L’IA générative bouscule l’univers de la distribution en proposant de nouvelles manières d’interagir avec le client. Vente, marketing, service client : tous les pans du retail sont concernés. Une révolution accélérée qui implique une réflexion immédiate.
Une expérience personnalisée, évolutive et interactive.
Voici comment pourrait se définir le shopping de demain, en écho aux progrès de l’Intelligence Artificielle (IA) générative. Loin de l’esprit catalogue qui guidait jusqu’à présent le parcours en boutique et en ligne, l’approche proposée par l’IA générative semble résolument orientée client… et son potentiel est infini.
Science-fiction ? Pas vraiment. Les analystes tablent en effet sur un bouleversement profond du retail dans les vingt-quatre, voire douze prochains mois… Un effet accéléré qui implique une prise de conscience immédiate des acteurs du secteur.
Dans cet article, nous explorons les impacts possibles de l’IA générative sur trois piliers du retail – la vente, le marketing et le service – et nous proposons aux entreprises des éléments de réflexion stratégique pour enclencher le changement.
Un nouveau chapitre s’ouvre pour le retail : il se prépare dès maintenant.
Vente : une description libre du besoin client, un ciblage plus fin
Côté vente, la grosse évolution à attendre de l’IA générative sera probablement celle du conversationnel ; et derrière ce mot, c’est toute l’interaction avec le client qui est appelée à changer. D’une approche unilatérale dans laquelle le distributeur proposait à son client un catalogue de milliers d’articles à explorer (charge à lui d’y cibler la réponse à son besoin), la relation se construira désormais autour de l’échange entre les deux parties prenantes, où les préférences du client participeront aux suggestions d’articles, que ces préférences soient déjà établies ou évolutives dans la discussion.
Cette conversation s’appuiera sur des outils comme les chatbots augmentés par l’IA, sur les applications de messagerie et d’autres technologies d’automatisation, comme c’est le cas, par exemple, chez The Man Company, l’enseigne e-commerce spécialisée dans les cosmétiques pour hommes : leur chatbot interfacé sur WhatsApp et intégré dans le site marchand se lance dès qu’un visiteur devient inactif et propose des recommandations de produits personnalisées, en donnant des clés de réflexion au visiteur. Par exemple, si ce dernier se demande quel produit choisir pour avoir des cheveux plus brillants, le chatbot répondra d’abord « voici les ingrédients dont tu as besoin », puis « voici le produit qui peut correspondre à ces ingrédients et ce besoin », avant de proposer un envoi à l’adresse postale déjà connue du visiteur. Une initiative qui a fait tripler le taux de conversion de la marque en seulement six mois – sans qu’aucun autre changement n’ait été réalisé par ailleurs, les campagnes marketing ou l’expérience consommateur étaient les mêmes qu’habituellement.
Bientôt, le parcours d’un client au sein d’une enseigne ne débutera pas par l’exploration du menu de navigation, ou par le passage en revue de l’inventaire de la boutique, mais par la description de ce que l’on recherche dans l’interface client. Au travers d’un échange géré par un outil digital, des réponses seront alors proposées sous forme d’articles à acheter (et/ou de conseils personnalisés).
Parmi les premières expérimentations de ce type, citons l’application de livraison agroalimentaire Instacart avec son outil Ask Instacart appuyé sur ChatGPT et spécialisé dans les recommandations de produits à partir de questions ouvertes. L’utilisateur peut ainsi demander « quel plat de pâtes sain puis-je réaliser en vingt minutes ? » et recevoir une réponse sous forme de recette associée et de liste d’ingrédients à acheter.
Autre exemple : dans le domaine de l’alimentation pour les animaux de compagnie (pet food), des données comme le poids, la race ou les allergies de l’animal sont indispensables. Pour éviter que l’utilisateur ait à filtrer et comparer les produits sur cette base, il est vraisemblable que les acteurs du secteur proposeront des outils suggérant directement les produits adaptés à ces paramètres, ainsi qu’à des données de prix, de disponibilité ou encore de lieux d’expédition.
La grande avancée de l’IA générative par rapport aux moteurs de recherche que nous connaissons déjà, c’est qu’elle est capable d’analyser la nuance et le contexte de la recherche.
Prenons l’exemple d’une recherche de maillot de bain. Dans un parcours traditionnel, l’internaute aura tendance à utiliser le menu de navigation et les catégories suggérées pour aboutir aux options de maillots de bain proposées. Puis il affinera sa recherche en filtrant par prix, par couleur, par taille, par style ou par tout autre paramètre pertinent. C’est ce qu’on pourrait qualifier d’expérience d’achat agrégée, c’est-à-dire qu’une sélection d’articles est proposée, sur laquelle l’internaute peut librement appliquer ses choix.
Avec l’IA générative, la capacité d’interaction est décuplée. D’une part, parce que le ciblage du besoin devient bien plus précis : l’outil est désormais capable de comprendre des demandes spécifiques comme « je recherche un maillot de bain une-pièce avec des manches longues pour un séjour de surf à Hawaï ». Et d’autre part, parce que le ciblage fait entrer en ligne de compte les données du client et son historique d’achat pour affiner les résultats.
Les caractéristiques de cette recherche seront d’ailleurs réutilisées pour des expériences d’achat ultérieures, et une nouvelle contextualisation sera alors intégrée dans le résultat de recherche proposé : si l’internaute retourne sur le site la saison suivante, l’outil comprendra que la précédente recherche autour d’un maillot de bains à manches longues relevait d’une demande occasionnelle et non d’une préférence établie.
Enfin, dans le domaine de la vente, les marques pourront également utiliser l’IA générative pour proposer de nouvelles expériences à leurs clients. C’est le cas de Google, qui propose un service d’essayage virtuel pour une sélection de hauts féminins issus des enseignes H&M, Anthropologie, Everlane et Loft aux États-Unis. L’entreprise de Mountain View s’appuie sur l’IA générative pour afficher des vêtements virtuels sur une grande diversité de mannequins photographiés dans la vie réelle et répertoriés par taille (de 34 à 50) pour permettre au visiteur de visualiser comment le vêtement tombe sur quelqu’un de corpulence et de taille similaires.
Marketing : personnalisation et clarification des contenus
Côté marketing, les usages de l’IA générative sont déjà bien connus, et pas seulement dans l’univers du retail : la production instantanée de contenus rédigés tels que les emails et les posts réseaux sociaux fait considérablement parler depuis le début de l’année.
Cependant, le cas du retail est spécifique : car la valeur de l’IA générative ne réside pas seulement dans la production de ces contenus mais dans leur capacité à intégrer des données clients pour proposer des interactions ultra-personnalisées. En générant des images, des descriptions de produits, des textes publicitaires, du contenu social media et d’autres ressources créatives adaptés à chaque destinataire, l’IA générative est susceptible d’individualiser les campagnes et de transformer le marketing.
Une expérimentation est probablement en cours au sein de Coca-Cola qui a signé avec OpenAI pour utiliser DALL-E et ChatGPT à des fins « d’amélioration des opérations commerciales », incluant vraisemblablement la personnalisation des campagnes marketing. Cela pourrait se traduire en posts hyper-personnalisés sur les réseaux sociaux ou en publicités web avancées – c’est-à-dire qui poussent le produit adapté aux données du client, produisent rapidement une galerie d’images et de textes autour de ce produit et du contexte du client, et génèrent un call to action personnalisé. Concrètement, pour des consommateurs réguliers de Coca Zéro, on peut imaginer des publicités suggérant de prendre une canette à la sortie du travail pour se rafraîchir dans le métro ou dans les embouteillages.
Au-delà de la customisation des publicités, l’usage de ChatGPT se répand également dans la description des produits et dans les commentaires clients. Amazon compte expérimenter l’IA générative sur l’analyse et le regroupement des avis sur les produits. L’objectif étant de réduire le temps passé par les clients à parcourir les commentaires pour comprendre les « pour et les contre » de chaque produit (cette analyse étant facilement automatisable via l’IA générative).
Service client : assistance au conseil, analyse de sentiment
Enfin, dans le domaine du service client, l’IA générative peut se penser selon deux cas d’usages :
- les outils de suivi et d’assistance pour les équipes supports,
- et les outils d’aide à la vente pour les équipes en magasin.
Quelle que soit l’application les résultats devraient être significatifs dans la mesure où l’IA pourra capter les données pertinentes client et conseiller des actions appropriées – en temps réel.
Concrètement, cette technologie peut guider les professionnels dans leur accompagnement du client, agir en co-pilotes en leur permettant d’être plus rapides et plus précis dans le traitement des demandes. Elle pourra également être utilisée à des fins de formation pour les équipes, en produisant des mises en situation innovantes capables de répondre à des interrogations rencontrées sur le terrain.
Au-delà de la satisfaction et de la fidélisation du client, ces avancées pourraient alors avoir un impact décisif sur la rétention des professionnels.
Au-delà de ces applications d’assistance, l’IA générative pourrait également se montrer innovante en analysant le ton employé par chaque client pour proposer le comportement de réponse adapté. Par exemple, si l’outil IA perçoit de la frustration dans les propos d’un client suite à une longue attente, il pourrait inviter le professionnel du service client à prendre contact avec la personne une fois que son problème est résolu pour s’assurer que tout va bien.
Enfin, de nombreuses avancées sont attendues dans le domaine du self-service. On peut donner l’exemple d’un client à la recherche d’un article électronique qu’il a déjà acheté dans le passé et qui aurait donc besoin du numéro de série, du manuel d’installation ou encore de la garantie associée à cet article. L’outil support pourrait lui livrer ces informations et documents, et même lui recommander des produits similaires pour remplacer l’ancien, voire suggérer des options de réparation.
Lancer une stratégie intégrée
L’introduction de l’IA générative dans le retail a donc un potentiel disruptif important, avec un effet attendu de cascade sur toutes les activités du business. Un changement de paradigme qui invite les entreprises à repenser l’intégralité de leurs process, depuis le stockage de leurs données jusqu’à la valorisation des espaces en boutique.
Une stratégie intégrée, donc, qui vise à faire de l’IA générative non pas un cas d’usage isolé mais bien un moteur de changement global susceptible d’impacter l’activité de l’entreprise, ses équipes et l’expérience client.
Voici quelques éléments de cette stratégie que nous soumettons à votre réflexion :
- Lutter contre la surcharge de données : Il est probable que la personnalisation des campagnes et le recours aux outils d’assistance entraînent un accroissement du volume de données, avec un risque de défaillances côté équipes et systèmes d’information. Pour cette raison, l’utilisation de l’IA générative doit s’intégrer dans une stratégie de données plus globale qui garantit des niveaux de sécurité, de confidentialité et de gouvernance optimaux pour les données. La formation et l’équipement des équipes doivent également s’imposer comme de véritables pré-requis de changement, afin que les informations livrées par l’IA générative soient exploitables et valorisables sur le terrain.
- Reconsidérer la place du magasin : Parce qu’elle flèchera davantage d’interactions vers les canaux digitaux, l’utilisation de l’IA générative risque d’entraîner – voire réactiver – une probable réflexion sur la place que tient le magasin physique dans l’expérience du client. L’enjeu pour les distributeurs sera alors d’identifier comme mettre à profit ces actifs physiques au regard des préférences et des comportements du client : certains d’entre eux pourraient être amenés à réaménager ou adapter leur magasin dans une perspective hybride, c’est-à-dire pour qu’il puisse servir à la fois de vitrine traditionnelle et de centre de services (entrepôt de stockage, point retrait, centre d’essayage, centre d’échanges, etc).
- Accélérer le rythme du changement : Le déploiement ultra-rapide de l’IA générative impulse un rythme inédit de changement qui posera un défi de taille aux distributeurs, lesquels sont, pour beaucoup, encore concentrés sur l’étape de développement des architectures de données avancées ou d’industrialisation de projets digitaux. Dans les années qui s’ouvrent, il est crucial pour ces entreprises de développer et lancer des programmes de transformation qui garantissent à la fois la satisfaction de leurs clients et la rentabilité de l’activité.
- Anticiper la fronde des consommateurs : L’utilisation de l’IA générative est encore hautement expérimentale. Le fait de créer des images de produits à partir de mannequins virtuels de différentes tailles (au lieu de photographier de vrais humains) s’est parfois retourné contre les marques qui y avaient eu recours. S’il est important que les marques s’essaient à l’IA générative et expérimentent de nouveaux cas d’usage, il est indispensable qu’elles anticipent toujours la réaction du consommateur dans l’ajout de telle ou telle fonctionnalité (sans compter le respect des normes de sécurité, de confidentialité et d’éthique qui reste un préalable à toute démarche). Dans la plupart des cas, cela impliquera une analyse de sentiment pour vérifier que ces nouveaux outils ne troublent pas le confort habituel des consommateurs.
