objectifs : réduire la charge support et augmenter les ventes assistées.
Quel objectif choisir avant les métriques ?
Avant de suivre les chiffres, choisissez le rôle principal du chatbot.
Support : réduire WISMO, retours simples, facture, questions répétitives
Vente : répondre aux questions produit, recommander, récupérer des paniers
Hybride : servir avant et après achat, mais avec deux blocs KPI séparés
Si vous mélangez tout, vous lirez mal les résultats. Un chatbot support peut être rentable avec peu de ventes assistées. Un assistant shopping peut être excellent même s’il ne dévie presque aucun ticket post-achat.
Quels KPI d’adoption suivre en premier ?
Ouverture du widget : part des sessions qui ouvrent le chat
Engagement : ouvertures qui deviennent une vraie conversation
Pages d’origine : PDP, panier, compte client, FAQ, checkout
Mobile vs desktop : écart d’usage selon écran
Questions suggérées : clics sur prompts ou FAQ IA
Lecture pratique
Faible adoption sur fiche produit : le widget est peut-être mal placé. Forte adoption sur compte client : votre besoin est surtout post-achat. Beaucoup d’ouvertures sans message : vos prompts ne donnent pas envie ou le ton est trop vague.
Quels KPI support suivre ?
Taux de résolution autonome : conversations résolues sans humain
Déviation par intent : WISMO, retour, facture, livraison, stock
Temps de première réponse : réactivité perçue par le client
Temps de résolution : durée jusqu’à réponse utile ou escalade
CSAT post-chat : satisfaction après conversation
Repeat contact : client qui revient pour le même sujet
Gorgias distingue les métriques Support Agent, comme first response time, ticket handle time et interactions automatisées, des métriques Shopping Assistant orientées vente (Gorgias AI Agent performance). Cette séparation est très saine : support et vente ne se pilotent pas avec la même boussole.
Quels KPI vente suivre ?
Conversion assistée : achat après interaction chatbot
Ajout panier assisté : ajout au panier après réponse ou recommandation
AOV assisté : panier moyen avec chat vs sans chat
Revenu influencé : commandes touchées par une conversation dans une fenêtre donnée
Produits recommandés cliqués : acceptation des recommandations
Paniers récupérés : achat après intervention sur panier ou checkout
Shopify montre en 2026 que les visiteurs issus de surfaces IA convertissent mieux et dépensent davantage que l’organique dans certains contextes, avec un AOV supérieur de 14 % sur les sessions AI-referred étudiées (Shopify AI search insights). Pour votre chatbot onsite, l’idée n’est pas de copier ce benchmark, mais de mesurer la même logique : le trafic assisté vaut-il plus ?
Quelles formules simples utiliser ?
Taux de résolution autonome
Conversations résolues sans humain / conversations totales. À lire avec CSAT, sinon vous risquez de célébrer un bot qui bloque les clients.
Taux d’escalade
Conversations transmises à un humain / conversations totales. Trop haut : le bot ne résout pas assez. Trop bas : il garde peut-être des cas sensibles.
Conversion assistée
Commandes avec interaction chatbot avant achat / sessions ou conversations assistées. Gardez une fenêtre claire : même session, 24 h, 72 h selon votre cycle d’achat.
Coût évité
Interactions automatisées × coût moyen d’un ticket humain. Gorgias calcule aussi un cost saved à partir du coût estimé d’une résolution humaine et du coût de l’automatisation (Gorgias Overview report).
Comment éviter les mauvaises interprétations ?
Volume élevé : peut signaler une FAQ faible, pas un succès
Déviation élevée : dangereuse si CSAT baisse
Conversion assistée : influencée, pas forcément causée
FRT excellent : inutile si la réponse est fausse
Escalade faible : peut cacher un bot trop fermé
AOV assisté haut : peut venir de clients déjà très intentionnistes
Le bon réflexe est de lire chaque KPI avec un contrepoids : déviation + CSAT, conversion assistée + segment comparable, revenu influencé + fenêtre d’attribution, escalade + qualité du handoff.
Exemple de mauvais diagnostic
Le bot affiche 70 % de résolution autonome, mais les clients rouvrent un ticket e-mail deux heures plus tard. Le KPI flatte le dashboard, mais le repeat contact révèle que la réponse n’a pas vraiment résolu le problème.
Quels seuils pratiques utiliser au lancement ?
Évitez les objectifs trop ambitieux au jour 1. Le bot apprend de vos données et de vos corrections.
Semaine 1-2 : surveiller fallback, erreurs, adoption, escalades
Semaine 3-4 : viser résolution sur 3 à 5 intents simples
Mois 2 : comparer tickets répétitifs avant/après
Mois 3 : ajouter conversion assistée, AOV, revenu influencé
Pour une petite boutique, un objectif réaliste peut être : réduire 25 % des tickets WISMO en 60 jours. Pour une boutique à fort trafic produit : augmenter les ajouts panier assistés sur 10 fiches clés.
Seuil d’alerte
Si le fallback reste élevé après quatre semaines, ne poussez pas plus de trafic vers le bot. Corrigez d’abord les sources : politiques, fiches produit, guides, statuts commande, règles d’escalade.
Quelles données croiser dans votre stack ?
Chatbot : intent, résolution, escalade, feedback
Shopify : commandes, AOV, produits, clients, retours
Helpdesk : tickets, tags, SLA, CSAT humain
GA4 : sessions, pages, conversions, device
Portail retour : motifs, statuts, remboursement, échange
Utilisez les mêmes catégories partout : WISMO, retour, produit, livraison, paiement. Si le chatbot parle d’intents et le helpdesk de tags sans correspondance, votre analyse devient vite fragile.
Mini-flux à tracer
Page produit > question chatbot > réponse > ajout panier > commande. Ce chemin simple permet de voir si l’assistant lève vraiment des objections avant achat.
Mini-flux support
Compte client > question suivi commande > réponse bot > absence de ticket e-mail dans les 24 h. C’est un bon signal de résolution réelle, plus robuste qu’un simple statut “fermé”.
Quel tableau de bord minimal construire ?
Pour les 8 premières semaines, gardez un tableau court.
Conversations démarrées
Taux d’engagement
Top 10 intents
Résolution autonome
Taux d’escalade
CSAT ou feedback utile
Questions sans réponse fiable
Tickets évités par catégorie
Ajouts panier assistés
Conversion assistée
Ajoutez une colonne action : enrichir la base, corriger un script, déplacer le widget, créer une règle d’escalade, améliorer une fiche produit. Un KPI sans action finit en décoration.
Format conseillé
Une page suffit : KPI, valeur actuelle, variation semaine, cause probable, action décidée, propriétaire. Si personne n’est responsable de l’action, le KPI ne changera pas.
Comment Qstomy aide à piloter ces KPI ?
Qstomy est pensé pour relier conversations, contexte Shopify et impact business. Le but n’est pas seulement de répondre : c’est de comprendre ce que les conversations changent réellement.
Scénario DTC maison
Boutique Shopify, 26 000 sessions/mois, 900 conversations mensuelles. Répartition : 34 % questions produit, 28 % suivi commande, 16 % retours, 12 % livraison, 10 % autres.
Avec Qstomy, l’équipe suit 10 KPI pendant 30 jours : résolution autonome 48 %, escalade 19 %, CSAT 4,3/5, 210 tickets évités, 96 ajouts panier assistés, 38 commandes assistées, AOV assisté 88 € vs 74 € non assisté. Ces chiffres ne servent pas à faire joli : ils indiquent quels intents étendre et quelles réponses corriger.
Voir data & analytics Qstomy, assistant IA de vente, support client IA, intégration Shopify et demander une démo.
Quels playbooks appliquer cette semaine ?
Playbook 1 : baseline
Avant toute optimisation, notez vos chiffres actuels : tickets WISMO, tickets retours, conversion PDP, AOV, temps de réponse. Sans baseline, impossible de prouver l’impact.
Playbook 2 : revue de 20 conversations
Chaque semaine, lisez 10 conversations résolues et 10 escaladées. Classez : bonne réponse, manque de donnée, mauvaise intention, handoff incomplet.
Playbook 3 : north star
Choisissez un KPI principal pour 30 jours : résolution WISMO, conversion assistée sur PDP ou baisse des escalades retours. Tout le reste explique ce chiffre.
Playbook 4 : décision mensuelle
À la fin du mois : garder, corriger, étendre ou couper chaque intent. Un intent sans valeur ni apprentissage doit être retravaillé avant d’être élargi.
Playbook 5 : test sur une catégorie
Choisissez une catégorie à fort trafic. Activez le bot avec trois intents seulement : question produit, livraison, retour. Comparez conversion, tickets et CSAT avec une catégorie proche non modifiée.
Sources et maillage utile
Shopify : ecommerce KPIs 2026
Gorgias : AI & automation metrics
Qstomy : réduire les tickets support
Conversion : FAQ produit automatisée
Enzo
26 juin 2026
