Bridging Search and CRM: Productionizing AI Product Research Agents for Customer Re-Engagement
Cet article présente un cadre déployé en production qui intègre des systèmes de recherche et de CRM à l'aide d'agents de recherche de produits alimentés par l'IA pour identifier les utilisateurs ayant une intention exploratoire et délivrer des recommandations de produits personnalisées et ancrées via WhatsApp, entraînant des améliorations significatives des taux de clics, de l'engagement et du chiffre d'affaires en aval.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le vaste paysage numérique du shopping moderne, une friction silencieuse passe souvent inaperçue. Lorsqu'un client tape une question vague et exploratoire comme « meilleur smartphone pour le gaming » dans une barre de recherche, le système répond généralement par une liste statique de produits classés par ventes ou par mots-clés. Cette approche fonctionne bien pour des requêtes spécifiques, comme la recherche d'un numéro de modèle particulier, mais elle peine face aux besoins subjectifs où l'utilisateur recherche des conseils, des comparaisons et de la confiance. Par conséquent, de nombreux acheteurs quittent l'application pour consulter des avis externes, des chaînes vidéo ou des forums avant de revenir acheter. Ce parcours est fragmenté, rompant la connexion entre la plateforme et l'utilisateur. Pour combler cette lacune, les chercheurs se tournent de plus en plus vers des systèmes d'intelligence artificielle capables de raisonner, de chercher et de synthétiser l'information de la même manière qu'un expert humain. Ces systèmes, souvent appelés agents, ne se contentent pas de récupérer des données ; ils comprennent l'intention, rassemblent des preuves provenant de multiples sources et construisent une réponse cohérente. La question qui motive ces nouveaux travaux est de savoir si un tel système intelligent peut être déployé à une échelle massive pour non seulement répondre à ces questions complexes, mais aussi pour contacter proactivement les clients qui se sont égarés, en les guidant de nouveau grâce à des conseils personnalisés et dignes de confiance.
Une équipe de chercheurs chez Flipkart, un important détaillant en ligne en Inde, a construit et testé exactement un tel système. Ils ont créé un cadre qui connecte le moteur de recherche, où les utilisateurs posent des questions, avec les outils de gestion de la relation client qui envoient des messages aux utilisateurs. Leur objectif était d'identifier les acheteurs montrant des signes de confusion ou d'hésitation — ceux qui recherchaient des termes subjectifs mais n'avaient cliqué sur aucun résultat — puis de les réengager avec une recommandation générée par l'IA, envoyée directement sur leur application de messagerie WhatsApp. Le système qu'ils ont construit n'est pas un programme unique, mais une équipe coordonnée de travailleurs numériques spécialisés, ou agents, chacun ayant une tâche spécifique. Un agent écoute la question de l'utilisateur et détermine ce dont il a réellement besoin, comme une limite de budget ou une préférence pour une marque spécifique. Un autre agent part sur l'internet large pour trouver des avis d'experts, des articles de comparaison et des discussions communautaires afin d'identifier les meilleurs candidats. Un troisième agent vérifie ces candidats par rapport à la propre base de données interne du détaillant pour s'assurer que les articles sont réellement en stock, disponibles pour la livraison à l'emplacement de l'utilisateur et correctement prix avec les éventuelles remises applicables. Enfin, un quatrième agent agit comme un éditeur strict, vérifiant tous les faits, dates et spécifications pour garantir que le conseil est précis et exempt d'erreurs avant d'être présenté à une personne.
Tout ce processus est conçu pour être efficace et évolutif. Au lieu d'essayer d'exécuter cette recherche complexe pour chaque requête de recherche, le système filtre d'abord les données pour ne trouver que les opportunités les plus prometteuses. Il recherche des schémas spécifiques, tels que des utilisateurs ayant un fort pouvoir d'achat mais n'ayant cliqué sur aucun résultat de recherche, et concentre ses efforts sur ces cas. Une fois qu'un utilisateur à haut potentiel est identifié, l'équipe d'agents travaille ensemble de manière asynchrone pour construire une recommandation. Le résultat est un message concis et personnalisé envoyé via WhatsApp, contenant quelques suggestions de produits, leurs prix et une explication claire de la raison pour laquelle ils ont été choisis. Les chercheurs ont testé ce système dans un environnement réel sur une période de vingt-trois jours. Durant cette période, le système a envoyé environ quinze mille messages à différents utilisateurs, se concentrant principalement sur les téléphones mobiles. Les résultats ont été frappants. Les messages ont généré un taux de clic presque trois fois supérieur aux campagnes précédentes utilisant des méthodes de recommandation traditionnelles. Plus révélateur encore était le comportement des utilisateurs ayant reçu les messages ; de nombreux jours, le nombre de personnes ayant cliqué sur les liens était supérieur au nombre de messages envoyés. Cela indiquait que les utilisateurs ne se contentaient pas de lire les messages, mais les partageaient activement avec des amis et de la famille, qui cliquaient ensuite sur les liens eux-mêmes, transformant ainsi les clients en un réseau de distribution secondaire.
Le succès de la campagne ne s'est pas limité aux clics ; il s'est traduit par une activité économique réelle. Les chercheurs ont suivi les utilisateurs ayant reçu les messages et ont constaté qu'un nombre significatif d'entre eux ont procédé à l'achat des produits recommandés, générant des revenus substantiels pour l'entreprise. Pour s'assurer de la fiabilité du système, l'équipe a procédé à une revue manuelle rigoureuse de milliers de recommandations produites. Ils ont vérifié les spécifications techniques et les dates de lancement des téléphones par rapport aux données réelles. Le système s'est avéré remarquablement précis, avec plus de quatre-vingt-dix-neuf pour cent de précision concernant les spécifications et les dates de lancement. Ce haut niveau de correction factuelle était largement dû au dernier agent de « révision », qui agissait comme un filet de sécurité pour intercepter toute incohérence ou erreur avant l'envoi du message. Les chercheurs ont également comparé deux manières différentes d'organiser l'équipe d'agents. Ils ont découvert qu'une structure où un gestionnaire central coordonne les travailleurs était bien supérieure à une structure où les travailleurs se transmettent simplement les tâches sans supervision. L'approche centralisée a considérablement réduit les erreurs et a garanti que le système respectait toutes les règles nécessaires, comme n'inclure les dates de lancement que lorsque l'utilisateur demandait les modèles les plus « récents ».
Ce travail démontre que l'intelligence artificielle peut dépasser la simple automatisation pour devenir un partenaire proactif dans le parcours client. En combinant la capacité de recherche sur le web ouvert avec la précision des données internes d'un détaillant, et en enveloppant le tout dans un canal de communication de confiance, le système a réussi à réengager des utilisateurs qui s'étaient précédemment désengagés. L'étude montre que lorsque l'IA est utilisée pour fournir des conseils fondés, explicables et vérifiés, elle peut restaurer le lien entre un acheteur et une plateforme. Les conclusions suggèrent que l'avenir du commerce électronique ne consistera pas seulement à montrer plus de produits, mais à fournir des conseils plus intelligents et mieux guidés qui respectent le besoin de contexte et de confiance de l'utilisateur. Les chercheurs ont prouvé qu'un tel système peut être construit, déployé et mis à l'échelle pour gérer les complexités d'un marché réel, transformant une expérience d'achat fragmentée en un parcours cohérent et productif.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.