Ces cas d’usage répondent à des intentions différentes. Chaque page détaille son périmètre, ses limites et les guides qui permettent de préparer le projet.
1. Diagnostic conversion 48 h
Objectif. Le cas d’usage Diagnostic conversion 48 h répond à un besoin précis : Repérer les principaux freins du tunnel et livrer cinq actions prioritaires. Cette automatisation devient pertinente lorsque le volume rend le traitement manuel lent, irrégulier ou difficile à contrôler.
Donnée de départ. Le cadrage vérifie en priorité requêtes internes et résultats proposés. Sans une source identifiable, un format stable et un responsable de la donnée, le scénario doit rester en préparation plutôt que d’exécuter une action incertaine.
Contrôle et limite. Une boutique, cinq pages clés. Le risque à surveiller est de optimiser uniquement le clic. Une file d’exceptions, un journal des actions et une validation explicite sont ajoutés lorsque la conséquence ne peut pas être annulée facilement.
Mesure. Le résultat se suit notamment avec taux de recherche sans résultat. La valeur avant automatisation est relevée pour éviter d’attribuer au système un gain qui viendrait d’un changement de volume ou d’organisation.
2. Recherche interne sans résultat
Objectif. Le cas d’usage Recherche interne sans résultat répond à un besoin précis : Identifier les recherches qui échouent et les transformer en actions catalogue. Cette automatisation devient pertinente lorsque le volume rend le traitement manuel lent, irrégulier ou difficile à contrôler.
Donnée de départ. Le cadrage vérifie en priorité stock, marge et performance des produits. Sans une source identifiable, un format stable et un responsable de la donnée, le scénario doit rester en préparation plutôt que d’exécuter une action incertaine.
Contrôle et limite. Trois mois de données, 100 requêtes prioritaires. Le risque à surveiller est de remonter un produit indisponible. Une file d’exceptions, un journal des actions et une validation explicite sont ajoutés lorsque la conséquence ne peut pas être annulée facilement.
Mesure. Le résultat se suit notamment avec conversion après recherche. La valeur avant automatisation est relevée pour éviter d’attribuer au système un gain qui viendrait d’un changement de volume ou d’organisation.
3. Merchandising automatique des catégories
Objectif. Le cas d’usage Merchandising automatique des catégories répond à un besoin précis : Remonter les produits disponibles, rentables et performants dans les catégories. Cette automatisation devient pertinente lorsque le volume rend le traitement manuel lent, irrégulier ou difficile à contrôler.
Donnée de départ. Le cadrage vérifie en priorité événements du tunnel de commande. Sans une source identifiable, un format stable et un responsable de la donnée, le scénario doit rester en préparation plutôt que d’exécuter une action incertaine.
Contrôle et limite. Cinq catégories, règles transparentes. Le risque à surveiller est de personnaliser avec trop peu de données. Une file d’exceptions, un journal des actions et une validation explicite sont ajoutés lorsque la conséquence ne peut pas être annulée facilement.
Mesure. Le résultat se suit notamment avec ajout au panier par catégorie. La valeur avant automatisation est relevée pour éviter d’attribuer au système un gain qui viendrait d’un changement de volume ou d’organisation.
4. Recommandations complémentaires
Objectif. Le cas d’usage Recommandations complémentaires répond à un besoin précis : Proposer des produits cohérents pour augmenter le panier sans recommandations absurdes. Cette automatisation devient pertinente lorsque le volume rend le traitement manuel lent, irrégulier ou difficile à contrôler.
Donnée de départ. Le cadrage vérifie en priorité segments et contexte de navigation. Sans une source identifiable, un format stable et un responsable de la donnée, le scénario doit rester en préparation plutôt que d’exécuter une action incertaine.
Contrôle et limite. 500 produits et six mois d'historique. Le risque à surveiller est de confondre corrélation et effet réel d’un changement. Une file d’exceptions, un journal des actions et une validation explicite sont ajoutés lorsque la conséquence ne peut pas être annulée facilement.
Mesure. Le résultat se suit notamment avec abandon à chaque étape du checkout. La valeur avant automatisation est relevée pour éviter d’attribuer au système un gain qui viendrait d’un changement de volume ou d’organisation.
5. Détecteur de friction checkout
Objectif. Le cas d’usage Détecteur de friction checkout répond à un besoin précis : Recevoir une alerte quand l'abandon ou les erreurs de paiement augmentent anormalement. Cette automatisation devient pertinente lorsque le volume rend le traitement manuel lent, irrégulier ou difficile à contrôler.
Donnée de départ. Le cadrage vérifie en priorité règles merchandising et priorités commerciales. Sans une source identifiable, un format stable et un responsable de la donnée, le scénario doit rester en préparation plutôt que d’exécuter une action incertaine.
Contrôle et limite. Un checkout, cinq segments. Le risque à surveiller est de optimiser uniquement le clic. Une file d’exceptions, un journal des actions et une validation explicite sont ajoutés lorsque la conséquence ne peut pas être annulée facilement.
Mesure. Le résultat se suit notamment avec marge générée par les emplacements travaillés. La valeur avant automatisation est relevée pour éviter d’attribuer au système un gain qui viendrait d’un changement de volume ou d’organisation.
