E-commerce
28 juin 2026
Certains SKU représentent 5 % de vos ventes mais 30 % de vos tickets support. Sans méthode pour relier tickets et produits, ces articles problématiques restent invisibles jusqu'à ce qu'ils grignotent marge et satisfaction.
Ce guide propose une méthode simple pour détecter les produits qui génèrent trop de support : collecter les données, calculer un score tickets par unité vendue, identifier les causes racines et déclencher les bonnes actions côté fiche, qualité ou logistique.
Il complète l'analyse coût support (#77, angle rentabilité par type de demande) et les insights produit depuis le support avec un focus opérationnel SKU par SKU, reproductible en spreadsheet.
Summary
Pourquoi certains SKU absorbent-ils un volume de support disproportionné ?
Un produit générateur de tickets n'est pas forcément un mauvais produit. Souvent, c'est un article complexe, mal décrit, logistiquement fragile ou lancé trop vite sans fiche mature.
Symptômes visibles en équipe
Même question en boucle : 20 fois par mois sur un SKU, agents copient-collent la même macro
Retours récurrents : motif « not as described », taille ou qualité sur ce produit seul
Avis mitigés : thème identique dans les 1-3 étoiles
Conversion PDP faible : trafic élevé, achat bas, questions pré-achat nombreuses
Escalades systématiques : junior transfère toujours ce SKU au senior
Impact business concret
Coût support + retours peut dépasser la marge unitaire. Chaque lancement sans veille répète les erreurs passées.
Exemple chiffré
Casque Bluetooth SKU-881 : 120 ventes/mois, 48 tickets (ratio 0,4 ticket/vente). Médiane boutique 0,08. Coût support estimé 576 €/mois pour 4 200 € de marge brute : 14 % de marge absorbée par le SAV seul.
Distinction vs analyse coût (#77)
L'article sur le coût support et marges répond à « quelles demandes coûtent cher ? ». Ici, la question est « quels produits concentrent ces demandes ? » Deux vues complémentaires : type de ticket × SKU vendu.
Références utiles : variante produit, fiche produit (PDP).
Quels signaux croiser avant de désigner un produit problématique ?
Ne condamnez pas un SKU sur un seul indicateur. Le diagnostic produit support gagne en fiabilité quand vous croisez plusieurs sources.
Signaux support direct
Tickets tagués SKU : helpdesk, chat, Instagram unifié
Intents bot : questions par URL produit ou product_id
Temps de résolution : plus long que la moyenne catalogue
Repeat contact : client revient sur le même sujet produit
Signaux vente et qualité
Unités vendues : dénominateur indispensable du score
Taux de retour : par motif et par line item SKU
Conversion PDP : vs moyenne catalogue ou collection
Panier et annulations : cross-sell raté ou abandon post-question
Signaux qualitatifs
Verbatims agents, avis 1-3 étoiles, retours QC. Pattern Owl recommande de segmenter tickets par thème et SKU : « 40 % des plaintes livraison concernent l'emballage du SKU-ABC » oriente une décision concrète (Pattern Owl, analyse tickets produit).
Faux positifs à écarter
Best-seller = volume absolu élevé mais ratio normal. Toujours normaliser par unité vendue. Fenêtre minimum 90 jours (30 jours si lancement récent). Séparer pré-achat (fiche) et post-achat (qualité, logistique) dans vos tags.
Voir analyser les motifs de retour et analytics conversations.
Comment relier tickets support et SKU en six étapes ?
La méthode tickets par SKU tient en six étapes exécutables en une demi-journée, sans BI lourde. Indellia insiste sur la normalisation : le même produit porte des identifiants différents selon les canaux ; votre référence interne SKU doit être la clé unique (Indellia, feedback par SKU).
Étape 1 : lister les SKU actifs
Export Shopify : SKU, titre, collection, unités vendues sur 90 jours. Exclure les SKU archivés sauf s'ils ont encore des tickets ouverts.
Étape 2 : exporter les tickets
Helpdesk (Gorgias, Zendesk…) : id, date, tags, SKU ou produit mentionné, temps résolution, canal, phase funnel.
Étape 3 : normaliser le rattachement SKU
Ticket sans SKU : matcher via numéro commande, email client → dernière commande, mot-clé titre produit. Objectif : moins de 10 % « unknown » avant toute décision Critical.
Étapes 4 à 6 : compter, ratio, classer
Pivot SKU × volume tickets 90 j. Calculer TPU = tickets / unités vendues. Top 10 TPU et top 10 volume absolu : l'intersection = priorité maximale.
Fréquence et ownership
Analyse complète trimestrielle, flash top 5 mensuel. Support exporte, e-commerce valide, produit arbitre. Première passe manuelle : 3-4 h. Maintenance mensuelle : 45 min avec template figé.
Comment calculer le score TPU et fixer ses seuils d'alerte ?
Le score TPU (tickets per unit sold) normalise la comparaison entre best-sellers et long tail. C'est l'indicateur le plus simple pour relier SAV et catalogue.
Formule de base
TPU = (tickets période sur le SKU) / (unités vendues période sur le SKU). Exemple : 30 tickets / 150 ventes = 0,20 TPU.
Score composite optionnel
Support Score = (TPU × 40) + (taux retour × 30) + (écart conversion PDP × 30), pondération ajustable.
Seuils indicatifs DTC
TPU < 0,10 : normal, monitoring passif
TPU 0,10 - 0,25 : surveillance, enrichir la fiche
TPU 0,25 - 0,50 : alerte, audit produit + support sous 10 jours
TPU > 0,50 : critique, action sous 2 semaines, pause ads possible
Contexte secteur et volume minimum
Mode taille : TPU 0,15 courant. Électronique technique : 0,25 acceptable si SAV inclus. Ne pas flagger un SKU avec moins de 20 ventes/90 j : ratio instable. Référence interne = TPU médian catalogue ; SKU > 2× médian = outlier.
Priorisation finale
Score priorité = TPU × ventes × marge unitaire. 200 ventes, 55 tickets, CPT 9 € : coût support SKU = 495 €, soit 2,48 € par unité vendue. Croisez avec l'analyse coût support pour chiffrer l'impact P&L.
Quelles sources de données connecter pour un rapport fiable ?
La qualité du rapport SKU support dépend des sources connectées et du taux de matching.
Helpdesk et chat
Champ custom SKU ou lien commande Shopify. Macro de clôture obligatoire avec dropdown produit. Gorgias + Shopify : sidebar commande pré-remplit le SKU, réduit les « unknown » sous 5 %.
Bot et analytics conversationnels
Logger URL PDP ou product_id à chaque conversation. Intent `size_question` 3× plus fréquent que la médiane sur un SKU = signal précoce avant explosion tickets helpdesk.
Voir analytics conversations.
Shopify, retours, avis, ops
Commandes et retours : export line item SKU + motif Loop/Returnly
Avis : Judge.me, Yotpo, export 1-3 étoiles par produit
3PL / QC : taux casse ou erreur pick par SKU si disponible
Ordre de matching tickets orphelins
Numéro commande dans le ticket
Email client → dernière commande contenant le SKU
Mot-clé titre produit dans sujet ou corps
Sélection agent dans dropdown à la clôture
Pattern Owl note qu'un retour « didn't fit » est un signal produit ; « arrived damaged » un signal fulfillment : croisez les deux (Pattern Owl, tickets et amélioration produit).
Comment construire un tableau de pilotage sans BI complexe ?
Pas besoin de Looker ou Snowflake pour démarrer. Un tableau SKU support Google Sheets suffit jusqu'à 500 commandes/mois, voire au-delà avec imports CSV mensuels.
Colonnes du template
SKU, titre, collection
Ventes 90 j, tickets 90 j, TPU
Retours, return rate, conv PDP
Coût support est., statut, action owner
Formules et visualisation
TPU = tickets / ventes. Statut via IF imbriqués sur seuils. Graphique scatter : axe X ventes, axe Y TPU. Quadrant haut-droite = priorité. Mise en forme conditionnelle : rouge TPU > 0,5, orange > 0,25, vert < 0,10.
Onglets et refresh
Onglet « Top 10 alert » + « Actions en cours » partagé Slack #sku-support. Import CSV mensuel Gorgias + Shopify Analytics. À l'échelle : join tickets + line items dans BI.
Voir data analytics Qstomy et analytics e-commerce à tracker. Documentation Shopify : rapports produits.
Quelles causes racines expliquent un TPU élevé sur un SKU ?
Un SKU flaggé ne se corrige pas au hasard. Identifiez la cause racine support via tags secondaires sur un échantillon de 30 tickets du SKU.
Cause 1 : fiche produit insuffisante
Questions taille, compatibilité, contenu du pack répétées. Fix : enrichir PDP, hub questions-réponses inline, vidéo usage. Voir améliorer fiches via conversations.
Cause 2 : attentes vs réalité
Photos ou copy sur-promettent. Fix : recette photo honnête, avis négatifs adressés en visible.
Cause 3 : qualité produit ou défaut lot
Garantie, casse, dysfonctionnement. Fix : QC fournisseur, recall lot, notice clarifiée.
Cause 4 : complexité d'usage
Setup, app pairing, calibration. Fix : guide onboarding, bot étape par étape. Voir vendre produits complexes.
Cause 5 : logistique, emballage ou variantes
Casse transport, pièce manquante, confusion couleur/taille. Fix : emballage, contrôle pick, audit variantes Shopify.
Taxonomie causes
Tags `cause_pdp`, `cause_quality`, `cause_logistics`. Interview 15 min agent expérimenté sur le SKU pour capturer verbatims clients.
Quel plan d'action selon le niveau Watch, Alert ou Critical ?
Chaque SKU alerte support déclenche un plan calibré, pas une réaction panique.
Niveau Watch (TPU 0,10-0,25)
Enrichir fiche : top 3 questions en bloc questions-réponses inline
Bot : intents SKU prioritaires sur la PDP
Monitoring : revue TPU M+1
Niveau Alert (TPU 0,25-0,50)
Audit complet PDP : copy, visuels, specs, mobile
Réunion support + produit : 30 min dossier SKU
QC lot récent : échantillon contrôle entrepôt
Deadline : actions sous 10 jours ouvrés
Niveau Critical (TPU > 0,50)
Pause ads SKU : stopper acquisition sur produit défaillant
Décision produit : fix, reformulation ou retrait temporaire (draft Shopify)
Macro agent unifiée : réponses cohérentes pendant le fix
Suivi hebdo : jusqu'à TPU < 0,25
Matrice action × cause
Cause PDP → e-commerce. Cause qualité → produit/fournisseur. Cause logistique → ops. Documentez dans une fiche Notion : historique TPU, actions, résultat 30 j post-fix. Test A/B fiche 2 semaines sur SKU Alert : mesurer TPU et conversion PDP.
Comment installer un rituel mensuel produit × support ?
Sans rituel, l'analyse TPU reste un one-shot. Installez une revue SKU support de 45 minutes.
Agenda type
Support présente top 5 TPU (10 min)
E-commerce statut actions fiche (10 min)
Produit/Ops causes qualité et logistique (10 min)
Assignation owners + deadlines (10 min)
Revue SKU résolus mois précédent (5 min)
Participants et livrables
Support lead, e-commerce manager, responsable produit ou ops. Direction trimestrielle si Critical. Livrables : spreadsheet à jour, actions Slack #sku-support, tendance TPU médian catalogue.
Lancements et collections
Todo lancement : TPU J+30, J+60, J+90. Si 6 SKU d'une collection en alerte : problème collection, pas SKU isolé.
Voir insights produit depuis le support. Célébrez les résolutions : SKU passé de Critical à OK, partagez l'économie support estimée.
Quels KPI suivre et quelles erreurs éviter ?
Pilotez la détection produits support avec KPI clairs et garde-fous anti-piège.
KPI programme
TPU médian, SKU Alert/Critical, coût top 10
% tickets SKU connu (> 90 %), délai résolution alerte
Erreurs fréquentes
Punir le SKU sans cause : action aléatoire inefficace
Ignorer volume absolu : long tail TPU haut mais 3 ventes
Pas de suivi post-action : fix non mesuré
Silos : support seul sans produit
Saisonnalité et coût opportunité
SKU été : comparer TPU juin vs juin N-1. Agent 20 h/mois sur un SKU fixable par fiche = 560 € chargé ; enrichir la fiche 2 h = ROI immédiat. Gorgias estime que le support représente un poste majeur du budget CX DTC (Gorgias, statistiques support e-commerce).
Comment Qstomy identifie-t-il les SKU générateurs de tickets ?
Qstomy relie automatiquement conversations et SKU pour alimenter le score TPU sans export manuel hebdomadaire.
Fonctionnalités clés
Intent × product_id : heatmap questions par SKU
Rapport TPU et alertes lancement
Citations anonymisées et mesure post-fix
Sync Shopify : ventes, retours, tickets croisés
Scénario DTC chiffré
Accessoires tech DTC : SKU-4421 (hub USB-C) TPU 0,38, intent `compatibility`, 62 % tickets pré-achat. Tableau compatibilité ajouté PDP + bot : TPU 0,11 en 6 semaines, conversion PDP +19 %, coût support SKU −680 €/mois (CPT 9 €).
Explorez support IA, entraîner chatbot Shopify et demander une démo.
Quels playbooks lancer cette semaine ?
Playbook 1 : calculer le TPU de votre SKU #1 en volume
Exportez ventes et tickets 90 jours sur votre best-seller. TPU = tickets / ventes. S'il dépasse 2× la médiane catalogue, planifiez la première réunion produit × support.
Playbook 2 : imposer le champ SKU à la clôture ticket
Configurez dropdown produit obligatoire à la résolution. Mesurez % tickets avec SKU connu sur 7 jours : cible 90 % avant toute décision Critical.
Playbook 3 : export croisé ventes + tickets + retours
Shopify Analytics ventes par produit, Gorgias export tags, app retours motifs. Merge dans template TPU : colonnes SKU, ventes, tickets, TPU, return rate, statut Watch/Alert/Critical.
Playbook 4 : diagnostic cause racine sur top 3 TPU
Lisez 30 tickets par SKU prioritaire. Taggez cause_pdp, cause_quality, cause_logistics. Assignez owner et deadline 10 jours. Mesurez TPU à J+30 post-fix.
Playbook 5 : caler le rituel mensuel 45 min
Invite récurrente support + e-commerce + produit. Ordre du jour figé : top 5 TPU, statut actions, nouveaux lancements J+30. CR Notion avec KPI cible TPU post-fix.
Maillage utile
Exportez vos ventes et tickets des 90 derniers jours : le TPU transforme des anecdotes support en décisions produit chiffrées. Les produits qui crient le plus dans vos tickets méritent une attention prioritaire.
Enzo
28 juin 2026
