E-commerce
26 juin 2026
Sur une boutique e-commerce, deux portes aident le client à trouver un produit : la recherche interne et le chatbot de découverte produit. Elles semblent proches, mais elles ne répondent pas au même moment du parcours.
La recherche interne est excellente quand le client sait quoi taper : une marque, une référence, une catégorie, un SKU, une couleur. Le chatbot devient plus utile quand le besoin est flou : « quel modèle choisir ? », « quelle différence entre ces deux produits ? », « que me conseillez-vous pour mon usage ? »
Cet article #14 compare les deux outils avec un angle fonctionnel absent du silo : quand utiliser la recherche, quand utiliser l’assistant conversationnel, et comment les combiner sans créer une UX confuse.
Sommaire
Quelle est la vraie différence ?
La recherche interne classe des résultats à partir d’une requête. Le chatbot de découverte clarifie un besoin, pose parfois une question, puis recommande une option.
Recherche interne
Elle répond bien à : « je sais ce que je cherche ». Exemple : « coque iPhone 15 », « robe noire 38 », « recharge filtre X200 ». Le client veut aller vite.
Chatbot découverte produit
Il répond bien à : « je sais mon besoin, mais pas le bon produit ». Exemple : « je cherche un cadeau pour un coureur débutant », « quelle crème pour peau sensible ? »
Le sujet n’est donc pas de remplacer la recherche par un bot. Le sujet est d’orienter chaque intention vers le bon outil.
Quand la recherche interne est-elle imbattable ?
Référence connue : le client tape un nom, une marque, un SKU
Achat récurrent : il veut retrouver vite un produit déjà connu
Catalogue large : la recherche évite de parcourir des menus profonds
Mobile : taper trois mots peut être plus rapide qu’une conversation
Usage expert : acheteur pro ou client fidèle qui connaît votre offre
Shopify Search & Discovery met l’accent sur la recherche sémantique, la recherche prédictive, la tolérance aux fautes, les filtres, les synonymes et les recommandations produit (Shopify Search and Discovery). C’est la base à soigner avant d’ajouter des couches plus avancées.
Quand le chatbot apporte-t-il plus de valeur ?
Besoin flou : cadeau, usage, budget, contrainte
Produit complexe : technique, beauté, sport, B2B, équipement
Comparaison : deux gammes proches ou plusieurs variantes
Objection : retour, taille, compatibilité, livraison
Conseil : le client veut une recommandation, pas une liste
Gorgias décrit Shopping Assistant comme un assistant pré-achat qui répond aux questions produit, recommande selon l’activité de navigation, le panier et ce que le client dit, puis peut utiliser des remises avec prudence (Gorgias Shopping Assistant).
Comment router les intentions sans se tromper ?
Le routage peut rester simple. Commencez avec trois familles.
Requête courte et précise : recherche interne
Question en langage naturel : chatbot
Recherche sans clic ou zéro résultat : proposer l’assistant
Exemples pratiques
« Nike Pegasus 41 » : recherche interne
« chaussure running débutant genou fragile » : chatbot
« robe mariage invitée été » : recherche puis assistant si trop de résultats
« compatible iPhone 15 Pro ? » : chatbot sur fiche produit
Quelles données rendent les deux outils meilleurs ?
Recherche et chatbot dépendent du même socle : un catalogue propre.
Titres produit : clairs, cohérents, sans variantes de nommage inutiles
Attributs : taille, matière, compatibilité, usage, couleur
Métachamps : données structurées que filtres et assistant peuvent exploiter
Synonymes : mots clients vs vocabulaire interne
Stock : ne pas pousser l’indisponible
Politiques : retour, livraison, garantie pour lever les objections
Shopify rappelle que Catalog structure les données produit pour que les agents et canaux IA comprennent mieux les produits, leurs variantes, prix et disponibilités (Shopify Catalog).
Nettoyer le socle commun
Avant de juger les outils, nettoyez ce que les deux lisent.
Synonymes : exemple : baskets, sneakers, chaussures running
Nommage : une même couleur ne doit pas s’appeler bleu nuit, navy et dark blue selon les fiches
Métachamps : compatibilité, usage, taille, matière, dimensions
Collections : catégories pensées pour le client, pas seulement pour l’équipe interne
Produits épuisés : alternatives proposées plutôt que résultats morts
Ce travail améliore la recherche, les filtres, les recommandations et les réponses du chatbot. C’est souvent le meilleur investissement avant d’ajouter une nouvelle app.
Comment construire un modèle hybride ?
Le modèle le plus robuste combine recherche, filtres, recommandations et chatbot.
Barre de recherche visible pour les requêtes précises
Filtres utiles sur collection et résultats
Questions suggérées sur les fiches produit
Assistant après recherche sans clic ou zéro résultat
Handoff humain sur panier élevé ou cas très spécifique
Exemple : le client cherche « sac voyage cabine ». La recherche affiche les modèles. S’il clique deux produits puis hésite, le chatbot propose : « Je peux comparer volume, poids et compatibilité cabine en 3 points. »
Quels scripts utiliser pour le chatbot discovery ?
Besoin flou
« Pour vous orienter vite, dites-moi l’usage principal, votre budget et la contrainte la plus importante. Je vous proposerai deux options maximum. »
Comparaison
« Le modèle A convient mieux si vous cherchez la légèreté. Le modèle B est plus durable pour un usage quotidien. Pour votre cas, je choisirais B. »
Recherche infructueuse
« Je n’ai pas trouvé de résultat exact. Vous cherchez plutôt un usage, une marque ou une caractéristique précise ? Je peux vous proposer une alternative. »
Fiche produit
« Vous hésitez sur la taille, la compatibilité ou la livraison ? Je peux vérifier avant que vous ajoutiez au panier. »
Quels KPI comparer ?
Recherche utilisée : part des sessions avec recherche
Zéro résultat : requêtes qui ne trouvent rien
CTR résultats : clic sur un produit après recherche
Conversion post-recherche : achat après recherche interne
Ouverture chatbot : usage sur PDP, PLP, panier
Recommandation cliquée : produit proposé par le bot puis ouvert
Ajout panier assisté : action après conversation
Conversion assistée : commande après interaction
Le bon diagnostic croise les deux mondes. Si une requête est souvent zéro résultat et revient aussi en question chatbot, corrigez d’abord le catalogue, les synonymes ou les attributs.
Quelles erreurs éviter ?
Remplacer trop vite : un chatbot ne compense pas une recherche cassée
Tout pousser vers le chat : les clients précis veulent aller vite
Bases séparées : search et bot ne lisent pas les mêmes attributs
Trop de widgets : quiz, pop-up, chat, filtres et recherche se concurrencent
Aucune mesure séparée : impossible de savoir ce qui aide vraiment
Pas de contexte : le bot ignore la dernière recherche du client
Une bonne règle : corrigez d’abord les recherches sans résultat, puis utilisez le chatbot pour les besoins impossibles à exprimer en trois mots-clés.
Comment tester sur 30 jours ?
Choisissez une catégorie pilote, pas tout le site.
Sélectionnez une catégorie à fort trafic et forte hésitation
Relevez les 30 requêtes search les plus fréquentes
Identifiez les recherches sans clic ou sans conversion
Ajoutez 5 prompts chatbot sur PDP ou PLP
Mesurez recherche, chat, ajout panier et conversion
Décidez : améliorer search, enrichir bot, ou corriger catalogue
Exemple : en beauté, lancez sur une collection « peau sensible ». La recherche gère les marques et catégories. Le chatbot gère routine, actifs, allergies, fréquence d’usage et comparaison.
Décision à la fin du test
Si les recherches sans résultat baissent après nettoyage, continuez côté search. Si les conversations chatbot convertissent mieux sur les besoins flous, étendez les prompts à d’autres catégories. Si aucun des deux ne progresse, le problème vient probablement des fiches produit.
Comment Qstomy complète la recherche interne ?
Qstomy ne remplace pas votre moteur de recherche Shopify. Il complète le parcours quand le client a besoin d’un conseil, d’une comparaison ou d’une réponse produit avant achat.
Scénario DTC sport
Boutique Shopify, 650 références. Les recherches internes « veste trail », « sac hydratation » et « chaussure route » génèrent beaucoup de clics mais peu de conversion. Qstomy est ajouté sur trois collections avec prompts de conseil.
Hypothèse de pilote : 1 400 ouvertures d’assistant/mois, 38 % demandes de comparaison, 24 % questions taille ou compatibilité, 110 ajouts panier assistés, AOV assisté 82 € vs 69 € non assisté. L’équipe améliore aussi 18 fiches produit grâce aux questions récurrentes.
Voir assistant IA de vente, intégration Shopify, entraîner un chatbot Shopify et demander une démo.
Quels playbooks appliquer cette semaine ?
Playbook 1 : recherches sans résultat
Exportez les requêtes sans résultat. Ajoutez synonymes, tags ou attributs avant d’ajouter un prompt chatbot.
Playbook 2 : trop de résultats
Si une recherche renvoie 100 produits, ajoutez des filtres utiles et un prompt : « Besoin d’aide pour choisir ? »
Playbook 3 : comparaison
Repérez les deux produits les plus comparés. Rédigez une réponse simple : choisissez A si, choisissez B si.
Playbook 4 : contexte
Sur PDP, configurez le chatbot pour tenir compte du produit consulté. Une question « est-ce adapté ? » doit être comprise dans le contexte de la fiche.
Playbook 5 : routage
Ajoutez une règle simple : après une recherche sans clic, proposez l’assistant. Après une conversation qui demande un produit précis, renvoyez vers les résultats ou la fiche exacte.
Sources et maillage utile
Shopify : Search & Discovery app
Shopify Dev : Product Recommendations API
Gorgias : AI FAQs product pages
Qstomy : recommandations contextuelles
Enzo
26 juin 2026
