River Island
Scoring produit predictif au-dessus de Performance Max : au lieu du bucketing statique hero/zombie, un modele evalue le potentiel d'un produit par effet de voisinage (attributs comparables) pour donner de la visibilite aux nouveautes et a la longue traine que l'algo delaisse faute d'historique
River Island a augmente son revenu de 34 % et son ROAS de 19 % sur le Kidswear en ajoutant a Google Performance Max un scoring produit predictif (smec SmartScoreAI) qui evalue les nouveautes par effet de voisinage plutot que par leur seul historique de ventes.
L'essentiel
- Scoring produit predictif ajoute au-dessus de Google Performance Max pour les nouveautes et la longue traine.
- Stack smec Campaign Orchestrator (SmartScoreAI, Dynamic Segments) sur feed Merchant Center.
- Revenu +34% et ROAS +19% sur la categorie Kidswear.
- Preuve B, statut confirme, finaliste des European Search Awards 2026.
Objectif
Faire remonter les nouveautes et les produits de longue traine que Performance Max ignore faute de donnees historiques, sans sacrifier la profitabilite.
Le déploiement
River Island a remplace son systeme de tri statique des produits (buckets hero/zombie) par une approche dynamique pilotee par l'IA au-dessus de Performance Max, via le Campaign Orchestrator de smec. Trois briques : SmartScoreAI evalue chaque produit par un effet de voisinage, en le comparant a des articles similaires (type, marque, prix, saisonnalite) plutot qu'a son seul historique de ventes ; Dynamic Segments regroupe automatiquement les produits en categories strategiques (fort potentiel, valeurs sures, nouveautes, faible priorite) qui evoluent avec les signaux ; l'orchestration des budgets et du tROAS pilote l'investissement au niveau du compte et redirige la depense vers les campagnes les plus performantes. Sur la categorie Kidswear, smec annonce un revenu en hausse de 34 % et un ROAS en hausse de 19 %. Le travail a valu a smec une place de finaliste des European Search Awards 2026 dans la categorie Best Use of AI in PPC, avec River Island.
Résultats Preuve B
Etude de cas d'un partenaire specialise (smec) chiffree et nominative (River Island, Elvis Mugera) - source interessee. Le projet est corrobore par sa selection comme finaliste des European Search Awards 2026, programme tiers, mais les chiffres ne sont pas confirmes en resultats financiers.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme smec Campaign Orchestrator Couche d'orchestration au-dessus de Performance Max : pilotage des budgets et du tROAS au niveau compte.
- outil smec SmartScoreAI Scoring predictif du potentiel produit par effet de voisinage (type, marque, prix, saisonnalite), qui note les nouveautes sans historique.
- outil smec Dynamic Segments Segmentation produit dynamique (fort potentiel, valeurs sures, nouveautes, faible priorite) qui evolue avec les signaux.
- plateforme Google Ads Performance Max Encheres et diffusion multi-canaux (Shopping, Search, YouTube, Display) pilotees par le ML de Google.
- outil Google Merchant Center Feed produit alimentant Performance Max ; la richesse des attributs conditionne le scoring par voisinage.
Comment ça tourne, concrètement
Pour les équipes ops-
1Structurer les attributs produit Equipe data / e-commerce
Fournir type, marque, prix, saisonnalite au niveau article pour que le scoring par voisinage ait de quoi comparer.
-
2Scorer par effet de voisinage SmartScoreAI (outil)
Le modele estime le potentiel d'un produit a partir de ses pairs, ce qui donne une note aux nouveautes sans historique.
-
3Re-segmenter en continu Dynamic Segments (outil)
Les produits basculent entre categories (fort potentiel, valeurs sures, nouveautes, faible priorite) selon l'evolution des signaux.
-
4Piloter budget et tROAS au niveau compte Equipe media + outil
La depense est reallouee vers les campagnes qui performent. L'equipe fixe les seuils de ROAS, l'outil ajuste.
Les attributs et signaux produit (type, marque, prix, saisonnalite, performance des voisins). Sans attributs produit riches, l'effet de voisinage ne fonctionne pas et les nouveautes restent invisibles.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe pricing algorithmique est le terrain le plus inflammable : 68% des consommateurs disent se sentir leses quand les marques utilisent le pricing dynamique et 80% jugent plus dignes de confiance les marques aux prix constants (Gartner, 2024). L'equite percue varie selon le secteur : le pricing dynamique n'est juge juste que par 33% a 40% des repondants selon qu'il s'agit de concerts ou de cinemas (YouGov, 17 marches). Le prix personnalise par les donnees individuelles est le plus rejete : 47% des Americains s'y opposent fermement (Consumer Reports, 2024).
Conditions d'acceptation
- La constance des prix comme signal de confiance : 80% jugent plus fiables les marques aux prix stables (Gartner 2024)
- Le secteur conditionne l'equite percue : le pricing dynamique est mieux tolere pour les cinemas (40% le jugent juste) que pour les concerts (33%) (YouGov 2024)
Lignes rouges
- Le pricing dynamique percu comme abus : 68% se sentent leses (Gartner 2024)
- Le prix individualise a partir des donnees personnelles : 47% d'opposition ferme (Consumer Reports 2024)
- Les frais caches et hausses imprevues, vecus par 79% des consommateurs sur un an et associes a la perte de confiance (Gartner 2024)
Sources : Gartner 2024 · YouGov 2024 · Consumer Reports 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Attributs produit riches au niveau article (type, marque, prix, saisonnalite)
- Feed Shopping propre
- Consent Mode v2 en UE
Prérequis orga
- Un catalogue avec beaucoup de nouveautes et de longue traine
- Un outil d'orchestration/scoring tiers au-dessus de PMax
Stack possible
- Google Ads Performance Max + outil de scoring produit et d'orchestration (smec ou equivalent) + feed produit enrichi
Le plan, étape par étape
- Étape 1Enrichir les attributs produit au niveau article (type, marque, prix, saisonnalite) et nettoyer le feed Shopping.Livrable : Feed Merchant Center enrichi et valide.
- Étape 2Brancher l'outil de scoring et d'orchestration au-dessus de Performance Max.Livrable : Scoring par voisinage actif sur tout le catalogue.
- Étape 3Mettre en place les segments dynamiques et la structure de campagnes par categorie strategique, avec tROAS par segment.Livrable : Campagnes PMax segmentees en diffusion.
- Étape 4Laisser l'orchestration reallouer budget et tROAS, puis lire revenu et ROAS sur une categorie test face au bucketing statique.Livrable : Comparatif revenu / ROAS vs approche statique et decision de generalisation.
Première étape : Identifier les nouveautes et produits de longue traine sans historique, puis tester un scoring par voisinage pour leur donner de la visibilite dans PMax.
Le même pattern, prouvé dans d'autres industries
Allwyn
achat programmatique omnicanal pilote par IA avec activation de data retail
Nivea
test et optimisation genAI des elements creatifs + localisation automatisee a l'echelle
Clarins
Campagne de vente automatisee par IA plus ads catalogue dynamiques, evaluee en incremental par Conversion Lift face au dernier clic
Sources
- S1 River Island - smec case study (SmartScoreAI, Dynamic Segments, Performance Max) Officiel intéressé archive à générer
- S2 smec finalist for the European Search Awards 2026 (Best Use of AI in PPC, with River Island) Officiel intéressé 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.