Cas client — personnalisation IA chez une marque DTC mode (+14 % AOV, 1,2 M€/an de CA additionnel)

Le contexte

Une marque DTC mode française (lancée en 2018, ~25 M€ de CA, 28 salariés, 180 000 clients actifs sur les 24 derniers mois) nous contacte en janvier 2026. Le sujet est posé clairement par leur head of growth : “On a fait croître la marque sur l’acquisition Meta + influence. Cette croissance ralentit et coûte de plus en plus cher. On doit faire mieux avec nos clients existants — et on sait qu’on les traite tous comme des inconnus.”

Diagnostic rapide :

• Recommandations produits sur le site : “Vous aimerez aussi…” basé sur la catégorie. CTR estimé 2,8 %, faible vs benchmark mode 5-8 %.
• Emails relance panier : un seul template, envoyé à H+1 et H+24, taux d’ouverture 18 % (benchmark Klaviyo mode = 28-32 %).
• Upsell post-achat : inexistant. Aucune communication entre la confirmation de commande et l’éventuel email “nouveautés” 4 semaines plus tard.

Budget approuvé : 60 000 € HT max. Délai : avant les soldes d’été 2026 (juin-juillet) pour mesurer en pleine intensité commerciale.

L’audit : 3 frictions identifiées

En 2 semaines d’audit (5 200 € HT, déduits du projet final), on a fait parler la donnée :

1. La recommandation par catégorie est sous-optimale

Une cliente qui achète une jupe midi en lin reçoit comme recommandations… d’autres jupes midi en lin. Or 73 % des clientes qui achètent ensuite reviennent sur une autre catégorie (haut, accessoires, chaussures), pas sur la même. La logique catégorielle plafonne par construction.

2. Les segments Klaviyo existants sont grossiers

Le cabinet utilisait 4 segments : nouveaux clients / actifs / dormants / VIP. C’est mieux que rien, mais inexploitable pour le copywriting personnalisé. Aucune segmentation par style (minimaliste vs coloré), saison d’achat préférée, sensibilité prix, ou cycle de vie.

3. Aucune écoute de la session en cours

Algolia est en place pour la recherche, mais ses signaux (recherches, filtres appliqués, produits vus mais pas ajoutés) ne sont pas exploités côté reco ou email. Une cliente qui passe 8 minutes à hésiter entre 4 robes vertes, puis quitte sans achat, reçoit le même email générique que celle qui a cliqué une fois sur la home et est partie.

La solution déployée

Phase 2 (12 semaines de dev sur 14 semaines totales) : agent IA de personnalisation à 3 niveaux, orchestré pour donner le bon message au bon moment au bon coût.

Niveau 1 — Recommandations site temps réel

À chaque page produit + page panier + page de confirmation, l’agent calcule en 200 ms les 4 produits les plus pertinents pour la cliente connectée. Inputs : historique achats, sessions récentes Algolia, saison en cours, stock disponible, marges. Modèle : Claude Haiku 4.5 (latence faible, coût ~0,002 € par calcul, scalable à 80k requêtes/jour).

Niveau 2 — Emails relance panier ultra-perso

Quand un panier est abandonné, l’agent génère un email avec :

• Sujet personnalisé (testé sur 6 variantes par profil)
• Reformulation copy adaptée au style détecté (minimaliste, coloré, classique, statement)
• Mise en avant du produit du panier + 2 produits complémentaires choisis selon historique
• Offre adaptée : code promo seulement pour les profils sensibles prix (sinon biais sur la marge)

Modèle : Claude Sonnet 4.6 (qualité copywriting nécessaire). Coût ~0,04 € par email généré, ~12k emails/mois. 480 €/mois de coût LLM sur ce flux.

Niveau 3 — Upsell post-achat (J+4 et J+21)

Deux emails à des moments précis :

• J+4 : produit que la cliente porte certainement (la jupe midi achetée), accessoirisé avec 2 produits complémentaires (ceinture + sac compatibles). Copy qui parle de “compléter la tenue”.
• J+21 : nouveau produit dans le style détecté (classification automatique en 8 styles via le LLM sur l’historique d’achat). Copy de découverte, pas de promo agressive.

Architecture technique

• Orchestration : agent Python sur AWS (eu-west-3 Paris pour conformité RGPD)
• Données clientes : pull depuis Shopify Plus (commandes), Klaviyo (segments + interactions emails), Algolia (recherches + clics produits)
• Calcul styles + segments : recalcul nocturne pour 180k clientes actives, ~1h de batch sur Claude Haiku, coût ~80 €/nuit
• A/B test infrastructure : un client sur 2 reçoit la version personnalisée, l’autre la version contrôle (ancien système). Affectation déterministe par hash client_id.

Validation A/B sur 8 semaines

C’est la partie qu’on a le plus négociée avec le client en début de projet. Refus de pousser en prod sur 100 % du trafic sans validation rigoureuse. Protocole :

• Période : 8 semaines, mai à juin 2026 (donc incluant les soldes d’été = stress test commercial)
• Effectif : 50 000 commandes contrôle vs 50 000 commandes traitement
• Affectation : hash déterministe sur l’ID client, immutable pendant les 8 semaines (pas de bascule à mi-parcours)
• Métriques primaires : taux d’ouverture emails, CTR recommandations site, AOV, taux de conversion email → achat
• Métriques secondaires : taux de désabonnement, plaintes service client, taux de retour produit

Résultats à 8 semaines :

Métrique	Contrôle	Traitement	Delta	p-value
Taux ouverture emails	17,9 %	22,9 %	+28 %	p<0.001
CTR recommandations site	2,7 %	3,3 %	+22 %	p<0.001
AOV	78 €	89 €	+14 %	p<0.001
Taux conversion email → achat	1,8 %	2,4 %	+33 %	p<0.001
Taux de désabonnement	0,4 %	0,4 %	stable	ns
Taux de retour produit	11,2 %	11,4 %	stable	ns

Significativité statistique solide sur les 4 métriques primaires (p<0.001). Métriques secondaires stables — l’amélioration n’est pas faite au détriment de la satisfaction (pas de hausse retours, pas de hausse désabos).

Reproductibilité cross-saisons confirmée en septembre 2026 (rentrée automne, comportement client différent des soldes d’été) : delta AOV reste à +13 %, delta ouverture emails à +27 %. La personnalisation tient sur 2 saisons commerciales différentes.

Ce qui a été difficile

Définir les “styles” sans imposer une grille

Première approche : grille de 12 styles définis par les stylistes du cabinet (bohème, classique, sportif, etc.). Échec — les vraies clientes débordent ces cases. On a basculé sur une définition floue : l’agent décrit le style en 1 phrase libre par cliente (“vert et bleu canard, coupes amples, accessoires statement”), puis cluster automatique a posteriori sur la base de 180k descriptions. Résultat : 8 styles émergents naturels, dont 3 que les stylistes n’avaient pas envisagés.

Le copywriting trop “IA”

Les premiers emails générés étaient grammaticalement parfaits mais sentaient le robot à plein nez. Trop d’adverbes, trop de superlatifs, ton trop lisse. On a passé 5 jours à entraîner le prompt avec 80 exemples d’emails écrits par la copywriter en interne, en lui demandant d’annoter ce qui ne sonnait pas la marque. Après ajustement, blind test interne : la copywriter a identifié correctement IA vs humain dans 52 % des cas (proche du hasard).

Les biais de segmentation

Premier déploiement, le code promo était proposé par l’agent à 38 % des clientes. Marge négative sur le segment, on aurait perdu de l’argent. Recadrage : le code promo n’est proposé qu’aux profils détectés “sensibles prix” (panier précédent < 50 €, plusieurs visites avant achat, recherche de promotions sur le site). Taux passé à 12 % avec impact AOV positif net.

L’intégration Klaviyo en mode dynamique

Klaviyo n’a pas de support natif pour des emails 100 % générés par LLM en temps réel. On a contourné en générant les contenus côté agent, puis en utilisant l’API Klaviyo pour pousser dynamiquement des templates avec contenu pré-rempli. Latence finale : moyenne 3 secondes entre déclenchement et envoi. Acceptable pour un email de relance panier (qui part de toute façon avec 1h de délai minimum).

Le ROI

• Coût projet : 58 000 € HT (audit 5 200 € inclus, sous le budget de 60 000 €)
• Coût d’exploitation : 1 850 €/mois (Claude Haiku recos + Sonnet copywriting + AWS + Algolia surcoût + maintenance), soit ~22 k€/an
• CA additionnel attribuable : sur la base du test A/B et extrapolation sur 12 mois — 50k commandes traitement × +14 % AOV × 12 mois = +1,2 M€/an de CA incrémental
• Marge additionnelle : à 38 % de marge brute moyenne sur la marque, soit +456 k€/an de marge brute additionnelle, moins coût d’exploitation 22 k€ = net 434 k€/an
• ROI atteint : mois 4 (58 k€ projet remboursés en ~36 k€/mois de marge nette additionnelle)

L’effet collatéral non chiffré dans le ROI : 4 nouvelles segmentations émergées du projet sont maintenant utilisées par l’équipe acquisition pour cibler les campagnes Meta. Effet de second ordre sur le coût d’acquisition.

Ce que dit le client 4 mois après

“On avait peur que la perso à grande échelle nous fasse perdre l’âme de la marque. C’est l’inverse qui s’est produit. Nos clientes nous disent en SAV qu’elles ont l’impression qu’on les connaît mieux. Et le test A/B nous a donné une chose qu’on n’avait jamais eue avant : une preuve chiffrée que ce qu’on fait marche. On peut maintenant défendre nos investissements marketing avec de la donnée propre.” — Head of growth.

Prochaine étape chez ce client

Phase 3 (en discussion 2026-Q4) : personnalisation des landing pages d’acquisition depuis les annonces Meta vers le site, avec adaptation de la home page selon le ciblage de l’annonce. Budget estimé 32 000 €.

Pour votre marque e-commerce

Si vous reconnaissez ce contexte (10+ M€ de CA, 50k+ clients actifs, stack Shopify ou Magento + Klaviyo ou équivalent), les chiffres ci-dessus sont reproductibles chez vous. Voir notre page secteur E-commerce pour les autres cas d’usage. 30 minutes au téléphone pour qualifier votre cas — sans démo commerciale, juste un téléphone pour discuter de votre stack et de vos volumes — écrivez-nous.

Pour aller plus loin

• L’IA pour un e-commerce français — ce qui marche vraiment en 2026 — Triage support, personnalisation de la relance panier, recommandations produits, génération
• Cas client — triage support pour un e-commerce mode (180k tickets/an) — Comment nous avons réduit de 62 % le temps de
• L’IA pour le retail et la distribution en 2026 — ROI rapide, stack sta… — Recommandations produits, prévisions stock, panier abandon, support multilingue, fiches produits
• L’IA pour le marketing et la communication en 2026 — ce qui marche, ce… — Génération de contenus, personnalisation, analyse audience, brief créatif, automatisation campagnes
• Cas client — analyse multilingue d’avis pour un groupe hôtelier (8 éta… — Comment nous avons automatisé l’analyse de 12 000 avis clients
• Cas client — automatisation recrutement chez un cabinet RH Lyon (+35 %… — Comment nous avons augmenté de 35 % la capacité de