Mis à jour le 1er novembre 2026. Cet article regroupe désormais notre article « Prédire l’abandon de panier avec les données serveur ». Ajouts : les chiffres de Baymard sur l’abandon de panier, la règle de la CNIL sur les relances par e-mail, l’obligation d’informer en cas de prix personnalisé, la transparence des recommandations prévue par le DSA et la sanction SHEIN sur les cookies.
Personnaliser une boutique en ligne consiste à adapter ce que voit un visiteur (produits mis en avant, ordre d’une catégorie, messages, relances) selon ce que le site sait de lui. L’IA n’est qu’un des moyens d’y parvenir, rarement le premier. Ce guide couvre le choix du niveau, les données utilisables, l’abandon de panier et la mesure.
Trois niveaux de personnalisation
| Niveau | Exemple | Données nécessaires | Avantage | Limite |
|---|---|---|---|---|
| Règles et segments | Rappeler les produits consultés, message différent pour un client connecté | Peu | Lisible, testable, explicable | Devient lourd au-delà de quelques dizaines de règles |
| Recommandation par contenu | Proposer des produits aux attributs proches | Fiches bien renseignées | Fonctionne sur un site récent | Propose des produits trop semblables |
| Filtrage collaboratif, modèles prédictifs | « Les clients qui ont acheté ceci ont aussi acheté », score de risque d’abandon | Beaucoup d’interactions | S’adapte aux comportements | Démarrage à froid, coût, suivi |
Le filtrage collaboratif exige un volume d’interactions que la plupart des petites boutiques n’ont pas : c’est le problème du démarrage à froid. Une recommandation fondée sur les attributs des fiches, ou les produits associés saisis à la main dans PrestaShop, donne souvent de meilleurs résultats au départ. L’IA devient utile sur les gros catalogues, pour rapprocher des fiches à partir de leur texte, ou pour repérer des tendances dans un grand volume d’interactions.
Les données utilisables
| Donnée | Exemple d’usage | Point de vigilance |
|---|---|---|
| Contenu du panier | Rappel du panier au retour | Le traceur qui conserve le panier est exempté de consentement |
| Historique d’achat d’un client | Produits complémentaires | Finalité à indiquer dans la politique de confidentialité |
| Navigation suivie par des traceurs non essentiels | Recommandations selon les pages vues | Consentement préalable |
| Journaux du serveur | Erreurs sur le tunnel d’achat, lenteurs | Les adresses IP sont des données personnelles |
| Données déduites (âge, situation familiale) | À proscrire | Peu fiables, juridiquement risquées |
Des fiches incomplètes ou des événements mal suivis produisent des suggestions hors de propos, quel que soit le modèle. Le principe de minimisation du RGPD s’applique : ne collectez que ce qui sert un usage défini et fixez une durée de conservation.
Recommandations produits : les règles de base
- Un objectif par bloc. Un bloc « complétez votre achat » sur la fiche produit et un bloc « nouveautés » sur l’accueil ne se mesurent pas de la même façon.
- Des emplacements d’exploration. Un système qui ne montre que ce que le visiteur a déjà vu rétrécit la gamme visible. Gardez des sélections éditoriales et des nouveautés hors profil.
- Aucun critère sensible. Ni directement, ni par une variable qui en tient lieu. Vérifiez ce que le système montre à différents segments : voir les biais algorithmiques en e-commerce.
- Un coût anticipé. Hébergement, appels d’API et temps de surveillance : voir le coût de 1 000 conversations d’un assistant de boutique.
Abandon de panier : commencer par les causes
Le Baymard Institute calcule un taux moyen d’abandon de panier de 70,22 %, à partir de 50 études (mise à jour du 22 septembre 2025). Son enquête auprès d’acheteurs américains classe les raisons d’abandon pendant la commande, hors simple navigation :
| Raison | Part des acheteurs |
|---|---|
| Frais supplémentaires trop élevés (livraison, taxes) | 40 % |
| Livraison trop lente | 20 % |
| Manque de confiance pour saisir sa carte | 19 % |
| Création de compte obligatoire | 18 % |
| Commande trop longue ou compliquée | 17 % |
| Erreurs ou plantages du site | 17 % |
| Coût total non visible dès le départ | 12 % |
Aucune de ces causes ne demande un modèle d’IA. Afficher les frais de livraison tôt, permettre la commande sans compte et corriger les erreurs du tunnel sont les premiers chantiers.
Ce que les journaux du serveur montrent
Les journaux d’accès permettent de repérer les erreurs 4xx et 5xx sur les étapes du panier et du paiement. Le format par défaut n’enregistre pas le temps de réponse : ajoutez $request_time et $upstream_response_time avec Nginx, ou %D (en microsecondes) avec Apache.
log_format avec_temps '$remote_addr [$time_local] "$request" $status '
'$body_bytes_sent "$http_user_agent" '
'$request_time $upstream_response_time';Les journaux applicatifs ajoutent le contexte métier (code promotionnel refusé, frais de port en erreur). Filtrez les robots et regroupez les événements par session plutôt que par adresse IP. Pour lire ces journaux, voir analyser les logs Nginx ; pour les causes de lenteur, le diagnostic d’un serveur PrestaShop surchargé.
Le serveur ne voit ni le concurrent ouvert dans un autre onglet, ni le prix jugé trop élevé, ni le rendu dans le navigateur. Un modèle n’en tire que des corrélations : si le temps de réponse ressort, cela reste une hypothèse à tester, côté serveur ou côté Core Web Vitals.
Un score de risque d’abandon : à quelles conditions
Un modèle de classification (régression logistique comme référence, forêt aléatoire ou gradient boosting ensuite) peut estimer le risque qu’un panier soit abandonné à partir de variables de session : durée, pages vues, ajouts et retraits du panier, erreurs, allers-retours sur le paiement, temps de réponse. Quatre précautions :
- Pas de fuite de données. Aucune variable ne doit contenir l’information de paiement ou de validation, sinon le modèle lit la réponse.
- Une validation par date. Entraînez sur les semaines anciennes, testez sur les plus récentes, et jugez avec l’AUC et la matrice de confusion plutôt qu’avec l’exactitude.
- Un calcul hors du parcours. Calculez les scores par lots ou via un service séparé, avec délai maximal et repli : la commande doit aboutir sans le modèle.
- Des usages qui ne nuisent pas. Alerter le support, corriger le tunnel, proposer l’aide sur la livraison. Ne jamais bloquer une commande, modifier un prix ou déclencher une remise selon le score.
Relancer par e-mail : la règle de la CNIL
Pour un particulier, la prospection par e-mail suppose un consentement préalable, sauf pour un client existant et des produits analogues. La CNIL précise que cette exception ne couvre pas une personne qui a créé un compte sans rien acheter. Un e-mail de relance de panier adressé à un visiteur qui n’a jamais commandé doit donc reposer sur un consentement recueilli avant l’envoi. La mise en place des scénarios est décrite dans le guide email marketing pour PME.
Consentement et transparence
Cookies et traceurs
La CNIL rappelle qu’un traceur non essentiel ne peut être déposé qu’après consentement, que refuser doit être aussi simple qu’accepter, et que la publicité personnalisée relève du consentement. Sont exemptés les traceurs strictement nécessaires, comme le panier, l’authentification ou une personnalisation d’interface attendue dans le service. Le 1er septembre 2025, la CNIL a sanctionné SHEIN de 150 millions d’euros, notamment pour des cookies publicitaires déposés dès l’arrivée sur le site, avant tout choix, et d’autres déposés après un refus. Testez votre bandeau : aucun traceur de personnalisation ne doit être lu avant l’acceptation.
Profilage
Le profilage impose d’informer les personnes (articles 13 et 14 du RGPD) et de respecter leur droit d’opposition (article 21). Si une décision automatisée produit des effets significatifs, comme le refus d’une offre ou d’un paiement, l’article 22 doit être examiné.
Prix personnalisés
La directive (UE) 2019/2161 oblige le professionnel à informer le consommateur lorsqu’un prix a été personnalisé sur la base d’une prise de décision automatisée. Elle distingue ce cas de la tarification dynamique, qui varie selon la demande. Sans avis juridique, ne personnalisez pas les prix selon le profil.
Recommandations et chatbot
L’article 27 du règlement sur les services numériques (DSA) impose aux plateformes en ligne qui utilisent des systèmes de recommandation d’en décrire les principaux paramètres dans leurs conditions générales et d’indiquer les options permettant de les modifier. L’article 19 exclut les micro et petites entreprises de cette section ; expliquer pourquoi un produit est proposé reste une bonne pratique. Enfin, selon la Commission européenne, l’AI Act impose depuis août 2026 d’informer les personnes qu’elles échangent avec une machine : un assistant conversationnel doit le signaler.
Mesurer l’effet
Une personnalisation se juge contre une version témoin, pas à l’impression qu’elle donne :
- Écrivez l’hypothèse et l’indicateur principal avant le lancement (clics sur le bloc, ajouts au panier, commandes).
- Répartissez les visiteurs au hasard entre témoin et version testée, et gardez le témoin jusqu’au bout.
- Fixez la durée et l’échantillon à l’avance ; n’arrêtez pas au premier écart.
- Suivez des indicateurs de garde-fou : panier moyen, retours, réclamations, désinscriptions.
- Analysez avec un test statistique adapté, en tenant compte de la saisonnalité.
Un résultat non significatif reste une information. Après mise en service, surveillez la dérive : un nouveau catalogue ou tunnel impose un nouvel entraînement.
Par où commencer
- Corrigez les causes connues d’abandon : frais affichés tôt, commande sans compte, erreurs du tunnel.
- Testez deux ou trois règles simples, avec un groupe témoin.
- N’envisagez un modèle que si le volume de données le permet et que les règles plafonnent. Pour les usages marketing plus larges, voir IA et marketing en PME.
Questions fréquentes
Faut-il un consentement pour recommander des produits ?
Cela dépend des données. Rappeler le contenu du panier ou proposer des produits associés à la fiche consultée ne demande pas de traceur soumis à consentement. Une recommandation fondée sur la navigation suivie par des traceurs non essentiels suppose un consentement préalable.
Puis-je relancer un panier abandonné par e-mail ?
Pour un client existant, l’exception des produits analogues peut s’appliquer, avec une opposition simple. Pour un visiteur qui a seulement créé un compte, la CNIL exige un consentement préalable.
À partir de quand l’IA est-elle utile ?
Quand le catalogue et le trafic dépassent ce que des règles manuelles peuvent couvrir, et que des données propres existent. Sur une petite boutique, règles et recommandations par attributs suffisent souvent.
Un modèle prédictif peut-il ralentir le site ?
Oui, s’il est appelé à chaque requête sur le serveur principal. Calculez les scores par lots ou via un service séparé, avec un délai maximal et un repli.
Sources
- Baymard Institute : Cart Abandonment Rate Statistics (mis à jour le 22 septembre 2025)
- CNIL : la prospection commerciale par courrier électronique (10 juin 2026)
- CNIL : cookies et traceurs, que dit la loi ?
- CNIL : cookies déposés sans consentement, sanction de 150 millions d’euros contre SHEIN (septembre 2025)
- EUR-Lex : règlement (UE) 2016/679, RGPD
- EUR-Lex : directive (UE) 2019/2161 (modernisation des règles de protection des consommateurs)
- EUR-Lex : règlement (UE) 2022/2065, DSA
- Commission européenne : cadre réglementaire de l’IA (mis à jour le 19 octobre 2026)
- Nginx : module ngx_http_log_module
- Apache : mod_log_config
