Affinité produit
L'affinité produit mesure quels produits ont tendance à être achetés ensemble, en séquence, ou par le même type de client, révélant des relations cachées entre les articles d'un catalogue. Elle est utilisée pour alimenter les stratégies de vente croisée, de regroupement et de recommandation basées sur les comportements d'achat réels plutôt que sur des suppositions.
Définition de l’affinité produit
L’affinité produit décrit la relation mesurable entre des produits basée sur la façon dont les clients les achètent réellement — quels articles apparaissent dans la même commande, quel article un client achète ensuite après un premier achat, et quels produits ont tendance à être privilégiés par les mêmes segments de clientèle. Contrairement aux décisions merchandising basées sur l’intuition (« ces produits semblent aller ensemble »), l’affinité produit découle de données transactionnelles réelles, ce qui signifie qu’elle révèle fréquemment des associations qu’un marchand n’aurait pas devinées — une coque de téléphone et un protecteur d’écran peuvent être l’association évidente, mais les données d’affinité pourraient révéler qu’une part surprenante des acheteurs de coques de téléphone achètent également une marque spécifique de café trois semaines plus tard. L’affinité produit sous-tend la plupart des recommandations de vente croisée, des widgets « fréquemment achetés ensemble », de la conception de lots et des flux d’e-mails post-achat dans le commerce électronique moderne.
Comment l’affinité produit est calculée
L’affinité produit est généralement mesurée à l’aide de trois statistiques connexes empruntées à l’analyse du panier d’achat :
- Support — la fréquence à laquelle deux produits apparaissent ensemble, en pourcentage de toutes les commandes.
- Confiance — étant donné qu’un client a acheté le produit A, la probabilité qu’il ait également acheté le produit B.
- Lift — à quel point ce co-achat est plus probable que ce qui serait attendu si les deux produits étaient achetés indépendamment. Un score de lift de 1 signifie aucune relation ; tout ce qui est significativement supérieur à 1 indique une véritable affinité.
Un exemple concret : un magasin vend 10 000 commandes en un trimestre. Le produit A (un tapis de yoga) apparaît dans 800 d’entre elles. Le produit B (une sangle de tapis) apparaît dans 300 commandes au total, et 150 de ces commandes contiennent également le tapis de yoga.
- Support pour la paire A+B = 150 / 10 000 = 1,5 %
- Confiance (A → B) = 150 / 800 = 18,75 %
- Taux de co-achat attendu si indépendant = (800/10 000) × (300/10 000) = 0,24 %
- Lift = 18,75 % ÷ (300/10 000 × 100) = environ 6,25×
Un lift de 6,25 est un signal fort : les clients qui achètent le tapis de yoga sont plus de six fois plus susceptibles que la moyenne d’acheter également la sangle, ce qui en fait un candidat évident pour la vente croisée sur la page du tapis et dans les e-mails post-achat.
Pourquoi l’affinité produit est importante pour les marques e-commerce
L’affinité produit transforme la vente croisée d’un jeu de devinettes en une stratégie fondée sur les données. Au lieu de décider manuellement quels produits mettre en avant dans les sections « vous pourriez aussi aimer », un marchand peut laisser les schémas d’achat réels guider ces recommandations — ce qui produit généralement des taux d’attachement plus élevés que le merchandising intuitif, car les associations reflètent un comportement client authentique plutôt qu’une logique supposée.
Les données d’affinité améliorent également la conception de lots. Un lot construit à partir de deux produits à forte affinité (comme le tapis de yoga et la sangle ci-dessus) convertit différemment d’un lot construit à partir de deux produits qui partagent simplement une catégorie mais apparaissent rarement ensemble dans les commandes réelles. Et comme l’affinité peut être combinée avec les données de valeur client, les marchands peuvent prioriser la promotion des associations provenant de leurs segments de clientèle les plus précieux, plutôt que de traiter chaque paire à fort lift de manière égale.
Affinité produit vs concepts connexes
| Concept | Ce qu’il mesure | Utilisation principale |
|---|---|---|
| Affinité produit | Relation entre produits basée sur le comportement d’achat | Vente croisée, regroupement, recommandations |
| Analyse du panier d’achat | Co-occurrence au sein d’une même transaction | Base statistique pour l’affinité |
| Segmentation client | Groupes de clients par caractéristiques communes | Ciblage des clients pour chaque offre |
| Optimisation de l’assortiment | Quels produits stocker ou abandonner | Décisions de catalogue et d’inventaire |
| Recommandations personnalisées | Suggestions de produits au niveau individuel | Personnalisation sur le site et par e-mail |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
L’affinité produit et le commerce piloté par l’IA
Alors que les assistants d’achat IA comme ChatGPT Shopping et Perplexity Shopping répondent de plus en plus à des questions telles que « qu’est-ce qui va bien avec X » ou génèrent des listes d’achats multi-produits pour le compte d’un client, disposer de données d’affinité propres et bien structurées devient plus précieux — c’est essentiellement le même signal que ces assistants tentent de déduire à partir des descriptions et des avis produits, sauf qu’un marchand le possède déjà grâce à son historique de commandes first-party. L’injection de données précises de « fréquemment achetés ensemble » et de lots dans les flux produits donne aux outils d’achat IA une base plus solide pour recommander des articles complémentaires de votre propre catalogue plutôt que de substituer un produit concurrent.
L’outil eshop_get_product_affinity d’AmICited est spécialement conçu autour de ce concept — pour tout produit donné, il révèle la valeur à vie des clients qui l’achètent et les produits spécifiques qu’ils ont tendance à acheter à côté ou après celui-ci, offrant aux marchands une réponse directe et fondée sur les données à la question « que devrions-nous vendre en croisé ici » sans avoir à construire eux-mêmes l’analyse de panier sous-jacente.
Bonnes pratiques pour utiliser l’affinité produit
- Utilisez le lift, et pas seulement le nombre de co-occurrences, pour juger de la force de l’affinité — une association qui se produit souvent simplement parce que les deux produits sont des best-sellers n’est pas nécessairement une véritable affinité.
- Actualisez régulièrement les calculs d’affinité, car les lancements de nouveaux produits, les changements saisonniers et les produits abandonnés modifient tous les schémas d’achat sous-jacents.
- Combinez l’affinité avec les données de valeur client afin que les efforts de vente croisée priorisent les associations provenant de segments à plus forte valeur.
- Testez les recommandations basées sur l’affinité par rapport à votre logique actuelle de « fréquemment achetés ensemble » avant de la remplacer complètement — parfois une heuristique basée sur la catégorie surpasse encore un échantillon de données trop restreint pour les nouveaux produits.
- Appliquez les insights d’affinité au-delà de la page produit : le séquencement des e-mails post-achat et la conception de lots bénéficient autant que les widgets de recommandation sur le site.
Erreurs courantes en matière d’affinité produit
Confondre similarité de catégorie et véritable affinité. Deux produits dans la même catégorie ne se vendent pas nécessairement ensemble — en fait, les produits concurrents au sein d’une catégorie montrent souvent une affinité négative, car un client achète l’un ou l’autre, pas les deux. L’affinité doit être mesurée sur des données réelles de co-achat, non présumée à partir de la structure du catalogue.
Se fier à un historique de commandes trop limité. Un produit nouvellement lancé avec seulement une poignée de commandes peut montrer une affinité trompeusement forte ou faible simplement à cause du bruit d’échantillon de petite taille. L’affinité au niveau de la catégorie constitue une solution de repli plus fiable jusqu’à ce que suffisamment de données au niveau SKU s’accumulent.
Ignorer le lift au profit des simples décomptes de co-occurrence. Deux best-sellers apparaîtront ensemble souvent simplement parce qu’ils sont tous deux fréquemment achetés, non parce qu’il existe une relation significative. Le lift corrige cela en comparant avec la co-occurrence attendue si les produits étaient achetés indépendamment.
Ne jamais mettre à jour les modèles d’affinité après des changements de catalogue. Les produits abandonnés, les nouvelles variantes et les articles saisonniers modifient le paysage de l’affinité, et un modèle obsolète continuera de recommander des associations qui n’ont plus de sens ou passera à côté de nouvelles qui ont émergé.
Appliquer l’affinité uniformément à tous les segments de clientèle. Une association forte chez les primo-accédants peut ne pas tenir pour les clients fidèles à forte valeur, qui ont souvent des schémas d’achat différents. Une affinité tenant compte des segments produit des recommandations plus pertinentes qu’un modèle unique et uniformisé.