E-commerce
28 juin 2026
Sans tags structurés, votre helpdesk compte des tickets mais ne révèle pas les irritants clients : promesse livraison fausse, guide taille absent, tracking oublié. Le volume « retour » ou « colis » masque les causes actionnables.
Ce guide décrit une méthode de tagging support e-commerce : taxonomie orientée irritants, workflow agent, contrôle qualité, lecture des tendances et boucle vers contenu, bot et ops. Il se distingue de l'analyse feedback générale et de l'analytics conversationnel : ici, la classification ticket par ticket.
Vous repartirez avec une grille 3 niveaux, des règles helpdesk et des playbooks pour transformer les tags en actions sous 14 jours.
Sommaire
Pourquoi taguer les conversations support en e-commerce ?
Compter les tickets ne suffit pas. Deux fils « colis en retard » peuvent cacher des irritants différents : transporteur en grève, tracking jamais mis à jour, ou promesse livraison 24 h sur la fiche produit. Sans tagging structuré, vous traitez les symptômes sans voir les causes.
Irritant vs motif de contact
Un motif décrit ce que le client demande (« suivi commande »). Un irritant révèle la friction vécue (« tracking absent 5 jours après expédition annoncée »). La taxonomie doit capturer les deux niveaux.
Exemple concret
Support mode 2 400 tickets/mois, tag « retour » dominant. Sous-tag « taille incorrecte, guide absent » = 18 % des retours sur une collection. Action : guide taille PDP + macro bot. Tickets retour liés : −34 % en 8 semaines.
Qui bénéficie
Direction : priorités sans guesswork
Produit : fiches et guides ciblés
Ops : transporteurs et emballages visibles
Marketing : promesses ads alignées sur irritants réels
Volume minimum
Dès 300 tickets tagués/mois, les tendances par famille deviennent lisibles. En dessous, commencez par 5 familles seulement.
Comment différencier tagging support, NPS et avis produit ?
Ne dupliquez pas quatre systèmes de classification incohérents.
Tagging conversations
Granulaire, opérationnel, par ticket. Source : helpdesk, chat, bot escaladé. Public : support, produit, ops.
NPS et CSAT
Score agrégé post-expérience. Un NPS bas sur « livraison » valide un pic de tags WISMO. Voir NPS e-commerce timing.
Avis produit publics
Signal conversion et SEO. Croisez thèmes avis 1-2 étoiles avec tags detractor internes.
Insights produit
L'article sur les conversations support → produit traite le backlog amélioration SKU. Ici : la grille de tags qui alimente ces insights. Voir insights produit depuis le support.
Règle d'or
Une taxonomie support officielle. Les autres canaux mappent vers elle (« avis retour taille » = tag retour + guide_taille_manquant).
Comment construire une taxonomie orientée irritants ?
Pattern Owl recommande une hiérarchie 3 niveaux : domaine, thème, sous-thème, 30 à 50 thèmes actifs au total. Moins de 20 perd en nuance ; plus de 60 crée des chevauchements (Pattern Owl, taxonomie feedback 2026).
Niveau 1 : domaines (10 à 15 max)
wismo : suivi, retard, colis perdu
produit_preachat : taille, stock, compatibilité
commande : modifier, annuler, promo
retour_echange : délai, frais, étiquette
paiement : refus, remboursement, facture
livraison : adresse, relais, dommage
sav_produit : défaut, garantie, notice
compte : connexion, données, RGPD
marketplace : Amazon, litige plateforme
Niveau 2 : sous-tags irritant
Exemple wismo : tracking_manquant, scan_bloque, delai_depasse_promesse, colis_non_recu. Chaque sous-tag = action possible. Nommez en langage client : « taille petit » plutôt que « écart fit négatif ».
Tags transverses
sentiment : neutre, frustré, menace_avis
canal_vente : shopify, amazon
resolu_1er_contact : oui/non
Éviter l'explosion
Nouveau tag seulement si plus de 20 tickets/mois non classables. Document Notion : définition, 3 exemples verbatim, contre-exemples, owner action.
Comment co-construire la taxonomie en une journée ?
La taxonomie imposée sans agents échoue. Co-construisez en atelier.
Participants
Lead support, 2 agents senior, e-commerce, produit ou ops, option data.
Matin : immersion verbatim
Export 200 tickets aléatoires sur 30 jours
Chacun lit 40 tickets, note phrases client irritantes
Clustering : regrouper formulations proches (Miro ou post-its)
Nommer clusters en langage interne neutre
Après-midi : validation grille
Valider 10-15 familles niveau 1
Définir 3-5 sous-tags par famille top volume
Rédiger 2 lignes de définition + 1 exemple par tag
Tester sur 30 tickets : deux agents taguent, mesurer accord
Seuil accord
Visez plus de 85 % accord sur tag principal après formation. En dessous, simplifiez la grille.
Itération post-lancement
Semaine 2 : stand-up 30 min « tags confus ». Semaine 4 : fusionner tags jumeaux. Invitez logistique si 20 % tags pointent emballage ou mauvais SKU préparé.
Quel workflow agent pour tagger en moins de 10 secondes ?
Le tagging doit être rapide ou il ne sera pas fait.
Moment du tag
À la clôture du ticket, pas à l'ouverture (intent peut changer). Obligatoire avant statut résolu. Helpdesk bloque clôture sans tag principal.
Champs helpdesk
Tag principal obligatoire, sous-tag recommandé, sentiment si escalade. Liste déroulante favorites : 5 tags épinglés par agent.
Règles automation pré-tag
Mot-clé « suivi » + commande expédiée : pré-tag wismo, agent confirme sous-tag. Macro « WISMO tracking envoyé » applique auto tags wismo + tracking_communique. Voir prioriser demandes support.
Tickets multi-sujets
Tag = sujet principal + tag secondaire si deux intents égaux. Maximum 3 tags. Marketplace : tag marketplace + plateforme. Voir centraliser messages marketplace.
Handoff bot vers humain
Ticket escaladé hérite tags bot ; agent corrige si intent mal détecté. Log correction alimente entraînement IA.
Comment combiner tagging manuel, règles et IA ?
Trois modes complémentaires, pas exclusifs.
Manuel agent
Référence pour nuance, litiges et cas atypiques. Indispensable sur menaces légales ou GDPR.
Règles mots-clés
Bon marché, rigide. Affinez avec AND/OR : retour + étiquette, pas « retour » seul.
IA classification helpdesk
Gorgias détecte intent et sentiment (Return/Status, Shipping/Delivery-Issue, etc.) ; les règles WHEN/IF/THEN appliquent tags et actions (eesel AI, tagging ecommerce 2026). Zendesk Intelligent Triage classifie topic, sentiment, langue, entités.
Hybride recommandé
IA suggère, humain valide 90 jours. Puis auto-tag si confiance supérieure à 90 % sur familles stables (wismo simple). IA rentable à partir de ~1 500 tickets/mois tagués historiquement.
Bot pré-achat
Le chatbot logue intent avant escalade. Voir helpdesk vs chatbot vs KB.
Comment maintenir la qualité des tags dans le temps ?
Une taxonomie non maintenue devient du bruit en six mois.
Audit hebdomadaire
Lead support relit 20 tickets fermés : tag correct ? sous-tag pertinent ? Feedback individuel, pas punition.
Accord inter-agents
Mensuel : deux agents retaguent le même échantillon. Accord inférieur à 80 % : session recalibrage 30 min sur tags confus.
Tag drift
Symptôme : « divers » ou « autre » remonte au top. Cause : nouveau produit, campagne, transporteur. Ajoutez sous-tag ou règle automation.
Onboarding agent
Jour 1 : lire taxonomie. Semaine 1 : taguer avec mentor. Quiz 10 tickets fictifs avant solo.
Changelog
Slack support : « Nouveau sous-tag promo_non_appliquee depuis lundi, voici définition ». Calibration trimestrielle : relire définitions des 5 tags les plus utilisés.
Comment lire les tags pour identifier les vrais irritants ?
Les chiffres deviennent actionnables avec les bonnes lectures.
Volume vs croissance
Volume : wismo souvent numéro 1, normal
Croissance : +40 % mois/mois sur delai_depasse_promesse = alerte ops
Temps traitement : tag lent = process cassé
CSAT par tag : irritant mal géré malgré macro
Repeat contact : client revient sous 48 h
Matrice impact / effort
Axe X : volume tickets tag. Axe Y : impact revenu (panier moyen, taux retour). Priorisez quadrant haut-volume + haut-impact.
Verbatim associés
Chaque semaine, lisez 5 verbatins bruts du tag numéro 1 en croissance. Les chiffres sans mots client orientent mal.
Croiser SKU et saisonnalité
Tag guide_taille + collection jeans + 40 % tickets = action produit ciblée. Comparez tag BFCM vs hors pic pour distinguer irritant structurel et pic logistique.
Alerte automatique
Slack si tag delai_depasse_promesse +50 % vs semaine précédente.
Comment transformer un tag irritant en action concrète ?
Un irritant tagué sans owner est une statistique décorative.
Boucle action en 4 étapes
Tag dépasse seuil (50 tickets/semaine ou +25 % vs baseline)
Owner nommé (produit, ops, CX)
Action documentée avec date
Mesure volume tag 30 jours après
Exemples par irritant
tracking_manquant : webhook expédition + bot WISMO
guide_taille : tableau PDP + quiz taille
promo_non_appliquee : clarifier checkout + macro
emballage_casse : ops emballage + SAV proactive
Lien contenu et bot
Top 5 tags : 5 articles base de connaissances prioritaires. Intents bot alignés sur tags. Voir réduire WISMO Shopify et segmenter par funnel.
Éviter la sur-correction
Un pic tag 1 semaine post-lancement SKU ≠ refonte politique retour. Attendez 2 semaines stables.
Quel dashboard et quel rituel de revue hebdomadaire ?
Le dashboard tags doit tenir sur un écran.
Widgets essentiels
Top 10 tags semaine
Top 5 tags en croissance
CSAT par tag principal
Temps résolution par tag
Part autre / non tagué (cible inférieur à 5 %)
Outils
Gorgias Analytics, Zendesk Explore, Looker, export BigQuery. Gorgias expose rapports tags par fréquence et évolution (Gorgias, tag insights). Page data analytics.
Revue hebdomadaire 30 min
Support lead + e-commerce : top 3 tags, 1 action décidée, owner assigné. Compte-rendu 5 lignes Slack.
KPI tagging
Tickets tagués à la clôture supérieur à 95 %, accord audit supérieur à 85 %, délai moyen tag inférieur à 10 s. Voir KPI chatbot.
Comment Qstomy unifie les tags chat et helpdesk ?
Qstomy classe automatiquement les intents conversationnels pré-achat et post-achat. Après escalade, le ticket helpdesk hérite du même vocabulaire de tags que le bot.
Vue cross-canal
Intent bot « délai livraison » non résolu : escalade taguée livraison + delai_depasse_promesse. Analytics agrège chat et e-mail sous le même irritant, sans compter deux fois le même client.
Scénario DTC chiffré
Marque cosmétique, 1 800 tickets/mois, tags helpdesk seulement, 22 % classés « autre ». Après taxonomie V1 + Qstomy sur chat avec intents alignés : « autre » tombe à 6 %, détection précoce tag guide_usage (+62 % en 3 semaines post-lancement sérum), correction fiche produit J+5, tickets liés −41 % en 6 semaines.
Explorez intégration Shopify, support client et demander une démo.
Quels playbooks lancer cette semaine ?
Playbook 1 : export 200 tickets
Tirez 200 tickets aléatoires sur 30 jours. Chaque agent senior note 10 phrases client irritantes. Regroupez en clusters. C'est la base de votre niveau 2.
Playbook 2 : taxonomie V1 en 10 familles
Validez 10 domaines niveau 1, 3 sous-tags par top 3 familles volume actuel. Publiez PDF une page + Notion avec définitions.
Playbook 3 : clôture bloquée sans tag
Configurez champ obligatoire tag principal à la résolution. Favorites par agent. Mesurez % tagué sur 7 jours : cible 95 %.
Playbook 4 : règle pré-tag WISMO
Automation : suivi + expédié → pré-tag wismo. Agent confirme sous-tag en 1 clic. Macro liée applique tags cohérents.
Playbook 5 : revue lundi 30 min
Dashboard : top 3 tags, top 1 croissance, 5 verbatins. Décidez 1 action owner + date. Mesurez volume tag irritant à J+30.
Maillage utile
Analytics global : analytics conversations
Automatisation : erreurs automatisation support
NPS : NPS e-commerce
Insights produit : insights produit support
Enzo
28 juin 2026
