Produits complémentaires vs produits supplémentaires : pourquoi la distinction compte en e-commerce

Dans le e-commerce, les termes cross-sell, produit complémentaire, accessoire ou produit supplémentaire sont souvent utilisés pour désigner à peu près la même chose.

Pourtant, toutes les recommandations ne répondent pas au même besoin.

Lorsqu'un client consulte un produit, certains articles sont réellement liés à son utilisation. D'autres sont simplement intéressants à ajouter au panier. Cette différence peut sembler subtile, mais elle est importante lorsqu'on cherche à construire des recommandations réellement pertinentes.

C'est particulièrement vrai pour un moteur de recommandation produit : recommander un produit simplement parce qu'il est proche du produit consulté n'est pas la même chose que comprendre qu'il est utile avec celui-ci.

Qu'est-ce qu'un produit complémentaire ?

Un produit complémentaire est un produit qui a une relation fonctionnelle ou d'usage avec le produit principal.

Il peut être indispensable à son fonctionnement, nécessaire dans certains cas, ou simplement fortement recommandé pour en tirer pleinement parti.

Quelques exemples simples :

• Appareil photo → carte SD
• Tronçonneuse → huile de chaîne
• Imprimante → cartouche d'encre
• Aquarium → filtre
• Perceuse → forets

Dans chacun de ces cas, la relation ne vient pas nécessairement d'une ressemblance entre les produits.

Une carte SD ne ressemble pas à un appareil photo. Une cartouche d'encre ne ressemble pas à une imprimante. Pourtant, les deux produits ont une relation évidente dans leur usage.

C'est précisément ce qui rend la recommandation de produits complémentaires plus difficile qu'une simple recherche de produits similaires.

Le rôle d'une recommandation complémentaire

Une bonne recommandation complémentaire répond à une question très simple :

"De quoi ai-je besoin avec ce produit ?"

L'objectif n'est donc pas seulement d'augmenter le nombre d'articles dans le panier. Il s'agit aussi d'aider le client à acheter ce dont il aura réellement besoin.

Cela peut éviter un achat incomplet, une frustration après livraison ou une seconde commande quelques jours plus tard.

Et un produit supplémentaire ?

Un produit supplémentaire est différent.

Il n'est pas nécessairement lié au fonctionnement du produit principal. Il peut simplement améliorer son utilisation, apporter davantage de confort ou répondre à un besoin secondaire.

Par exemple :

• un étui pour protéger un appareil ;
• un produit d'entretien ;
• un accessoire de confort ;
• une version plus complète d'un équipement ;
• un accessoire permettant une utilisation différente du produit.

Ces produits peuvent être très intéressants dans une stratégie de cross-sell, mais leur relation avec le produit principal est généralement moins forte.

La question devient alors :

"Qu'est-ce que je pourrais aussi acheter avec ce produit ?"

C'est une logique différente de :

"Qu'est-ce qui va avec ce produit ?"

Cette distinction est importante pour un moteur de recommandation.

Le problème des recommandations basées uniquement sur la similarité

Une approche très courante consiste à chercher les produits les plus similaires à celui que consulte le client.

Les embeddings permettent justement de faire cela.

La fiche produit est transformée en représentation vectorielle et les produits les plus proches sont ensuite recherchés dans cet espace.

Cette méthode est très efficace pour identifier des produits similaires.

Une perceuse peut ainsi être rapprochée d'autres perceuses. Une paire de chaussures peut être rapprochée d'autres chaussures similaires.

Mais cela ne suffit pas pour identifier les produits complémentaires.

Une perceuse et un foret peuvent être très différents sémantiquement. Pourtant, ils ont une relation d'usage évidente.

On retrouve donc une distinction fondamentale :

Similarité : "qu'est-ce qui ressemble à ce produit ?"

Complémentarité : "qu'est-ce qui va avec ce produit ?"

Les deux problèmes ne sont pas les mêmes.

Comment identifier les produits complémentaires ?

Il n'existe pas une seule source de vérité.

Lorsqu'un catalogue dispose déjà d'un historique suffisant, les comportements réels des clients constituent évidemment un signal important. Les produits fréquemment achetés ensemble peuvent révéler des relations de complémentarité.

Mais ce signal n'existe pas toujours.

C'est notamment le problème du cold start : un nouveau produit peut avoir besoin de recommandations dès son arrivée dans le catalogue, alors qu'aucun client ne l'a encore acheté.

C'est là que plusieurs sources d'information peuvent être combinées.

1. Les données comportementales

Les achats, ajouts au panier et autres interactions permettent d'identifier progressivement les relations réellement observées dans le catalogue.

Avec suffisamment de données, ces relations deviennent un signal particulièrement précieux.

2. La similarité sémantique

Les embeddings permettent de trouver des produits proches et de transférer certaines relations déjà connues.

Si un produit A possède une relation de complémentarité connue avec un produit C, et qu'un nouveau produit A' est très proche de A, C peut devenir un candidat pour A'.

Mais ce transfert doit rester prudent.

Deux produits peuvent être très proches dans leur description tout en ayant des caractéristiques techniques différentes. Une relation transférée doit donc, lorsque c'est nécessaire, être vérifiée au regard des contraintes de compatibilité.

3. La connaissance métier

Certains liens ne peuvent tout simplement pas être déduits de l'historique d'un catalogue.

Une perceuse nécessite des forets. Une imprimante utilise des cartouches. Un aquarium peut nécessiter un système de filtration.

Ces relations relèvent de la connaissance du produit et de son utilisation.

Les LLM permettent justement de mobiliser une partie de cette connaissance générale, y compris lorsqu'aucun historique de vente n'est encore disponible.

C'est particulièrement intéressant pour le démarrage d'un nouveau catalogue.

RecoKit ne cherche donc pas simplement les produits les plus proches

C'est une différence importante dans la manière de concevoir un moteur de recommandation.

Un moteur basé uniquement sur la similarité peut répondre :

"Voici les produits qui ressemblent le plus à celui que vous regardez."

Un moteur orienté complémentarité cherche plutôt à répondre :

"Voici les produits qui ont une raison d'être recommandés avec celui que vous regardez."

Cette différence change complètement la façon dont les recommandations sont construites.

Chez RecoKit, plusieurs niveaux d'information peuvent être combinés : les relations observées dans les données, la similarité entre produits, les relations transférées par analogie, les contraintes de compatibilité et la connaissance générale des produits et de leurs usages.

L'objectif n'est pas de forcer chaque produit dans une catégorie "complémentaire" ou "supplémentaire".

L'objectif est de trouver les relations les plus pertinentes entre les produits.

Pourquoi cette distinction est importante pour le e-commerce ?

Parce qu'une liste de produits supplémentaires n'est pas nécessairement une bonne recommandation.

Prenons un client qui consulte une perceuse.

Lui montrer trois autres perceuses peut être pertinent si l'objectif est de l'aider à comparer les modèles.

Mais s'il vient d'acheter sa perceuse, les produits qui l'intéressent réellement peuvent être des forets, un coffret d'embouts, un chargeur supplémentaire ou certains équipements de protection.

Le meilleur produit à recommander dépend donc du type de relation recherché, mais aussi du contexte.

Sur une fiche produit, on peut chercher à aider le client à compléter son équipement.

Dans le panier, on peut chercher à éviter un achat incomplet.

Après l'achat, on peut recommander des produits qui prolongent ou enrichissent l'utilisation du produit acheté.

La recommandation pertinente n'est donc pas simplement celle qui maximise la similarité entre deux fiches produit.

C'est celle qui correspond au contexte d'achat et à la relation réelle entre les produits.

Conclusion

La distinction entre produits complémentaires et produits supplémentaires permet surtout de poser la bonne question.

Un produit supplémentaire est un article que le client pourrait avoir envie d'ajouter.

Un produit complémentaire est un article qui a une vraie raison d'être utilisé avec le produit principal.

Pour un moteur de recommandation, cette différence est essentielle.

Les approches traditionnelles peuvent identifier les produits fréquemment achetés ensemble lorsque suffisamment de données sont disponibles. Les embeddings permettent de démarrer sans historique en comprenant la similarité entre les produits. Les relations par analogie permettent ensuite de réutiliser certaines connaissances existantes, avec une vérification de compatibilité lorsque cela est nécessaire. Enfin, les LLM peuvent apporter une connaissance générale des produits et de leurs usages, même lorsqu'un catalogue ne possède encore aucun historique.

C'est cette combinaison qui permet de passer d'une simple logique de "produits similaires" à une logique plus utile :

recommander les produits qui ont réellement du sens ensemble.

C'est l'objectif de RecoKit : construire des recommandations pertinentes même lorsque le catalogue ne dispose pas encore de suffisamment de données comportementales.