E-commerce
28 juin 2026
« Vous avez des robes imperméables ? » « Je cherche du lin sous 80 €. » « Où est le filtre matière ? » Trois messages chat, trois attributs absents de vos filtres collection, trois clients qui scrollent 140 produits à la main.
Broken Rubik rappelle que les bonnes facettes viennent des recherches site et des demandes support : ce sont les attributs que les clients cherchent réellement (Broken Rubik, faceted search 2026). Doofinder estime qu'une facette bien alignée sur le langage client réduit les tickets « je ne trouve pas » (Doofinder, faceted search 2026).
Ce guide #246 traite l'usage des conversations client pour améliorer les filtres produit. Distinct du guide filtres conversion (#30) (configuration UX facettes) : ici, quels filtres créer, renommer ou retirer grâce au SAV, au chat et aux logs.
Summary
Pourquoi les conversations révèlent-elles les bons filtres ?
Les filtres produit conversation-driven naissent d'un écart : votre taxonomie interne vs le langage réel des acheteurs.
Trois signaux que vos filtres sont mal calibrés
Tickets « je ne trouve pas » : client décrit un attribut, filtre absent
Zero-result search : terme fréquent sans résultat (Shopify Analytics)
Filtres ignorés : analytics facette < 1 % clics alors que le thème revient en chat
Avantage conversations vs analytics seul
Shoply note que « rashguard » vs « swim shirt » n'apparaît pas toujours en search log agrégé, mais revient en chat avec contexte d'usage (Shoply, audit search 2026). StoreBuilt : le vocabulaire mismatch est la cause #1 des zero-result (StoreBuilt, zero-result 2026).
Exemple DTC mode
Collection robes 186 SKU, 12 filtres natifs, 47 tickets/mois « matière », « longueur », « imperméable ». Après extraction conversations + ajout 3 facettes (matière, longueur, imperméable) : tickets discovery −38 %, CTR collection +14 %, zero-result search −22 % en 6 semaines.
En quoi diffère-t-il du guide filtres conversion (#30) ?
Deux contenus complémentaires, deux temporalités.
Guide filtres (#30)
Filtres conversion (#30) : UX facettée, ordre, mobile drawer, compteurs dynamiques, SEO. Le #246 : quels attributs filtrer avant de designer l'interface.
Chatbot collection (#196)
Bot collection (#196) : deep links filtres en conversation. Le #246 alimente quels filtres le bot peut proposer via taxonomie à jour.
Insights produit (#33)
Insights (#33) : signaux produit globaux. Le #246 cible navigation catalogue : facettes, tags, synonymes search.
Glossaire filtres
Filtres produit (glossaire) définit le concept. Le #246 : boucle ops conversations → décisions taxonomie.
Promesse #246
Sources data, extraction attributs, priorisation, workflow mensuel, labels client, croisement search, fiches FILTER, KPI, playbooks.
Quelles sources de conversations exploiter ?
Quatre sources VoC filtres à fusionner, pas une seule.
Support humain (Gorgias)
Tags product_discovery, filter_question, cant_find_product. Export 90 j, normaliser verbatims en attributs candidats.
Chatbot / widget site
Intents plp_filter_help, product_search_fail, questions libres collection. Voir bot collection (#196).
Recherche site Shopify
Rapports Analytics : Top searches, Searches with no results, Searches with no clicks (Shopify, behavior reports).
Search & Discovery app
Talk Shop recommande revue hebdo top searches no results + low CTR (Talk Shop, tags & filters 2026).
Réseaux / email (optionnel)
DM Instagram « vous avez X en bleu petit budget ? » : même pipeline extraction, tag source social.
Comment extraire les attributs recherchés par les clients ?
L'extraction attributs conversations transforme verbatims bruts en facettes candidates.
Pipeline 5 étapes (mensuel)
Export tickets + chats + search logs 30 j
Normaliser : « imperméable », « résistant eau », « waterproof » →
waterproofMapper attribut → collection concernée (robes, chaussures, déco)
Compter volume + croiser zero-result search même terme
Créer ligne FILTER-CANDIDAT dans Notion
Grille normalisation
Colonnes : verbatim client | attribut canonique | collection | volume tickets | volume search | filtre existe ? (oui/non) | action proposée.
Exemples mapping
« robe mi-longue » → attribut
length: midi« vegan » → tag produit + facette
diet: vegan« compatible iPhone 15 » → facette
compat_model(tech)
IA assistée
Clustering mensuel intents discovery via bot export. Humain valide : un attribut = une facette ou un synonyme search, pas les deux confondus.
Config Shopify Search & Discovery
Dans l'app native : Filters → Add filter → choisir metafield produit (ex. custom.material) ou tag. Vérifier que la valeur apparaît dans le preview collection avant publication. Talk Shop recommande de limiter les filtres actifs à ceux réellement tagués sur la majorité des SKU (Talk Shop, tags & filters 2026).
Macro support prête à coller
« Bonjour, pour affiner votre recherche sur [collection], utilisez le filtre [label client] en haut à gauche de la page : [lien deep link ?filter.p.m.custom.material=lin]. Vous y trouverez [N] produits correspondant à votre demande. »
Comment prioriser quels filtres ajouter, renommer ou retirer ?
La priorisation facettes VoC évite d'ajouter 20 filtres inutiles.
Score FILTER (4 critères)
Volume : tickets + searches 30 j (seuil ≥ 8 occurrences)
Impact conversion : collection à fort trafic + bounce élevé
Faisabilité data : métachamp ou tag déjà renseigné sur ≥ 60 % SKU collection
Effort : 1 = renommer label, 3 = nouveau metafield + tag bulk
Formule simple
Score = (Volume × Impact) / Effort. Top 3 scores/mois → action catalogue.
Retirer un filtre
FactFinder : facettes cliquées < 0,5 % trafic collection pendant 90 j → candidate suppression ou repli mobile. StoreBuilt : filter clutter nuit autant que filtres manquants.
Renommer un filtre
Si clients disent « sneakers » et filtre affiche « athletic shoes » : renommer label, garder valeur backend. Ajouter synonyme Search & Discovery en parallèle.
Exemple scoring concret
Attribut « lin » sur collection robes : 23 tickets + 41 searches zero-result (Volume=64), collection 2e trafic site bounce 58 % (Impact=3), metafield matière renseigné sur 71 % SKU (Faisabilité OK), effort 2 (metafield existant, tag bulk restant). Score = (64×3)/2 = 96. Attribut « coupe empire » : 6 tickets, 3 searches, data 22 % SKU → score 4, reporté au trimestre suivant.
Quel workflow mensuel relie tickets et taxonomie filtres ?
Le rituel filtres VoC tient en 60 minutes, owner e-commerce + support lead.
Agenda mensuel
10 min : export top 20 verbatims discovery (tags #54)
10 min : top 10 zero-result search Shopify
15 min : revue FILTER-CANDIDAT, scoring section 5
15 min : décider 1-3 actions (add/rename/remove/synonym)
10 min : brief support + update bot corpus si facette live
Règle des 5 répétitions
Même attribut demandé 5× en 30 j sans facette = action obligatoire ce mois ou ticket produit explicite « pas prévu ».
Lien roadmap
Facettes récurrentes à effort > 3 alimentent roadmap support (#240) si refonte catalogue (ex. : compatibilité modèle sur 200 SKU).
Comment aligner labels filtres sur le langage client ?
Le label filtre client-first utilise les mots du chat, pas du ERP.
Règles de nommage
Label affiché : terme client majoritaire (verbatim le plus fréquent)
Valeur backend : normalisée (snake_case, anglais si PIM)
Synonymes search : variantes dans Search & Discovery
Tooltips : si terme technique (« ripstop », « Tencel »)
Table LABEL-MAP
backend_value | label_FR | synonymes_search | source_verbatim | date MAJ.
Ordre des facettes
BTNG : ordonner par fréquence décision client (prix, taille, couleur, puis attributs collection-spécifiques). FactFinder : analytics clics facette guide l'ordre mobile/desktop.
Compteurs dynamiques
Broken Rubik : afficher « Lin (34) » évite zero-result combinaison. Masquer valeurs à 0 en bas ou les griser.
Logique OR vs AND
Ambaum rappelle qu'un filtre mal configuré (AND strict entre facettes rares) produit des pages vides. Testez chaque nouvelle facette en combinaison avec prix et taille : si la combinaison la plus fréquente en chat (ex. lin + sous 80 €) retourne 0 produit, corrigez le tagging avant le launch, pas après les plaintes.
Comment croiser conversations, search et usage filtres ?
Le triangulation VoC filtres valide une facette sur trois axes avant ship.
Matrice validation
Conversations : volume attribut en tickets/chat
Search : zero-result ou no-click sur terme lié
Usage post-launch : clics facette semaine 1-4 après ajout
Cas typiques
Fort chat + fort zero-result : ajouter facette + synonymes (priorité haute). Fort chat + search OK : renommer label ou améliorer visibilité filtre. Faible chat + filtre ignoré : retirer ou replier. Fort search no-click : problème relevance produits, pas filtre seul.
Post-mortem facette
30 j après launch : clics facette, delta tickets discovery collection, delta bounce PLP. Rollback si clics < 2 % et tickets inchangés.
Tableau de bord hebdo (15 min)
Ligne par collection : tickets discovery | zero-result top terme | clics facette top 3 | delta vs S-1. Anomalie : facette cliquée + tickets discovery stables = label confus ou mauvais ordre. Anomalie : zero-result en hausse sans ticket = clients abandonnent avant le chat, signal encore plus urgent.
Comment documenter une décision filtre (fiche FILTER-*) ?
Chaque fiche FILTER trace la décision pour éviter les débats trimestriels.
Champs obligatoires
ID : FILTER-2026-04
Action : add / rename / remove / synonym
Collection : handle Shopify
Attribut : metafield ou tag source
Preuve VoC : 3 verbatims + volume search
Label client : texte affiché PLP
Owner : e-com / merchandising
KPI cible : ex. tickets discovery −25 %
Statut : candidat / live / rollback
Boucle support
Quand facette live : macro agent « Utilisez le filtre [label] sur [collection] : [lien deep link] ». Voir conversations → fiches produit.
Quels anti-patterns en gouvernance filtres ?
Cinq erreurs taxonomie filtres annulent l'effort VoC.
Taxonomie ERP sur le storefront
« Sub-category B2 » visible client. Fix : LABEL-MAP section 7.
Ajouter sans tagger les SKU
Filtre « imperméable » avec 12 % produits tagués = zero-result garanti. Seuil 60 % data avant launch.
Ignorer mobile
15 filtres desktop, drawer mobile interminable. Prioriser top 5 par collection.
Conversations non lues
Analytics search seul : rate les questions nuancées (« robe bureau mais pas trop formelle »).
Pas de rollback
Facette live 90 j, 0 usage, jamais retirée. Revue trimestrielle clutter.
Comment Qstomy alimente-t-il la boucle conversations → filtres ?
Qstomy exporte les intents discovery non résolus vers votre backlog FILTER.
Fonctionnalités VoC filtres
Cluster mensuel verbatims plp_filter_help + product_search_fail
Attribut candidat auto-suggéré + volume SKU
Export FILTER-CANDIDAT CSV vers Notion
Deep link filtre dès facette live (section #196)
Alerte : attribut +50 % vs mois M-1
Scénario DTC chiffré
Marque outdoor, 8 collections > 80 SKU, filtres hérités thème, 62 tickets/mois discovery, zero-result search 14 %. Rituel VoC 60 min + export Qstomy clusters + 4 fiches FILTER sur 2 mois. Résultat : tickets discovery −41 %, clics facette nouvelles 8,2 % trafic PLP, zero-result search −19 %, handoff bot collection −27 %.
Explorez intégration Shopify, analytics, demander une démo.
Lien taxonomie tickets
Alignez les tags Gorgias discovery avec les facettes live via taxonomie tickets (#135) : quand un agent tague filter_question:material, le rapport mensuel Qstomy agrège automatiquement vers FILTER-CANDIDAT si la facette matière n'existe pas encore.
Quels playbooks opérationnels lancer ce trimestre ?
Playbook 1 : baseline VoC (1 jour)
Export 90 j tickets discovery + search no results + bot logs. Top 30 verbatims. Première grille section 4.
Playbook 2 : audit data tags (4 h)
Top 3 collections trafic. % SKU avec métachamps candidats. Identifier gaps tagging.
Playbook 3 : 1ère facette pilote (1 semaine)
Score FILTER #1. Tag bulk SKU. Config Search & Discovery. LABEL-MAP. Macro support. Mesurer 30 j.
Playbook 4 : rituel mensuel (60 min récurrent)
Agenda section 6. Owner fixe. Partager wins support (« filtre matière live, −12 tickets/semaine »).
Playbook 5 : synonymes search (2 h)
Top 10 zero-result → groupes synonymes Shopify. Aligner avec LABEL-MAP. QA 10 recherches manuelles.
Playbook 6 : zero-result sprint (3 h)
Export Shopify « Searches with no results » 30 j. Pour chaque terme ≥ 5 occurrences : synonyme search OU nouvelle facette OU redirect collection. StoreBuilt estime qu'un sprint zero-result récupère 15 à 25 % des recherches perdues en une itération (StoreBuilt, zero-result 2026).
Maillage utile
Vos clients vous disent déjà quels filtres ils veulent. Ils le font dans le chat, au téléphone, en search ratée. Quand chaque conversation discovery devient une ligne FILTER actionnable, le catalogue cesse d'être un labyrinthe et devient un choix guidé.
Enzo
28 juin 2026
