Nykaa
recommandation produit + retargeting personnalise pilotes par ML
Nykaa a multiplie ses ventes par 7,5, augmente son panier moyen de 54% et son ROI media par 1,7 grace a la recommandation produit et au retargeting personnalises pilotes par machine learning.
L'essentiel
- Recommandation produit et retargeting personnalises pilotes par ML.
- Criteo Engine pour le scoring d'intention, plus un moteur de recommandation interne.
- Ventes x7,5, panier moyen +54%, ROI media x1,7.
- Preuve B, statut confirme.
Objectif
Ramener les acheteurs mobiles vers l'achat et augmenter le panier moyen en poussant les bons produits au bon moment via une recommandation et un retargeting pilotes par ML.
Le déploiement
Nykaa, plateforme beaute indienne, exploite la recommandation produit et le retargeting dynamique pour engager ses acheteurs sur l'app et le web mobile. Le Criteo Engine s'appuie sur un large pool de donnees pour estimer la propension a l'achat et identifier les produits les plus pertinents, puis diffuse des publicites personnalisees dans le format prefere du shopper. En parallele, Nykaa developpe ses propres moteurs de recommandation (historique d'achat, navigation, type de peau) et evolue vers une exploitation genAI de la personnalisation, couverte par la presse beaute.
Résultats Preuve B
Etude de cas plateforme (Criteo) chiffree, avec citation du CMO de Nykaa, completee par la presse beaute etablie (BeautyMatter) sur la personnalisation AI de la marque.
Comment ça fonctionne
Approche-type inféréeLe détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.
La stack en détail
- plateforme Criteo Engine Moteur ML de Criteo qui estime la propension a l'achat a partir d'un large pool de donnees comportementales et selectionne les produits les plus pertinents pour chaque shopper.
- outil Retargeting dynamique Criteo Diffusion des publicites personnalisees dans le format prefere du shopper, sur app et web mobile.
- outil Moteur de recommandation Nykaa ML proprietaire de Nykaa pour la recommandation on-site, base sur l'historique d'achat, la navigation et le type de peau. Modeles exacts non publies.
Comment ça tourne, concrètement
Pour les équipes ops-
1Collecte du signal site/app + equipe data
Navigation, recherches, ajouts panier et achats alimentent le pool de donnees.
-
2Scoring d'intention IA (Criteo Engine / reco Nykaa)
Le moteur ML estime la propension a l'achat et les produits les plus pertinents.
-
3Diffusion personnalisee IA + equipe media
Publicites de retargeting et recommandations sont poussees dans le format prefere du shopper.
-
4Achat client
Le shopper revient sur l'app/web et convertit.
-
5Optimisation marketing / data
L'equipe growth ajuste budgets, audiences et flux produit selon la performance.
Le flux de donnees comportementales (navigation, panier, historique) et un catalogue produit propre. Si le tracking ou le flux produit se degrade, la recommandation perd sa pertinence et le retargeting devient bruit.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- flux produit propre et a jour
- tracking comportemental consenti
- historique d'achat first-party
Prérequis orga
- equipe performance marketing
- gestion du consentement (surtout en UE)
- budget media
Stack possible
- Criteo
- moteur de recommandation (Algolia, Dynamic Yield, Bloomreach)
- reco interne ML
Le plan, étape par étape
- Étape 1Fiabiliser le flux produit (prix, stock, images, attributs) et verifier que le tracking comportemental est consenti et complet sur app et web.Livrable : Feed catalogue valide + plan de taggage conforme RGPD
- Étape 2Brancher la plateforme de retargeting/recommandation sur le feed et le tracking, definir les segments a plus forte intention (abandonnistes panier, visiteurs PDP recurrents).Livrable : Campagnes configurees sur 2-3 segments pilotes
- Étape 3Lancer le test avec un budget media cadre et un groupe de controle, mesurer ventes attribuees, panier moyen et ROI media.Livrable : Premier read de performance vs controle
- Étape 4Etendre aux autres segments, ajuster budgets, audiences et flux produit selon la performance, activer la recommandation on-site.Livrable : Dispositif etendu avec regles d'optimisation documentees
Première étape : Fiabiliser le flux produit et le tracking consenti, puis activer un moteur de reco/retargeting sur les segments a plus forte intention.
Le même pattern, prouvé dans d'autres industries
Taobao
Recommandation produit temps reel par deep learning, servie sur des centaines de scenarios de l'application
Amazon
Moteur de recommandation produit par filtrage collaboratif item-to-item, servi sur tous les points de contact
ASOS
Recommandation produit par deep learning a l'echelle du catalogue, plus assistant de style conversationnel
Sources
- S1 Nykaa - Criteo Success Story Officiel intéressé archive à générer
- S2 Nykaa and the Rise of India's Beauty Economy Presse établie archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.