Cold start en e-commerce : comment recommander des produits sans historique de ventes ?

Une boutique vient d’ouvrir. Le catalogue est en ligne, les premiers visiteurs arrivent… mais le bloc « Produits recommandés » reste vide. Ce n’est pas forcément un problème de configuration : c’est souvent ce que l'on nomme le cold start, la période pendant laquelle un moteur ne dispose pas encore de suffisamment de données comportementales.

Qu’est-ce que le cold start ?

Le cold start désigne la difficulté à produire des recommandations lorsque les clics, paniers, achats ou évaluations sont trop peu nombreux pour révéler des habitudes fiables.

Il prend plusieurs formes :

• cold start produit : un nouvel article n’a encore reçu aucun clic ni achat ;
• cold start utilisateur : un visiteur est nouveau ou non identifié ;
• cold start boutique : le catalogue existe, mais l’historique d’interactions est trop réduit.

Le problème n’est pas l’absence totale d’information. Le catalogue contient déjà des noms, catégories, descriptions, attributs et parfois des images.

Pourquoi les moteurs classiques attendent-ils ?

Le filtrage collaboratif apprend principalement à partir de relations observées :

utilisateurs → interactions → habitudes → recommandations

Cette approche est très efficace lorsque le volume de données est suffisant. Elle peut découvrir qu’un produit est souvent acheté avec un autre, ou qu’un groupe de visiteurs apprécie les mêmes articles.

Mais une nouvelle boutique ne possède pas encore ces signaux. Un produit lancé hier n’a pas de co-achat à analyser. Afficher uniquement les meilleures ventes ou appliquer des règles manuelles peut dépanner, mais ne permet pas de comprendre finement les relations entre les produits.

Le filtrage collaboratif n’est donc pas mauvais : il répond simplement à une question différente. Il apprend des comportements réels, alors que le cold start demande d’abord de raisonner à partir du catalogue.

Recommander à partir du catalogue

La recommandation sémantique inverse le point de départ :

produits → sens et attributs → relations → recommandations

Chaque produit est transformé en représentation numérique appelée embedding. Cette représentation encode une partie du sens du nom, de la catégorie et de la description. Deux produits dont le contenu sémantique est proche peuvent ainsi se retrouver dans des zones voisines de l’espace vectoriel, même si aucun client ne les a encore comparés.

Par exemple, une fiche « montre de plongée étanche 200 m » peut être rapprochée d’autres montres de plongée présentant des caractéristiques comparables, dès le premier jour. Aucun clic n’est nécessaire pour établir cette première relation. Le marchand n’a donc pas besoin d’attendre plusieurs semaines ou plusieurs centaines de commandes avant que ses nouveaux produits puissent entrer dans les recommandations.

Cette approche ne remplace pas la qualité du catalogue. Une information absente — un diamètre, une tension ou une capacité — ne peut pas être devinée de manière fiable. Les données techniques connues doivent donc rester présentes dans les fiches produit.

Comment RecoKit fonctionne dès le jour 0

Comprendre chaque produit

Lors de l’ingestion, RecoKit exploite le nom, la catégorie, la description et les attributs disponibles. Les fiches peuvent être nettoyées et enrichies ; lorsqu’une image est disponible et que le texte est pauvre, une description visuelle peut compléter le signal produit.

Distinguer similitude et complémentarité

Deux produits similaires répondent généralement au même besoin. Ils sont utiles pour comparer ou remplacer un article.

Deux produits complémentaires jouent des rôles différents. Une perceuse peut appeler des mèches, des lunettes de protection ou un outil de mesure. Une imprimante peut appeler des cartouches ; l’inverse n’est pas nécessairement vrai.

RecoKit distingue ces relations. Au démarrage, RecoKit s’appuie sur les relations déjà présentes dans le catalogue et sur la proximité entre les produits pour construire une première base de recommandations. Ces relations sont ensuite affinées à mesure que des signaux plus spécifiques deviennent disponibles.

Relier les intentions d’achat

Une recommandation utile ne relie pas seulement des objets. Elle relie aussi des intentions : installer, réparer, protéger, mesurer, entretenir ou compléter un projet.

RecoKit utilise une taxonomie d’intentions pré-construite couvrant plusieurs verticales. Dans le bricolage, l’intention « percer et fixer » peut être reliée à « se protéger » ou « mesurer ». Ces relations peuvent être utilisées avant même d’avoir observé un historique de commandes.

Vérifier avant de publier

La proximité sémantique ne suffit pas toujours. Un moteur peut trouver deux produits proches dans le langage, mais incompatibles dans la réalité.

Les candidats sont donc soumis à des contrôles de pertinence et, lorsque c’est nécessaire, de compatibilité. Pour une pompe et un filtre, le débit, la capacité ou les raccordements peuvent être déterminants. L’objectif est de ne pas transformer une ressemblance textuelle en recommandation automatique sans vérification.

Quand le cold start vous concerne-t-il ?

Le sujet est particulièrement important si vous lancez une nouvelle boutique, ajoutez régulièrement de nouveaux produits, publiez une collection saisonnière, vendez des produits de niche, ou disposez de peu de transactions.

Dans ces situations, attendre que chaque produit accumule suffisamment de clics peut retarder la valeur du moteur précisément au moment où les recommandations sont les plus utiles.

Une approche hybride dans la durée

La recommandation catalogue n’a pas vocation à ignorer les comportements. Elle fournit une base initiale, puis les clics, paniers et achats peuvent contribuer à la raffiner.

catalogue dès le lancement + signaux comportementaux progressivement disponibles
                              ↓
                    recommandations hybrides

L’intérêt est de ne pas devoir choisir entre une approche sémantique et une approche comportementale. La première réduit le délai de démarrage ; la seconde améliore progressivement la personnalisation à mesure que les données apparaissent.

Ce qu’il faut retenir

Le cold start ne signifie pas qu’un catalogue est vide d’information. Il signifie que l’historique comportemental ne suffit pas encore.

Une stratégie efficace consiste à exploiter immédiatement les données produit, distinguer les produits similaires des produits complémentaires, contrôler les relations sensibles — notamment les compatibilités techniques — puis intégrer les signaux de comportement lorsqu’ils deviennent fiables.

RecoKit est conçu autour de cette logique catalog-first : produire une première base de recommandations sans exiger un historique de clics ou d’achats, puis l’enrichir au fil de la vie de la boutique.

FAQ

Peut-on recommander des produits sans données clients ?

Oui, à condition de disposer d’informations produit suffisamment descriptives. Une approche sémantique peut exploiter les noms, catégories, descriptions, attributs et images avant l’arrivée des premiers clics.

Le cold start concerne-t-il uniquement les nouvelles boutiques ?

Non. Il concerne aussi chaque nouveau produit, chaque nouvelle collection et chaque visiteur sans historique exploitable. Egalement migration de boutique / changement de plateforme

La recommandation sémantique remplace-t-elle le filtrage collaboratif ?

Non. Elle répond au problème du démarrage. Les signaux comportementaux restent précieux et peuvent compléter la base catalogue lorsque le volume d’interactions augmente.

Une image peut-elle compenser une mauvaise fiche produit ?

Elle peut enrichir le signal disponible, mais elle ne remplace pas les données techniques précises. Les dimensions, capacités, tensions et compatibilités doivent être indiquées lorsqu’elles sont nécessaires.

Combien de commandes faut-il avant d'utiliser un moteur de recommandation ?

il n'existe pas de seuil universel ; cela dépend du nombre de produits, du trafic et de la distribution des interactions. Une approche catalog-first permet justement de ne pas conditionner le démarrage à l'atteinte d'un volume arbitraire.