E-commerce
28 juin 2026
La segmentation par intention d'achat consiste à classer vos visiteurs selon ce qu'ils cherchent vraiment : comparer, acheter aujourd'hui, offrir un cadeau, vérifier une compatibilité ou lever une dernière objection. Les questions clients sont souvent le signal le plus fiable.
Le comportement de navigation montre où le client clique. Les questions montrent pourquoi il hésite encore. Deux visiteurs sur la même fiche produit peuvent poser des formulations très différentes : l'un demande « livraison demain ? », l'autre « différence entre les deux modèles ? ». Ce ne sont pas les mêmes segments, ni les mêmes actions.
Ce guide explique comment segmenter par intention grâce aux questions : typologie, signaux linguistiques, classification, actions par segment et intégration chatbot Shopify. Il complète l'analyse conversationnelle avec l'angle personnalisation et conversion.
Sommaire
Pourquoi segmenter par intention d'achat plutôt que par clics seuls ?
La plupart des boutiques segmentent par source d'acquisition, panier moyen ou pages vues. Utile pour le reporting, insuffisant au moment où le visiteur hésite encore. La segmentation par intention d'achat répond à une question différente : que veut-il faire maintenant ?
Constat
Deux sessions identiques dans GA4 peuvent cacher des intentions opposées. L'une compare deux références avant achat dans la semaine. L'autre veut commander ce soir si la livraison est garantie. Même SKU consulté, même temps passé, messages bot différents.
Tension
Quand un visiteur pose une question, il révèle un blocage précis. « Quelle taille pour 1m75 ? » signale un intent fit produit. « Puis-je payer en 3 fois ? » signale un intent paiement proche conversion. « C'est pour offrir, vous emballez ? » signale un intent cadeau. Netguru rappelle que la personnalisation réelle combine contexte session, profil client et catalogue, pas seulement le prénom (Netguru, personnalisation chatbot).
Différence avec l'analyse conversationnelle
L'analyse des conversations e-commerce compte et classe les questions pour améliorer le support. Ici, l'objectif est de segmenter le visiteur pour personnaliser l'expérience immédiate et les relances. Voir aussi détecter les objections d'achat.
Promesse
Vous saurez définir des segments d'intention, lire les questions qui les alimentent, router le bon message bot ou humain et mesurer l'impact conversion.
Exemple DTC
Boutique outdoor : 40 % des chats pré-achat demandent « compatible avec ma veste X ? ». Segment « compatibilité » créé : bot propose matrice modèles, handoff expert si non listé, e-mail J+2 avec guide PDF. Conversion segment +18 % vs visiteurs sans question classée.
Quelles familles d'intention ressortent des questions clients ?
Avant de taguer, fixez une typologie d'intention d'achat simple. Huit à dix segments suffisent au départ ; affinez quand un segment dépasse 15 % du volume chat pré-achat.
1. Découverte / inspiration
« Je ne sais pas quoi choisir », « vous conseillez quoi pour débuter ? ». Intent large, besoin de guidage catalogue.
2. Comparaison / shortlist
« Différence entre A et B ? », « lequel est plus léger ? ». Intent évaluation, pas encore prêt à payer.
3. Validation produit (fit, specs)
Taille, compatibilité, matière, allergène, autonomie batterie. Intent précis, conversion possible si réponse claire.
4. Validation confiance
« Site fiable ? », « retour facile ? », « original ou contrefaçon ? ». Intent réassurance, proche du clic Payer.
5. Validation logistique
Délai, frais port, point relais, international. Intent « j'achète si conditions OK ». Voir questions livraison pré-checkout.
6. Intent cadeau
Destinataire, emballage, date, budget, message personnalisé. Parcours et recommandations spécifiques.
7. Achat immédiat
Stock, variante disponible, code promo, paiement express. Friction minimale, réponse ultra courte.
8. Réachat / replenishment
« Même produit que la dernière fois », « quand reorder ? ». Client connu, personnalisation historique.
9. Support post-achat détourné
WISMO, retour, SAV sur visite pré-achat : router support, pas vente agressive.
McKinsey rappelle que la personnalisation basée sur le contexte surperforme les segments démographiques seuls (McKinsey, valeur de la personnalisation).
Quels marqueurs linguistiques trahissent l'intention d'achat ?
Les clients ne disent pas « je suis en phase comparaison ». Ils utilisent des formulations récurrentes que vous pouvez mapper dès la première phrase.
Marqueurs à indexer
Comparaison : « ou », « plutôt », « différence », « mieux », « vs »
Urgence : « aujourd'hui », « demain », « avant dimanche », « tout de suite »
Cadeau : « offrir », « anniversaire », « emballage cadeau », « pour ma femme »
Hésitation fit : « taille », « compatible », « convient si », « trop petit/grand »
Objection prix : « promo », « moins cher », « code », « frais port »
Confiance : « arnaque », « avis », « garantie », « retour gratuit »
Maturité dans la question
Question ouverte (« quoi choisir pour running ? ») = début parcours. Question fermée (« le M taille comment ? ») = fin parcours. Le bot ne doit pas proposer dix produits à celui qui demande une confirmation taille.
Contexte page et panier
Même formulation change d'intent selon contexte : « délai livraison ? » sur PDP = pré-achat ; au checkout = validation finale. Reliez question + URL + contenu panier. Tricky Wombat recommande de construire la taxonomie intent à partir des requêtes observées, pas de catégories théoriques (Tricky Wombat, query intent).
Approfondir : assistant produit indécis et conversational commerce.
Comment distinguer intent achat et intent support ?
Une erreur fréquente : classifier toute question en « opportunité vente ». Certaines intents sont support pures et demandent résolution, pas upsell.
Intent achat vs intent SAV
Achat : produit, comparatif, livraison avant commande, paiement, promo
Support : suivi colis, retour en cours, produit défectueux, facture manquante
Router un client WISMO vers une recommandation produit agace et fausse vos stats conversion assistée.
Information vs transaction
« Vous livrez en Belgique ? » peut être pré-achat ou simple curiosité sans panier. Croisez avec présence article au panier et répétition de visite.
Multi-intents dans un message
« Taille L ou M, et livraison avant vendredi ? » = fit + logistique. Le bot traite les deux ou escalade avec tags multiples.
Règle pratique
Si la commande existe déjà : segment support. Sinon : segment intention d'achat. Exception : réachat cross-sell post-achat satisfait. Voir détecter objections dans les conversations.
Comment classifier les questions en segments actionnables ?
Voici une méthode en 6 étapes pour passer des questions brutes à des segments exploitables en moins de deux semaines.
Export 60 à 90 jours de conversations pré-achat (chat, bot, e-mail acquisition)
Atelier taxonomie : valider 8 à 10 intents achat avec exemples verbatim
Tagger échantillon 300 à 500 fils (manuel ou IA assistée)
Quantifier volume, conversion post-réponse, panier moyen par segment
Définir action par segment (contenu, bot flow, handoff, e-mail)
Automatiser détection intent en live avec revue QA mensuelle
Atelier 90 minutes
Support lit 20 verbatim à voix haute, e-commerce note intent supposé, marketing note action associée. Taxonomie V1 validée le jour même.
Grille de priorisation
Priorisez segments à fort volume ET fort levier conversion : validation logistique et fit produit dominent souvent chez les DTC physiques.
Zero-party data
Une réponse explicite (« budget 80 € », « peau sensible ») affine le segment. Voir zero-party data via chatbot.
Documentation interne
Fiche par segment : définition, 5 exemples questions, réponse bot idéale, KPI cible, owner marketing ou support. Black Friday crée intent « code promo » ; lancement collection crée intent « comparaison gamme ».
Comment le chatbot IA détecte l'intention en temps réel ?
Le chatbot IA e-commerce est le canal idéal : le client formule le besoin, le bot classe et adapte ton, profondeur et routage.
Pipeline technique
Message entrant + contexte (URL, panier, client connu)
Modèle NLP / LLM : intent achat + sous-intent + score confiance
Routage : flow bot, base d'aide ciblée, recommandation, handoff humain
Log segment pour analytics et CRM
Voiceflow décrit l'architecture hybride standard : intents explicites pour flux stables, RAG pour la longue traîne produit (Voiceflow, intent + RAG).
Question clarificatrice
Si confiance basse : « Comparez-vous deux produits ou cherchez-vous une taille ? » Deux clics suffisent pour segmenter sans quiz de dix écrans.
Handoff contextualisé
Segment « comparaison haut panier » vers agent formé vente consultative ; segment « achat immédiat » reste 100 % bot. Entraînez sur vos verbatim réels, pas sur des intents génériques anglais traduits. Comparer assistant shopping vs recommandations : l'intent décide lequel activer.
Quelle action déclencher pour chaque segment ?
Chaque segment d'intention mérite une action visible. Sans playbook opérationnel, la classification ne sert qu'aux slides.
Découverte / inspiration
Quiz court, assistant guidé, top 3 best-sellers par usage. Recommandations contextuelles.
Comparaison
Tableau comparatif, fiche « A vs B », avis filtrés. Handoff si produits premium.
Validation fit / specs
Guide taille, calculateur, photos portées, fiche compatibilité. Réponse bot avec variante suggérée.
Confiance / réassurance
Policy retour claire, avis vérifiés, logos paiement. Placement preuves sociales.
Logistique
Date livraison estimée selon CP, options express, seuil livraison offerte.
Cadeau
Sélection coffrets, emballage, message, cut-off date livraison fête.
Achat immédiat
Réponse courte, lien checkout direct, code appliqué si éligible.
Réachat
Reorder one-click, suggestion complément, abonnement si pertinent.
Wiki interne
Notion : une page par segment avec exemples, réponse bot, lien contenu, KPI. Owner support met à jour chaque mois.
Comment relier les segments à Shopify, CRM et e-mail ?
Les segments d'intention ne doivent pas rester dans le chat. Ils alimentent Shopify, CRM et e-mail pour cohérence cross-canal.
Shopify et tags
Stocker dernier intent connu en metafield client ou tag Shopify : « intent-cadeau », « intent-comparaison-running ». Déclenche segments Klaviyo ou flows automation.
Personnalisation session
Visiteur segment comparateur : mettre en avant bloc comparatif sur homepage return. Personnaliser réponses bot Shopify.
E-mail et retargeting
Abandon après intent logistique : e-mail avec date livraison réelle. Abandon après intent comparaison : e-mail « A vs B » récap.
Gouvernance data
Intent session vs intent profil : distinguer ce qui expire en 7 jours vs ce qui entre au CRM long terme. Profilage marketing : consentement clair. Intégration Shopify et analytics Qstomy.
Exemple flow
Chat intent cadeau → tag CRM → e-mail J+1 idées emballage → relance panier J+3 si non acheté.
Comment personnaliser sans sur-segmenter ?
Segmenter ne signifie pas micro-personnaliser chaque visiteur jusqu'à la paralysie opérationnelle.
Risque sur-segmentation
Quarante segments avec trois conversations chacun : impossible à maintenir. Regroupez tant que volume inférieur à 2 % du trafic chat.
Prioriser le top 5
Top 5 intents couvrent souvent 70 % des questions pré-achat. Perfectionnez ceux-là avant d'ajouter des niches.
Cohérence cross-canal
Si le bot traite le client en « comparateur », la popup e-mail ne doit pas crier « achetez maintenant -50 % » sans contexte.
Intent évolutif en session
Un comparateur peut devenir acheteur immédiat après réponse livraison. Le bot recalcule intent à chaque message, pas seulement à l'ouverture.
Tests A/B par segment
Variante bot court vs consultatif sur segment comparaison. Mesurez conversion 14 jours. Évitez de confondre segmentation intent et segmentation RFM : les deux se combinent.
Quels KPI mesurer pour valider la segmentation ?
Mesurez si la segmentation par intention améliore conversion et expérience, pas seulement la précision du modèle.
KPI par segment
Volume conversations et part du trafic pré-achat
Taux conversion post-réponse bot par intent
Panier moyen et marge par segment
CSAT ou thumbs post-interaction
Taux handoff et conversion post-handoff
Précision classification (échantillon QA manuel mensuel)
Erreurs à éviter
Tags trop vagues (« pré-achat » sans sous-intent)
Ignorer mobile où questions plus courtes
Pas de boucle produit : intent fit élevé sans enrichir PDP
Upsell sur support : dégrade NPS
Intent figé : client passe comparateur → acheteur en une session
Test minimal
Sur 30 jours, comparez conversion visiteurs ayant posé une question classée vs non classée. Écart positif valide l'investissement. Aligner avec KPI chatbot e-commerce.
Dashboard hebdo
Top 5 intents, évolution 4 semaines, conversion par segment, alerte si précision QA inférieure à 85 %.
Comment Qstomy segmente l'intention depuis les conversations ?
Qstomy connecte conversations, catalogue et données Shopify pour détecter l'intention d'achat depuis les questions et adapter réponses, recommandations et handoff.
Fonctionnalités clés
Classification intent achat vs support en temps réel
Réponses contextuelles selon segment (fit, logistique, comparaison)
Recommandations alignées intent, pas catalogue générique
Handoff structuré avec segment et historique panier
Analytics volume et conversion par intent pour prioriser contenu
Scénario DTC chiffré
Marque équipement sport : 2 800 conversations pré-achat/mois, 38 % sans intent classé avant déploiement. Top 3 segments détectés : comparaison (22 %), fit taille (19 %), logistique (16 %).
Après Qstomy + taxonomie 9 intents + playbooks par segment : précision QA 88 %, conversion post-chat +11 points sur segment comparaison, +9 points sur fit taille, handoff réduit de 34 % à 21 % (bot plus ciblé), revenu assisté estimé 24 600 €/mois. Équipe produit enrichit 4 PDP comparatives à partir des verbatins remontés.
Découvrir ventes assistées Qstomy, support client IA et demander une démo.
Formation agents
Agents humains reçoivent segment intent dans le handoff : ton consultatif vs transactionnel adapté sans relire tout l'historique.
Quels playbooks lancer cette semaine ?
Playbook 1 : export et tri manuel
Exportez 50 questions pré-achat des 30 derniers jours. Classez-les manuellement dans 3 intents : comparaison, fit, logistique. Si plus de 30 % tombent dans un intent, c'est votre priorité bot.
Playbook 2 : taxonomie V1
Atelier 90 min : 8 intents, 3 verbatins chacun, action associée. Document Notion partagé support + e-commerce + marketing.
Playbook 3 : intents bot live
Configurez 5 intents prioritaires dans Qstomy ou votre bot. Question clarificatrice si confiance inférieure à 70 %. Log intent + URL + panier à chaque message.
Playbook 4 : actions par segment
Pour chaque top 3 intent : réponse bot (max 3 phrases), lien contenu, règle handoff, e-mail abandon si applicable.
Playbook 5 : boucle CRM
Tag Shopify ou metafield « last_intent » mis à jour à chaque chat. Flow Klaviyo : abandon comparateur → e-mail A vs B sous 2 h.
Maillage utile
Glossaire conversational commerce
Enzo
28 juin 2026
