E-commerce
28 juin 2026
Un produit peut générer du trafic, des clics publicitaires et zéro vente. GA4 montre l'abandon, pas la cause. Souvent, le client ne comprend pas ce qu'il achète. Les questions clients récurrentes sur un même SKU révèlent les produits mal compris avant retours et avis négatifs.
Forrester estime que 53 % des acheteurs abandonnent s'ils ne trouvent pas rapidement une réponse (Dori, questions PDP non répondues). Gorgias documente qu'environ 1 ticket sur 9 est une question pré-achat, traitée comme coût alors que c'est un signal conversion (Gorgias, vitesse pré-achat 2025).
Ce guide #109 se concentre sur l'analytics produit : détecter, scorer et prioriser les fiches confuses via données conversationnelles. Distinct de merchandising via conversations (#108) (boucle assortiment) et de produits générant tickets (ratio tickets / vente, angle coût SAV).
Summary
Qu'est-ce qu'un produit mal compris en e-commerce ?
Un produit mal compris e-commerce est un SKU dont la promesse, les specs ou l'usage ne sont pas assimilés par le visiteur avant achat.
Symptômes business mesurables
Trafic élevé, conversion faible : écart vs médiane catalogue
Questions répétitives pré-achat : même intent 20+ fois / mois
Taux retour élevé : motif « ne correspond pas à l'attente »
Avis mitigés : « bien mais pas ce que je pensais »
Temps PDP long sans ATC : hésitation, scroll sans action
Confusion vs mauvais produit
Produit défectueux = qualité fournisseur. Produit mal compris = communication. Le second se corrige sans changer de supplier. Zoovu parle de « confidence gap » : le client atterrit sur la PDP mais repart sans certitude (Zoovu, gap confiance PDP 2026).
Distinction articles voisins
#108 = actions merchandising assortiment. #109 = détection analytics par SKU et score priorisation. Guide PDP (#product-pages) = comment corriger une fiche une fois le SKU identifié.
Quels signaux révèlent une confusion produit ?
Les signaux confusion produit se trouvent dans conversations, comportement site et post-achat.
Signaux conversationnels
Volume questions / SKU : normalisé par trafic PDP
Intent clarification produit : tag bot ou Gorgias `confuse_*`
Requêtes non matchées PDP : bot ne trouve pas réponse
Handoff rate élevé : agent requis sur même SKU
Verbatim répétitifs : « C'est pour quoi exactement ? »
Signaux comportementaux GA4
Conversion PDP : vs moyenne site
Scroll depth élevé sans ATC : lit tout, n'achète pas
Exit vers recherche interne : cherche autre produit
Temps page long : hésitation sans conversion
Signaux post-achat
Return reason « not as described », ticket J+3 « comment utiliser », avis mots-clés confusing / misleading. Dori recommande de suivre le volume de questions par produit et le taux conversation-achat : la relecture de transcripts révèle ce que la PDP n'explique pas.
Seuil alerte indicatif : questions / trafic PDP > 2× médiane catalogue OU conversion < 50 % médiane avec trafic > 500 / mois. Voir tagger conversations.
Comment calculer un score de confusion par SKU ?
Un score confusion produit normalise les signaux pour comparer SKU entre eux.
Formule opérationnelle (0-100)
Score = (QPM × 30) + (Gap CR × 25) + (Gap retour × 20) + (Unmatched rate × 15) + (Handoff rate × 10), plafonné à 100.
QPM : questions pré-achat / 100 sessions PDP (normalisé vs médiane catalogue)
Gap CR : (médiane CR − CR SKU) / médiane CR, min 0
Gap retour : (taux retour SKU − médiane) / médiane, min 0
Unmatched rate : % requêtes bot sans réponse sur ce PDP
Handoff rate : % conversations escaladées agent
Interprétation des seuils
0-39 : clair, monitoring standard
40-59 : surveiller, enrichissement PDP planifié
60-79 : priorité correction sous 14 j
80+ : urgent, risque ads gaspillées et retours
Template spreadsheet
Colonnes : SKU, sessions PDP, questions 30 j, QPM, CR, retour %, unmatched %, handoff %, score, owner, statut fix. Recalcul mensuel. Zipchat : agir si motif ≥ 5 % des chats pertinents ou ≥ 20 occurrences / 30 j (Zipchat, transcripts vers hypothèses).
Quels types de confusion produit existent-il ?
Classifier la typologie confusion produit oriente l'action corrective.
Six types et actions ciblées
Usage ambigu : « à quoi ça sert ? » → section « Idéal pour / Pas pour » + vidéo 30 s
Specs manquantes : dimensions, poids, matière → tableau specs above fold
Comparatif interne : « différence A et B ? » → tableau comparatif ou page dédiée
Fit / compatibilité : taille, peau, appareil → guide interactif + retour facile
Contenu pack : « qu'est-ce qui est inclus ? » → photo contenu box + liste items
Promesse floue : « ça fait quoi concrètement ? » → bénéfices client, pas jargon technique
Tags Gorgias recommandés
`confuse_usage`, `confuse_specs`, `confuse_compare`, `confuse_fit`, `confuse_pack`, `confuse_promise`. Aligner intents bot sur mêmes catégories pour dashboard unifié.
Verticals à risque : cosmétique, tech, mode, alimentaire allergènes, B2B specs techniques. Voir questions compatibilité, produits complexes.
Comment construire un dashboard produits confus ?
Un dashboard produits confus centralise score, tendance et verbatim pour décision rapide.
Phase 1 : Google Sheets (semaine 1)
Onglet Score : top 50 SKU par trafic, formule score, tri décroissant
Onglet Verbatim : 5 citations anonymisées par SKU top 10
Onglet Actions : owner, deadline, statut, delta score 30 j
Phase 2 : Looker / Metabase
Join bot logs (product_id, intent) + GA4 (sessions, CR) + Shopify (retours, ventes). Graphique WoW score top 20. Alerte Slack si spike unmatched > 50 % sur hero SKU.
Rituels dashboard
Hebdo : export questions par product_id. Mensuel : revue top 20 rank partagée support + e-commerce. Lancement nouveau SKU : monitor score daily 30 premiers jours, pas mensuel.
Quel processus mensuel pour détecter et corriger ?
Le processus détection confusion tourne en boucle reproductible en 4 étapes.
Étape 1 : collecte (J1-J3)
Export 30 j : chat, bot, tickets tag confuse_* + GA4 CR PDP + retours Shopify par SKU. Calcul score tous SKU > 200 sessions / mois.
Étape 2 : analyse (J4-J5)
Revue 30 min : top 5 score > 60. Classifier type confusion. Lire 10 verbatim par SKU prioritaire. Identifier fix minimal : copy, visuel, accordéon questions, vidéo.
Étape 3 : correction (J6-J14)
Max 3 SKU / mois en PME. Owner e-commerce, deadline 5 j ouvrés par hero SKU. Sync corpus bot + macros agents même jour que deploy PDP.
Étape 4 : mesure (J15-J45)
Compare QPM, CR, retour %, score 30 j avant / après. Close loop revue suivante. SLA interne : hero SKU score > 70 → action sous 14 j ouvrés.
Voir conversations → fiches produit, nettoyer corpus bot (#103).
Comment croiser conversations, GA4 et retours ?
Le triangulation analytics confusion évite les faux positifs (mauvais trafic ads, prix, stock).
Matrice de lecture croisée
Questions hautes + CR bas : confusion communication probable
CR bas + questions basses : prix, stock ou trafic non qualifié
Questions hautes + retours hauts : urgence max, fix ou delist
Questions post-achat dominantes : notice usage / packaging, pas PDP seule
Faux positifs à exclure
Produit niche B2B complexe : confusion acceptable si support convertit. Bundle multi-SKU : scorer bundle ID + composants individuels. Pic questions saisonnier (cadeau Noël) : comparer YoY, pas MoM seul.
PowerReviews et Q&A produit
Section questions-réponses sur PDP : si vide ou obsolète, les clients migrent vers chat. PowerReviews documente l'impact confiance des réponses produit en temps réel (PowerReviews, Q&A et conversion).
Quand corriger la PDP vs delister ou repositionner ?
Arbitrer corriger vs delister produit confus selon score, historique fix et marge.
Corriger la PDP si
Score 40-79, type confusion identifié (specs, usage, comparatif)
Hero SKU trafic ads : ROI fix immédiat
Premier fix : jamais enrichi depuis lancement
Repositionner si
Comparatif constant avec autre SKU interne : fusionner messaging ou créer page comparatif
Audience mismatch : ads attirent mauvais profil
Delister ou pause ads si
Score > 80 après 2 fixes ratés sur 60 j
Retours > 20 % motif « not as described »
Coût support + retours > marge unitaire
WOW24-7 estime que jusqu'à 60 % du volume support sont des questions pré-achat : répondre vite convertit, laisser confus coûte (WOW24-7, support et conversion 2025). Voir objections pré-achat.
Comment automatiser la détection via bot et analytics ?
Automatiser la détection produits confus scale au-delà du spreadsheet manuel.
Intents bot dédiés
product_clarification : « c'est quoi ? »
usage_question : comment utiliser
compatibility_check : compatible avec X ?
compare_products : différence A et B
unmatched_product : fallback log pour scoring
Automatisations Shopify
Bot log product_id + intent + resolution → job score daily. Spike unmatched sur PDP : alerte Slack `#product-confusion`. Shopify Flow : retour « not as described » → metafield `confusion_flag` sur produit. Clustering NLP mensuel : regrouper questions similaires par SKU, label thème.
Comment mesurer l'amélioration après correction ?
Mesurer l'impact correction confusion prouve ROI et priorise le SKU suivant.
KPI before / after (30 j)
QPM : questions / 100 sessions, cible −30 %
Score confusion : cible < 40 post-fix hero
Conversion PDP : cible +10-20 % relatif
Taux retour SKU : cible −15 % motif description
Unmatched bot rate : trending down
Handoff rate : trending down
Holdout et reporting
SKU similaire non corrigé = contrôle si trafic comparable. Reporting exec trimestriel : 3 SKU corrigés → 3 deltas chiffrés. North star catalogue : % trafic-weighted avec score < 40, trending up.
Comment Qstomy identifie-t-il les produits confus ?
Qstomy identifie les produits mal compris via analytics intents par SKU Shopify.
Capacités clés
Classement confusion : dashboard top SKU par volume questions
Breakdown intent : usage vs specs vs comparatif
Unmatched par PDP : gap contenu détecté
Alertes tendance : spike semaine sur semaine
Échantillons verbatim : citations anonymisées par SKU
Suivi before / after : KPI post mise à jour corpus
Scénario DTC chiffré
Marque skincare, masque visage nouveau lancement : 180 questions / mois « usage quotidien ou hebdo ? », CR 0,8 %, score confusion 74, rank #2 catalogue.
Qstomy flag cluster + verbatim. Équipe ajoute section usage + accordéon 4 questions + sync bot. Résultat 30 j : QPM −45 %, CR 0,8 % → 1,4 %, score 74 → 38, tickets usage −52 %.
Le classement confusion alimente la revue merchandising #108. Explorez support IA, agent vente IA, demander une démo.
Quels playbooks opérationnels lancer cette semaine ?
Playbook 1 : score top 10 trafic
Export sessions PDP + questions 30 j sur 10 hero SKU. Calculez QPM et score simplifié. Listez top 3 score > 50 avec type confusion probable.
Playbook 2 : lecture 5 verbatim
Par SKU top 3, lisez 5 transcripts bruts. Notez mot exact client + bloc PDP manquant. Assignez owner et deadline correction sous 7 j.
Playbook 3 : tags confuse_* sur 50 tickets
Taggez 50 derniers tickets pré-achat. Répartissez par type confusion. Comparez avec intents bot : écarts = angles morts tagging.
Playbook 4 : triangulation GA4
Pour SKU score > 60 : croisez CR, bounce, scroll depth, retours. Si questions hautes + CR bas : fix PDP prioritaire. Si CR bas seul : auditez trafic ads.
Playbook 5 : mesure 30 j post-fix
Après correction hero SKU, snapshot score + QPM + CR J0. Revue J+30 : delta documenté Notion. Boucle : détecter → corriger → mesurer → capacity pour SKU suivant.
Maillage utile
Chaque question répétée est un audit produit gratuit : structurez la détection avant le prochain retour.
Enzo
28 juin 2026
