Qu'est-ce que le merchandising par IA ?

Le merchandising par IA est l'application de l'apprentissage automatique et d'agents fondés sur les LLM aux décisions traditionnellement prises par les merchandisers, comme les ordres de tri, la curation des catégories, les ventes croisées et la pertinence de la recherche sur le site. Il mêle le scoring prédictif à des explications génératives et se place comme un service de personnalisation dédié dans la stack composable.

Définition

En coulisses, le merchandising par IA combine des modèles de classement entraînés sur les signaux de clic, d'ajout au panier et d'achat avec des couches de règles qui imposent l'intention métier comme les planchers de marge, la priorité au stock et les promotions de campagne. Une couche LLM traduit l'intention du merchandiser (« pousser la nouvelle ligne outdoor en Allemagne sans nuire à la marge ») en changements de règles structurés, ensuite appliqués par le service de classement. Les décisions sont servies sous forme de scores ou d'identifiants triés via une API que la Storefront API consomme au moment du rendu des listes, souvent comme un sidecar du Recommendation Engine. Les pipelines d'Eval comparent les nouveaux classements aux références sur le Conversion Rate et le revenu par session avant leur déploiement.

Pourquoi c'est important

Le merchandising manuel ne passe pas à l'échelle sur des milliers de SKU, des centaines de catégories et des dizaines de marchés, et les règles statiques vieillissent vite. Le merchandising par IA s'adapte en continu et offre à l'équipe une surface de contrôle plus naturelle : les marchands décrivent des résultats, le système les traduit en paramètres de classement et montre l'impact attendu. Il boucle aussi avec la Predictive Analytics et l'Hyperpersonalization, car la même stack de scoring peut alimenter les tris de catégories, les rails de recommandation et les résultats de recherche. Le compromis est l'interprétabilité, que des Guardrails et des outils d'explication traitent en exposant pourquoi un produit est classé là où il est.

Cas d'usage

Une page catégorie se réordonne à chaque session selon la cohorte et le comportement récent, tout en respectant un épinglage manuel pour le produit phare. Un agent de pertinence de la recherche réécrit les synonymes et ajuste les boosts chaque semaine en fonction des requêtes sans résultat. Un copilote pour merchandisers transforme des objectifs en langage clair en expériences de classement, ensuite validées par l'Autonomous A/B Testing avant un déploiement mondial.

À lire aussi

Découvrez Agentic Frontend Management Platform · Personalization.