E-commerce
1er juillet 2026
« Vous livrez quand exactement ? » répété 847 fois en chat. « Le guide taille est illisible » dans 12 % des tickets pré-achat mode. Votre équipe CRO teste la couleur du bouton panier pendant que le vrai frein est visible dans Gorgias depuis trois mois.
Zipchat recommande de prioriser un thème quand il apparaît dans 5 % des chats pré-achat pertinents, ou au moins 20 fois en 30 jours, puis de lier chaque pattern à une modification page mesurable (Zipchat, transcripts → hypothèses A/B 2026). Conversionflow rappelle que la VoC explique le pourquoi derrière chaque drop-off, condition sine qua non pour des tests pertinents (Conversionflow, VoC CRO 2026).
Ce guide #315 traite la priorisation tests A/B via questions support. Les contenus CRO existants expliquent comment tester ; aucun ne formalise le backlog depuis le SAV. Il complète rapport friction (#281) avec l'angle scoring, hypothèses A/B et métriques guardrail.
Sommaire
Pourquoi les questions support forment-elles le meilleur backlog A/B ?
Un test A/B sans hypothèse client teste des variations au hasard. Les questions support sont des hypothèses déjà formulées par des acheteurs réels, au moment où la décision bloque.
Trois avantages VoC vs intuition CRO
Langage exact : le client dit « arnaque livraison » pas « friction checkout »
Page cible : question livraison en panier ≠ même fix qu'en PDP
Guardrail natif : si le test vise à réduire tickets shipping, comptez-les en métrique secondaire
Ce que disent les données 2026
Conversionflow rappelle que analytics montre le quoi, la VoC explique le pourquoi : sans verbatims, les expériences restent des paris sur le copy (Conversionflow 2026). Gorgias et Blend identifient six questions acheteur récurrentes (délai, risque, prix, avis, aide, fit) : chaque question non traitée sur site devient ticket (Gorgias × Blend, CRO et support 2026).
Principe #315
Pipeline SUPPORT-Q → SCORE-AB → AB-HYPOTHESIS → test ou fix direct. Le support alimente le backlog ; il ne le remplace pas seul.
En quoi diffère-t-il des guides CRO, des objections #35 et du friction #281 ?
Cinq contenus voisins, cinq livrables.
Guides CRO / A/B généralistes
Improvado rappelle PIE (Potential, Importance, Ease) pour scorer les tests, mais sans source support structurée (Improvado, ecommerce CRO 2026). Le #315 injecte la fréquence tickets dans le score Confidence.
Objections achat (#35)
Objections (#35) : détecter freins pour scripts et PDP. Le #315 : prioriser quel test A/B lancer en premier avec métrique primaire.
Rapport friction (#281)
Friction hebdo (#281) : thèmes, owners, actions ops. Le #315 : traduction thème → hypothèse testable pour l'équipe CRO.
Hypothèses CRO (#316)
Objections → hypothèses (#316) approfondit la rédaction OBJ-TO-HYP et OBJ-LOOP. Le #315 couvre scoring et priorisation backlog.
Signaux conversion (#260)
Signaux CRO (#260) : alertes quantitatives funnel. Le #315 fournit la méthode quali → backlog A/B.
Promesse #315
SUPPORT-Q-INTENT, SCORE-AB, extraction 90 j, AB-HYPOTHESIS, triangulation, règles fix vs test, exemples par thème, KPI pipeline.
Quelle taxonomie SUPPORT-Q-INTENT pour lier questions et pages ?
La taxonomie SUPPORT-Q-INTENT mappe chaque question récurrente vers une page et une métrique test.
14 intents questions pré-achat CRO
sq_ship_eta: délai livraison → PDP, panier, checkoutsq_ship_cost: frais port → panier, checkoutsq_return_policy: retour, échange → PDP, checkoutsq_size_fit: taille, guide → PDPsq_product_spec: compatibilité, matière → PDPsq_trust: site fiable, avis → homepage, PDPsq_price_value: cher, promo → PDP, paniersq_stock_avail: dispo, réassort → PDP, collectionsq_bundle_confusion: pack, quantité → PDP bundlesq_subscribe: abonnement vs achat unique → PDPsq_payment: moyens paiement, sécurité → checkoutsq_gift: emballage cadeau, message → PDP, paniersq_compare: différence 2 SKU → PDP, comparateursq_other_pre: hors liste, revue mensuelle
Exclusion export
Retirer WISMO, SAV post-achat, litiges facturation du dataset CRO. Aligner tags helpdesk avec analytics conversations.
Mapping page → métrique par défaut
PDP : add-to-cart. Panier : checkout start. Checkout : completion rate. Homepage : click-through collection ou PDP.
Comment scorer les thèmes avec la matrice SCORE-AB ?
La matrice SCORE-AB classe les thèmes support avant d'occuper du trafic test.
Quatre critères (1 à 5 chacun)
Frequency : rare (1) → pattern hebdo (5). Seuil Zipchat : ≥ 5 % chats pré-achat ou ≥ 20 occurrences / 30 j (Zipchat 2026)
Intent : curiosité (1) → question en panier ou checkout (5)
Revenue exposure : SKU long tail (1) → hero PDP ou panier high-AOV (5)
Fix clarity : aucun changement page identifiable (1) → copy, bloc ou layout clair (5)
Formule priorité
SCORE-AB = Frequency × Intent × Revenue × Fix clarity (max 625). Trier décroissant. Top 5 = candidats test ou fix ce trimestre.
Grille décision rapide
Fix clarity = 1 : enrichir corpus ou PDP sans test. Frequency ≤ 2 et Revenue ≤ 2 : watch list. Frequency ≥ 4 et Fix clarity ≥ 4 : priorité A.
Complément ICE
Improvado : programmes CRO matures combinent PIE initial puis ICE avec Confidence basée sur preuves passées (Improvado 2026). Utilisez SCORE-AB pour alimenter le C (Confidence) de ICE.
Exemple chiffré sq_size_fit
Frequency 4 (8 % chats mode) × Intent 4 (souvent pré-ATC) × Revenue 5 (hero SKU) × Fix clarity 5 (guide mobile) = 400. Priorité A immédiate.
Comment extraire et clusteriser 90 jours de conversations pré-achat ?
L'extraction SUPPORT-Q produit un dataset thématique en une journée, pas en un mois.
Sources à fusionner
Chat onsite + bot transcripts pré-achat
Tickets Gorgias tag
pre_purchaseou sans order_idInstagram / WhatsApp DM commercial
Macros les plus utilisées par agents (signaux récurrents)
Pipeline en 6 étapes
Export 90 j, filtrer post-achat
Tag SUPPORT-Q-INTENT (LLM + validation 10 % humain)
Joindre URL session, SKU, funnel step si dispo
Cluster verbatims par intent
Compter volume, calculer SCORE-AB par cluster
Sélectionner 3 verbatims représentatifs par top thème
Volume minimum
Zipchat : commencer à 100 chats pré-achat pertinents. Koji : 200 tickets = 3-6 h tagging manuel si pas d'IA (Koji, ticket analysis 2026). Boutiques < 500 tickets/trimestre : étendre à 180 j.
Output attendu
Tableau : intent | volume | % chats | page dominante | SCORE-AB | verbatim 1 | owner CRO suggéré.
Comment rédiger une fiche hypothèse AB-HYPOTHESIS ?
La fiche AB-HYPOTHESIS transforme un cluster support en test exécutable par l'équipe CRO.
8 champs obligatoires
Thème support : intent + volume (ex. sq_ship_eta, 312 tickets / 90 j)
Verbatim preuve : 2 citations clients exactes
Hypothèse : « Si nous affichons {élément} sur {page}, alors {métrique} augmente car {frein retiré} »
Variante A/B : contrôle vs traitement en une phrase
Métrique primaire : add-to-cart, checkout start, RPV selon intent
Guardrail : tickets intent, marge, AOV, bounce
Page / audience : URL pattern, device, trafic paid ou organic
Effort : S/M/L implémentation
Exemple sq_ship_eta
Hypothèse : « Si date livraison estimée apparaît sous le CTA panier mobile, checkout start rate augmente car l'incertitude délai est levée avant paiement. » Primaire : checkout start. Guardrail : tickets sq_ship_eta, refund WISMO.
Mapping métriques Zipchat
Questions fit → add-to-cart. Shipping → checkout start. Trust → checkout start. Bundle → AOV. Discount → RPV avec guardrail marge (Zipchat 2026).
Comment trianguler support, analytics et heatmaps ?
La triangulation VoC évite de tester un thème support qui n'impacte pas le funnel.
Règle des trois sources
Conversionflow : prioriser les tests qui adressent des objections dominantes remontées en feedback, croisées avec comportement site (Conversionflow 2026). Problème visible dans support + analytics (drop-off) + heuristique (info absente) = priorité A.
Matrice triangulation
Support ↑ + exit rate panier ↑ : test checkout ou panier
Support ↑ + scroll PDP bas + ATC faible : test bloc info PDP
Support ↑ + analytics flat : segment trafic (mobile, paid) ou fix copy direct
Support flat + drop checkout ↑ : heatmap d'abord, pas ticket
Connexion métriques produit
ThriveAI : corréler spike tickets « payment error » avec chute checkout completion pour confirmer impact réel (ThriveAI, tickets → métriques 2026). Jarvis : boucle hebdo CS ↔ marketing avec top data points tickets (Jarvis, helpdesk conversion 2026).
Quand corriger directement sans lancer un test A/B ?
Tout thème support ne justifie pas un test. Pelin.ai : haute fréquence + fix évident = action directe, pas expérimentation (Pelin, ticket insights 2026).
Fix direct (pas de A/B)
Info réglementaire ou policy absente du site
Guide taille introuvable ou PDF cassé
Erreur stock affiché « en stock » alors OOS
Macro agent contredit la PDP
Bot chunk obsolète vs policy actuelle
Test A/B justifié
Deux réponses plausibles, risque sur conversion existante, ou choix layout/copy non évident. Ex. : accordéon vs bloc visible pour livraison ; date ETA sous CTA vs dans tooltip.
Rigueur statistique
Improvado : viser 1 000+ conversions par variante, 2 à 4 semaines minimum (Improvado 2026). Trafic insuffisant : fix direct ou test sur segment mobile seul si volume concentré.
Documenter le choix
Colonne « décision » dans backlog : TEST | FIX | DEFER. DEFER si SCORE-AB < 80 ou sample size impossible ce trimestre.
Quels exemples AB-HYPOTHESIS par type de question support ?
Cinq playbooks thème → test réutilisables sur la plupart des boutiques DTC.
sq_ship_eta (livraison)
Test : date livraison dynamique sous CTA panier vs footer policy. Primaire : checkout start. Guardrail : tickets sq_ship_eta. Blend : accordéon info acheteur sur PDP réduit tickets pré-achat (Gorgias × Blend 2026).
sq_size_fit (taille)
Test : recommandation taille inline (« entre M et L → L ») vs guide seul. Primaire : add-to-cart. Guardrail : retours motif taille.
sq_trust (confiance)
Test : avis filtrés « livraison rapide » au-dessus fold vs position actuelle. Primaire : ATC ou checkout start selon page.
sq_price_value (prix)
Test : prix unitaire / utilisation (« 0,42 € / jour ») vs prix brut. Primaire : RPV. Guardrail : marge brute commande.
sq_return_policy (retour)
Test : rappel retour 30 j sous bouton ATC vs page policy seule. Primaire : ATC. Guardrail : tickets sq_return_policy.
Boucle post-test
Routine.co : sous 30 j après deploy, mesurer volume tickets thème + métrique primaire, mettre à jour Confidence ICE (Routine, prioritization 2026).
Quels KPI mesurer sur le pipeline support → test A/B ?
Mesurez throughput et impact du pipeline, pas seulement les wins A/B.
KPI mensuels
themes_scored : clusters avec SCORE-AB calculé
hypotheses_shipped : fiches AB-HYPOTHESIS validées CRO
tests_from_support_pct : % tests trimestre issus VoC vs intuition
ticket_rate_theme_post_fix : volume intent / commandes après deploy
support_to_test_lag : jours entre seuil Zipchat et lancement test
win_rate_voc_tests : tests VoC gagnants / total tests VoC
guardrail_breach_rate : tests VoC ayant dégradé guardrail
Revue trimestrielle
Intents sq_other_pre récurrents → nouvelle entrée SUPPORT-Q-INTENT. Comparer win_rate_voc_tests vs tests non-VoC. Alimenter insights produit.
Comment Qstomy alimente-t-il le backlog A/B depuis les conversations ?
Qstomy exporte clusters SUPPORT-Q-INTENT, SCORE-AB pré-calculé et verbatims pour alimenter les fiches AB-HYPOTHESIS.
Capacités
Tag auto sq_* sur transcripts chat et tickets
Dashboard volume intent × page URL
Export verbatim pack pour fiche hypothèse
Alerte seuil Zipchat (5 % ou 20 / 30 j)
Suivi ticket_rate_theme post-deploy fix ou test
Sync rapport friction #281 hebdo
Scénario DTC chiffré
Marque skincare DTC, 2 400 chats pré-achat / trimestre. Avant pipeline #315 : 0 test issu support sur 12 tests/an, sq_ship_eta = 18 % chats non tagués. Après SUPPORT-Q + SCORE-AB + rituel mensuel CRO×Support : 7/12 tests trimestre issus VoC, sq_ship_eta tickets −34 % post-test ETA panier, checkout start mobile +6,8 %, support_to_test_lag 41 j → 18 j.
Voir support IA, analytics, démo.
Quels playbooks pour installer le rituel support → A/B en quatre semaines ?
Playbook 1 : export + tag SUPPORT-Q (1 j)
Export 90 j chats + tickets pré-achat. Appliquer 14 intents section 3. Valider 50 lignes manuellement.
Playbook 2 : SCORE-AB top 10 (4 h)
Calculer score par cluster. Retenir top 5. Watch list pour scores 80-150.
Playbook 3 : triangulation (4 h)
Croiser top 3 avec GA4 exit rate et 5 heatmaps. Classer priorité A/B/C section 7.
Playbook 4 : rédiger 3 AB-HYPOTHESIS (3 h)
Fiches complètes section 6 pour priorités A. Revue CRO + support lead.
Playbook 5 : rituel mensuel (60 min)
Participants : CRO, support lead, merch. Ordre : nouveaux seuils Zipchat → statut tests en cours → ticket_rate post-fix → prochaine hypothèse.
Maillage utile
Cette semaine : exportez 100 conversations pré-achat et comptez combien mentionnent livraison, taille ou retour. Si un thème dépasse 15 %, rédigez votre première AB-HYPOTHESIS avant de planifier le prochain test couleur de bouton.
Enzo
1er juillet 2026
