The North Face
Assistant d'achat conversationnel qui personnalise la recommandation produit par le dialogue (usage, meteo, activite)
Des 2015, The North Face a teste XPS, un assistant d'achat conversationnel sur IBM Watson qui recommandait des produits selon l'usage et la meteo ; le pilote a atteint 60 % de clic vers les recommandations et 40 % de temps en plus sur site.
Objectif
Reproduire en ligne le conseil d'un vendeur specialise : poser quelques questions sur l'usage prevu et ressortir les produits adaptes, plutot que laisser le client filtrer seul un catalogue.
Le déploiement
En 2015-2016, The North Face a mis en ligne XPS (Expert Personal Shopper), un assistant d'achat conversationnel construit par l'agence Fluid et propulse par IBM Watson. Le client decrit ce qu'il cherche en langage naturel, par exemple une veste pour une randonnee a tel endroit et telle saison ; le systeme interprete la demande, estime les conditions (temperature, vent) et classe les produits en consequence. Lance en beta en decembre 2015 apres un pilote d'un mois, l'outil etait au depart limite aux vestes. Sur le pilote, la session moyenne durait deux minutes et le taux de clic vers les recommandations atteignait 60 %. D'apres les comptes rendus ulterieurs, les clients qui utilisaient l'assistant passaient 40 % de temps en plus sur le site et 75 % declaraient vouloir s'en resservir. En novembre 2016, IBM a rachete l'unite XPS de Fluid. Le dispositif d'origine n'apparait plus en service aujourd'hui ; le pattern, lui, s'est generalise avec les assistants conversationnels sur LLM.
Résultats Preuve C
Communique officiel du lancement (chiffres du pilote : 60 % de clic, 2 min de session) et comptes rendus concordants d'analyses tierces pour le temps passe et l'intention de reutilisation. Pas de resultat financier ; dispositif ancien dont la vivacite n'est plus confirmee.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme IBM Watson Technologie cognitive (NLP) qui interpretait la demande en langage naturel et estimait le contexte (temperature, vent) pour le lieu et la saison.
- outil Fluid Expert Personal Shopper (XPS) Assistant d'achat conversationnel concu par l'agence Fluid sur Watson ; l'unite XPS a ete rachetee par IBM en novembre 2016.
- infra Site e-commerce thenorthface.com Point d'integration de l'assistant, au depart limite a la categorie vestes.
Comment ça tourne, concrètement
Pour les équipes ops-
1Recueillir la demande Client
Le client formule son besoin en langage naturel (activite, lieu, saison).
-
2Interpreter et contextualiser IA / assistant conversationnel
Le NLP extrait l'intention et estime les conditions (temperature, vent) pour le lieu et la periode.
-
3Classer les produits IA / assistant conversationnel
Les articles sont ranges par adequation au besoin exprime et au contexte, puis presentes au client.
-
4Mesurer l'engagement Equipe e-commerce
Temps passe, clics vers les recommandations et intention de reutilisation servent a juger l'outil.
La demande exprimee par le client en langage naturel, croisee avec des donnees de contexte (lieu, saison, meteo). Sans un mapping fiable entre l'intention et les attributs produits, l'assistant recommande a cote.
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
- Catalogue avec attributs d'usage exploitables (activite, saison, conditions)
- Mapping entre intentions clients et attributs produits
- Source de contexte externe si pertinent (meteo, localisation)
Prérequis orga
- Brique conversationnelle encadree (garde-fous, transparence)
- Equipe e-commerce pour maintenir le mapping intention-produit
Stack possible
- Assistant conversationnel sur LLM (Azure OpenAI, Google, ou equivalent) branche sur le catalogue
- Moteur de recommandation contextuel derriere l'assistant
Le plan, étape par étape
- Étape 1Choisir une categorie a fort besoin de conseil et cartographier les attributs d'usage du catalogue (activite, saison, conditions).Livrable : Mapping intention client vers attributs produits.
- Étape 2Brancher un assistant conversationnel (sur LLM aujourd'hui) sur le catalogue de la categorie, avec garde-fous et transparence sur la nature IA.Livrable : Assistant en pre-production sur la categorie pilote.
- Étape 3Ouvrir en beta sur une part du trafic et mesurer clic vers les recommandations, temps passe et conversion contre le parcours filtre classique.Livrable : Resultats du test controle.
- Étape 4Iterer sur le mapping intention-produit a partir des conversations reelles et decider de l'extension a d'autres categories.Livrable : Bilan et roadmap d'extension.
Première étape : Cibler une categorie a fort besoin de conseil (equipement outdoor, high-tech), brancher un assistant conversationnel sur le catalogue, et mesurer clic vers reco et conversion contre le parcours filtre classique.
Le même pattern, prouvé dans d'autres industries
Function of Beauty
formulation produit personnalisee par algorithme a partir d'un quiz
Henkel
content supply chain genAI pour personnalisation un-a-un a l'echelle
Hims & Hers
routage de traitement personnalise par IA sur donnees d'intake (MedMatch)
Sources
- S1 The North Face, IBM and Fluid Launch New Interactive Shopping Experience using Artificial Intelligence (AI) - PR Newswire Officiel intéressé archive à générer
- S2 Smarter e-shopping with The North Face and Watson - Harvard Business School (Technology and Operations Management) Secondaire archive à générer
- S3 IBM buys Expert Personal Shopper from Fluid to build out Watson's conversation skills - TechCrunch 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.