Toutes les études de cas / Étude de cas 06 / 12
Kaldo Sport
Assistant d’achat conversationnel
Un conseiller de vente qui comprend ce que le client veut vraiment
En clair
Le client décrit son besoin comme à un vendeur en magasin. L’assistant le traduit en critères précis, retrouve les produits qui correspondent vraiment (fiches techniques, descriptions, avis) et explique son choix.
- Client
- Kaldo Sport
- Secteur
- E-commerce outdoor
- Taille
- 8 000 produits, 40 000 visites par mois
- +24 %de conversion sur les sessions assistées
- −35 %de retours pour « produit non adapté »
- 24 h/24en français, arabe et anglais
Le contexte
Kaldo Sport vend du matériel de randonnée et de camping en ligne. Ses clients savent ce qu’ils veulent faire, « trois jours en montagne en février », mais pas quel produit choisir parmi des centaines de références aux fiches techniques complexes.
Le défi
- 01
Les filtres classiques (prix, marque) ne comprennent pas « imperméable pour trois jours dans le froid ».
- 02
La recherche par mots-clés rate les produits décrits autrement.
- 03
Les recommandations doivent respecter le stock, le prix et les caractéristiques réelles : aucune invention.
- 04
L’assistant doit s’intégrer à la boutique existante, pas la remplacer.
Notre approche
Chaque fiche produit, ses caractéristiques et ses avis sont indexés dans une base vectorielle avec leurs métadonnées : prix, stock, saison, imperméabilité, poids. La demande du client est découpée en filtres structurés et en intention, la recherche combine les deux pour retrouver les meilleurs produits, et le modèle rédige une recommandation fondée uniquement sur ces fiches.
La solution, étape par étape
- 01
Le besoin, en langage courant
« Une tente imperméable pour 3 jours en montagne en février, moins de 600 DT. »
- 02
Traduit en critères
Imperméable, saison froide, 2 places, léger, prix maximum : extraits automatiquement.
- 03
Filtré puis classé
Le catalogue est filtré sur ces critères, puis classé selon les descriptions et les avis.
- 04
Les meilleurs, en stock
Seuls les produits disponibles et conformes restent, du plus adapté au moins adapté.
- 05
Une recommandation expliquée
L’assistant explique son choix, signale les compromis et propose l’équipement assorti.
Résultats
- +24 %de conversion sur les sessions assistées
- +18 %de panier moyen grâce aux produits associés
- −35 %de retours pour « produit non adapté »
- < 2 spour une recommandation
Ce que nous livrons
- Indexation du catalogue, des fiches et des avis
- Extraction de critères et recherche hybride avec métadonnées
- Widget de conversation intégré à la boutique
- Synchronisation des stocks et des prix
- Suivi des conversions et des questions fréquentes
Technologies
- Python
- LlamaIndex
- Pinecone
- React
- API de la boutique
- Docker
Délai
6 à 8 semaines
Équipe
1 ingénieur IA, 1 développeur front-end
Cas illustratifs : clients et chiffres fictifs, représentatifs des solutions que nous livrons.