Une feature que vos clients voient partout, et demandent rarement

"Les clients qui ont acheté cet article ont aussi acheté..." : vos clients e-commerce voient ça sur Amazon, sur les sites de leurs concurrents qui ont investi dans leur stack. Ils ne vous en parlent pas, parce qu'ils pensent que c'est réservé aux gros budgets ou aux équipes tech internes.

Ce n'est plus vrai. Les APIs de recommandation accessibles aux PME existent depuis 3 ans et se sont considérablement simplifiées. Ce qui restait compliqué, c'était l'intégration côté WordPress : récupérer le comportement utilisateur, l'envoyer à l'API, récupérer les suggestions, et les injecter dans les bons endroits du thème WooCommerce.

C'est ce que couvre cet article : la partie WP, pas la théorie du machine learning.

Les deux approches selon le budget client

Il y a deux façons de mettre en place des recommandations personnalisées sur WooCommerce, selon le budget et la sophistication souhaitée.

01
API tierce spécialisée (Recombee, Barilliance, Clerk.io)
Ces services ingèrent votre catalogue et votre historique de navigation/achat, construisent leur modèle, et exposent une API qui retourne des listes de produits recommandés pour un utilisateur ou un contexte donné. Coût mensuel : 50 à 300€ selon le volume. Côté WP : 1 à 2 jours pour connecter l'API, envoyer les événements (vues, ajouts panier, achats) et afficher les résultats.
02
Recommandations par similarité avec OpenAI Embeddings
Approche plus légère : générer des embeddings pour chaque produit (description + attributs), les stocker, et calculer la similarité cosinus pour trouver les produits proches. Coût API très faible, pas de service tiers récurrent. Moins personnalisé (basé sur le contenu produit, pas le comportement utilisateur), mais suffisant pour beaucoup de catalogues. Côté WP : 2 jours de dev.
Pour choisir

Moins de 500 produits et pas de données comportementales : approche embeddings, moins chère et plus rapide à déployer. Plus de 500 produits, données d'historique d'achat disponibles, besoin de personnalisation réelle par utilisateur : API tierce spécialisée.

L'implémentation WP côté embeddings : les étapes concrètes

Pour l'approche embeddings, le flow technique est le suivant : au moment de l'enregistrement ou de la mise à jour d'un produit, on appelle l'API OpenAI Embeddings pour générer un vecteur de 1536 dimensions à partir de la description produit. Ce vecteur est stocké dans un champ ACF ou en postmeta. Pour afficher les recommandations, on calcule la similarité cosinus entre le produit courant et les autres produits du catalogue.

functions.php · générer embedding à la sauvegarde 
add_action( 'save_post_product', function( $post_id ) {
  $description = get_the_excerpt( $post_id ) ?: get_post_field( 'post_content', $post_id );
  $response = wp_remote_post( 'https://api.openai.com/v1/embeddings', [
    'headers' => [ 'Authorization' => 'Bearer ' . get_option( 'openai_key' ), 'Content-Type' => 'application/json' ],
    'body'    => json_encode([ 'model' => 'text-embedding-3-small', 'input' => $description ]),
  ]);
  $embedding = json_decode( wp_remote_retrieve_body( $response ), true );
  update_post_meta( $post_id, '_product_embedding', $embedding['data'][0]['embedding'] );
} );

Pour l'affichage, un shortcode [produits-similaires] ou un bloc Gutenberg custom qui charge les embeddings des produits en catalogue, calcule les distances, et retourne les 4 produits les plus proches. Sur un catalogue de 300 produits, le calcul est quasi-instantané côté PHP. Sur 2000+ produits, il faut mettre le résultat en cache (transient WP) pour éviter de recalculer à chaque chargement de page.

Comment pitcher cette feature à vos clients

La plupart des clients e-commerce que vous gérez ont entre 50 et 500 produits. Ils savent que leurs clients passent du temps sur une fiche produit et n'achètent parfois rien parce qu'ils ne trouvent pas ce qu'il leur faut. Les recommandations résolvent ça.

Le pitch concret : "On ajoute une section 'Vous aimerez aussi' sur vos fiches produit, basée sur les similarités de vos produits. Ça prend 2 jours de développement, 80€/mois si on passe par un service spécialisé ou 0€ récurrent avec l'approche embeddings. La plupart de nos clients qui ont activé ça voient une augmentation du panier moyen de 10 à 20% en quelques semaines."

Feature à inclure dans les refontes

Pour les projets WooCommerce en refonte ou création, proposez systématiquement les recommandations comme option. C'est une feature visible, avec un impact mesurable, et un poste de dev délimité. C'est le type d'option que les clients valident facilement parce qu'ils comprennent la valeur immédiatement.

Conclusion : une feature IA vendable, maintenant

Les recommandations personnalisées ne sont plus réservées aux grandes enseignes. Sur un catalogue WooCommerce de taille normale, c'est 2 jours de dev, une API accessible, et une valeur immédiatement perceptible pour le client final.

C'est aussi l'un des rares cas où "intelligence artificielle" veut dire quelque chose de concret dans votre devis : un algo qui analyse les contenus produit, calcule des proximités sémantiques, et retourne des suggestions pertinentes. Pas un gadget, pas du marketing : une fonction utile, implémentée proprement dans WordPress.