Le contexte : une boutique WooCommerce bien construite, mais invisible la nuit

Denk Store est une boutique WooCommerce de mode créée pour tester en conditions réelles le déploiement de SuperVendeur IA. 25 produits soigneusement sélectionnés, des fiches produit correctes, un trafic organique en croissance. La boutique fonctionnait. Mais elle fonctionnait comme 95% des boutiques WooCommerce : les visiteurs arrivaient, cherchaient seuls, et repartaient la plupart du temps sans acheter.

Deux problèmes structurels revenaient dans les données de session :

• Les questions de soirée et de week-end sans réponse. 34% du trafic arrivait entre 20h et minuit. Aucun humain disponible. Les visiteurs qui avaient une question simple sur une taille ou une compatibilité partaient sans acheter.
• Les visiteurs qui comparaient sans décider. Les sessions longues (4+ minutes, 8+ pages vues) se terminaient en abandon à 78%. Le visiteur cherchait quelqu’un pour valider son choix. Personne n’était là.

C’est ce double problème qu’on a décidé de résoudre avec SuperVendeur IA. Pas pour « ajouter un chatbot ». Pour ajouter le vendeur qui manquait.

L’état de la boutique avant le déploiement

Pour établir une baseline honnête, j’ai mesuré les indicateurs clés sur les 60 jours précédant le déploiement (novembre-décembre 2025).

Le déploiement en 18 jours : ce qui s’est passé exactement

Le déploiement s’est déroulé en 4 phases. Voici le détail de chaque phase, ce qui a posé problème, et comment on l’a résolu.

3 conversations qui illustrent l’impact

Les chiffres résument le résultat. Les conversations montrent pourquoi. Voici 3 échanges représentatifs des premières semaines de production.

Conversation 1 · Le chercheur de cadeau (22h17, un lundi)

Ce qu’on a appris : 4 points que vous ne trouverez pas dans les études de cas marketing

1. La restructuration catalogue a plus d’impact que la configuration de l’agent

On a passé 2 jours à retravailler les fiches produit et 10 jours à configurer l’agent. Si c’était à refaire, on inverserait presque les proportions. Un agent bien configuré sur un catalogue pauvre fait des recommandations médiocres. Un agent simplement configuré sur un catalogue riche fait des recommandations pertinentes. La donnée d’entrée est tout.

2. L’upsell fonctionne seulement s’il est contextuel

La première version de l’agent proposait systématiquement un produit complémentaire après chaque recommandation. Le taux de refus était de 73%. On a reconfiguré : proposition d’upsell uniquement si le visiteur a exprimé une occasion (cadeau, événement) ou si le panier est sous le seuil de 70€. Le taux d’acceptation est passé à 41%. L’upsell agressif crée de la méfiance. L’upsell contextuel crée de la valeur.

3. Le ton de l’agent est un levier de conversion sous-estimé

On a testé deux tons pendant les 15 premiers jours : un ton formel (« Je vous recommande le produit suivant… ») et un ton direct (« 2 options dans votre budget : »). Le ton direct génère 23% de clics en plus sur les liens produit. Les visiteurs lisent une recommandation formelle comme un email commercial. Ils lisent une recommandation directe comme un conseil personnel.

4. Les métriques qui comptent ne sont pas celles qu’on mesure d’habitude

Le taux d’engagement (% de visiteurs qui interagissent avec l’agent) est une vanity metric. Ce qui compte : le taux de conversion des conversations (visiteurs ayant interagi avec l’agent qui ont acheté), la valeur moyenne des paniers assistés vs non assistés, et le taux de résolution des questions sans intervention humaine. Ces 3 chiffres donnent le ROI réel de l’agent.

Questions sur ce déploiement