E-commerce
26 juin 2026
Entraîner un chatbot e-commerce avec vos données Shopify ne signifie pas créer un modèle IA from scratch. Dans la plupart des boutiques, cela veut dire connecter les bonnes sources, les structurer, les nettoyer, puis tester si l’agent répond comme un bon vendeur ou un bon conseiller SAV.
Le sujet est moins technique qu’il n’en a l’air : un chatbot fiable dépend surtout de la qualité de votre catalogue, de vos métachamps, de vos politiques, de vos guides et de votre contexte commande.
Cet article #13 complète l’intégration Shopify Qstomy sans devenir un article API générique. Objectif : rendre votre donnée Shopify exploitable par un agent IA, concrètement.
Sommaire
Que veut dire entraîner un chatbot Shopify ?
Dans ce contexte, entraîner veut dire donner au bot une source de vérité et des règles d’usage. Il ne doit pas deviner vos délais, vos tailles, vos stocks ou vos retours : il doit retrouver l’information fiable, puis la reformuler clairement.
Connecter : catalogue, politiques, FAQ, commandes, guides
Structurer : attributs, métachamps, catégories, variantes
Encadrer : ton, règles de réponse, sujets à escalader
Tester : questions réelles, cas limites, erreurs fréquentes
Maintenir : nouvelles collections, politiques, ruptures, retours support
L’angle est volontairement accessible : pas besoin de construire un modèle. Il faut surtout préparer les données que le chatbot va utiliser.
Quelles questions clients auditer en premier ?
Ne partez pas du catalogue complet. Partez des questions qui coûtent du temps ou bloquent les ventes.
Exportez 50 conversations récentes : chat, e-mail, Instagram, tickets
Classez-les : produit, livraison, retour, suivi commande, paiement, compatibilité
Notez la source nécessaire pour répondre : fiche produit, politique, commande, stock
Repérez les trous : information absente, floue ou contradictoire
Priorisez les 10 questions les plus fréquentes ou les plus proches de l’achat
Exemple : si « Est-ce compatible avec mon modèle ? » revient souvent, votre priorité n’est pas une meilleure IA. C’est un attribut de compatibilité propre dans Shopify.
Quelles données Shopify connecter en priorité ?
Catalogue : titres, descriptions, collections, tags, images utiles
Variantes : taille, couleur, capacité, SKU, stock
Métachamps : fit, compatibilité, matières, dimensions, certifications
Politiques : livraison, retours, remboursement, garantie
Commandes : statut, fulfillment, tracking, facture
Contenus : guides d’achat, FAQ, articles support, comparatifs
Shopify explique que Catalog part des données produit gérées dans l’admin, puis les structure pour que les agents comprennent mieux titres, descriptions, images, catégories, variantes, prix et disponibilité (Shopify Catalog 2026). La même discipline aide votre chatbot onsite.
Comment préparer le catalogue produit ?
Le catalogue est la matière première du bot de vente. Une description purement marketing ne suffit pas.
Titre : clair, distinctif, sans jargon inutile
Description : usage, bénéfice, limite, contenu du pack
Variantes : nommage cohérent : pas S, Small, taille petite mélangés
Stock : synchronisé pour ne pas recommander l’indisponible
Collections : logiques pour guider comparaison et découverte
Shopify rappelle que les agents IA préfèrent des données complètes, structurées et lisibles par machine : si un fait influence l’achat, donnez-lui un champ clair plutôt que de le cacher dans un long paragraphe (Shopify, product data for AI channels).
Quels métachamps rendre utiles au chatbot ?
Les métachamps Shopify sont précieux pour les questions précises, celles que la description ne couvre pas bien.
Fashion : fit, coupe, mensurations, conseil entre deux tailles
Électronique : compatibilité, version, connectique, puissance
Beauté : type de peau, actifs, allergènes, routine
Maison : dimensions, poids, matériaux, entretien
B2B léger : normes, certifications, conditionnement, usage pro
Commencez avec 5 métachamps par catégorie clé. Trop peu, le bot reste vague. Trop, l’équipe ne maintient plus rien. Le bon métachamp répond à une question client fréquente.
Exemple de nommage
Préférez des champs stables : compatibilite_modele, conseil_taille, matiere_principale, contenu_pack. Évitez les champs libres comme note_interne si personne ne sait comment les remplir.
Comment structurer politiques et contenus support ?
Les politiques sont souvent écrites pour être juridiquement complètes, pas pour être comprises en conversation. Il faut les rendre exploitables.
Format utile
Une page par sujet, des délais chiffrés, des exclusions explicites, des exemples courts. « Retour sous 14 jours après réception, produit non utilisé, frais à la charge du client sauf défaut » vaut mieux que trois paragraphes abstraits.
Sources à maintenir
Politique livraison, retour, remboursement, garantie, paiement, FAQ SAV, guide de tailles, guide d’entretien. Une seule source de vérité par sujet évite les réponses contradictoires.
Comment utiliser les commandes sans exposer trop de données ?
Pour le post-achat, le bot doit parfois lire le statut commande. Mais il doit le faire avec prudence.
Vérification : demander e-mail, compte ou contexte authentifié
Minimum utile : statut, tracking, retour, facture, pas plus
Règles : ne jamais afficher données sensibles sans contrôle
Handoff : escalader si commande introuvable ou statut contradictoire
Gorgias indique que son AI Agent peut s’appuyer sur les données Shopify, le help center, les URLs, les documents et la Guidance, mais qu’il répond seulement à partir de sources vérifiées et transfère si la réponse n’est pas fiable (Gorgias AI Agent).
Quelles sources faut-il exclure ou corriger ?
Entraîner plus ne veut pas dire connecter tout ce qui existe.
Anciennes FAQ : politiques obsolètes ou promotions passées
Documents internes brouillons : notes non validées par support
Pages marketing floues : promesses sans données vérifiables
PDF produits dépassés : anciennes variantes, anciens délais
Macros contradictoires : réponses support qui ne disent pas la même chose
La règle anti-hallucination : si la source n’est pas fiable, elle ne doit pas nourrir le bot. Shopify Engineering rappelle aussi l’importance d’apprendre aux assistants à dire non quand la demande sort du cadre, plutôt que d’inventer une réponse plausible.
Comment tester le chatbot avant lancement ?
Un test sérieux ne demande pas une grosse équipe. Il demande de vraies questions.
10 questions produit : taille, compatibilité, comparaison
5 questions livraison : délai, pays, retard, point relais
5 questions retour : éligibilité, échange, remboursement
5 questions commande : tracking, facture, statut
5 cas limites : produit indisponible, politique absente, client mécontent
Pour chaque réponse, notez : exactitude, source utilisée, clarté, action proposée, besoin de handoff. Si une réponse n’a pas de source, elle doit être corrigée ou bloquée.
Recette de test simple
Créez un tableur avec cinq colonnes : question, réponse attendue, source Shopify, réponse du bot, décision. La décision peut être : validé, source à corriger, métachamp à ajouter, handoff à créer, réponse à raccourcir.
Faites tester par support et e-commerce. Le support repère les formulations réelles des clients. L’e-commerce vérifie que le bot ne dégrade pas la conversion avec une réponse trop prudente ou trop longue.
Comment maintenir la base dans le temps ?
Le vrai travail commence après le lancement.
Chaque semaine : relire questions sans réponse et escalades
Chaque collection : vérifier variantes, métachamps, guides
Chaque changement SAV : mettre à jour politique et guidance
Chaque rupture : contrôler recommandations et alternatives
Chaque mois : corriger les 10 produits les plus questionnés
Gorgias conseille de gérer les contenus IA depuis une page Knowledge et d’auditer les sources par date de mise à jour et statut d’usage (Gorgias Knowledge). C’est une bonne habitude : un bot fiable est un bot nourri par des sources vivantes.
Désignez aussi un propriétaire de la base : support, e-commerce ou ops. Sans responsable, les corrections restent dans les conversations et ne remontent jamais dans Shopify.
Comment Qstomy s’appuie sur vos données Shopify ?
Qstomy peut utiliser les données Shopify et vos contenus support pour répondre aux questions produit, orienter vers la bonne variante, traiter des demandes post-achat simples et escalader les cas sensibles.
Scénario DTC sport
Boutique Shopify, 420 références, 18 000 sessions/mois. Audit initial : 31 % questions taille, 24 % livraison, 17 % compatibilité accessoires, 14 % suivi commande, 14 % autres.
La marque structure 7 métachamps sur les 80 best-sellers : fit, usage, matière, entretien, compatibilité, contenu du pack, alternative si rupture. Qstomy répond aux questions pré-achat et WISMO simple. Hypothèse de pilote : 1 200 conversations/mois, 52 % résolues sans humain, 74 ajouts panier assistés, 26 % de baisse sur les tickets taille/livraison.
Voir intégration Shopify, assistant IA de vente, support client IA et demander une démo.
Quels playbooks appliquer cette semaine ?
Playbook 1 : audit des 50 questions
Classez 50 questions réelles, associez chaque question à une source Shopify et notez ce qui manque. C’est votre plan d’entraînement.
Playbook 2 : top 20 produits
Prenez vos 20 produits les plus vus. Ajoutez ou corrigez les champs qui répondent aux objections : taille, usage, compatibilité, livraison, retour.
Playbook 3 : sources propres
Supprimez les anciennes FAQ, promotions expirées, PDF obsolètes et macros contradictoires. Une base plus petite mais fiable vaut mieux qu’un grand fouillis.
Playbook 4 : test de non-réponse
Posez 10 questions auxquelles le bot ne devrait pas répondre. Il doit dire qu’il ne sait pas ou transférer. S’il improvise, corrigez les garde-fous.
Sources et maillage utile
Shopify : Agentic commerce et Catalog
Shopify : product master data
Gorgias : AI Agent guardrails
Qstomy : prévenir les hallucinations chatbot
Enzo
26 juin 2026
