- Data
- SEA
- SEO

Accueil — Nos ressources — Article — Moteur de recherche interne d’un site e-commerce : comment l’optimiser avec la data ?
Le moteur de recherche interne est une fonctionnalité incontournable qui peut générer 40% du chiffre d’affaires d’un site e-commerce. Pourtant, peu d’entreprises le surveillent ou l’optimisent activement. Elles ratent donc des opportunités simples d’amélioration de leur conversion. Cet article va vous en faire la démonstration.
Plusieurs études le confirment : les internautes plébiscitent le moteur de recherche interne comme solution de navigation sur un site e-commerce.
Le dernier observatoire des pratiques de recherche dans l’e-commerce édité par la solution Sensefuel confirme que la barre de recherche est le mode d’accès à l’offre privilégié par les consommateurs.
Les visiteurs qui utilisent la barre de recherche ont une intention d’achat plus forte et tendent à convertir beaucoup mieux que la moyenne. Bien que minoritaires dans l’audience globale, ils peuvent ainsi contribuer à hauteur de de 40% du CA d’un site e-commerce.
Malgré son importance, l’expérience de recherche reste trop souvent déceptive.
Le dernier benchmark UX e-commerce de l’institut de recherche Baymard révèle que 61% des 257 plus grands sites e-commerce au monde ont un moteur de recherche interne qui ne répond pas aux standards minimums en matière d’expérience utilisateur.
Dans ce cas, le préjudice sur les ventes peut être colossal.
Comme le montre l’étude de Sensefuel, les utilisateurs n’hésitent pas en effet à quitter le site et aller à la concurrence en cas de résultats non satisfaisants.
Peu d’entreprises ont néanmoins réellement conscience du ce préjudice potentiel puisque 84% d”entre elles ne surveillaient ou n’optimiseraient pas activement leur recherche.
Quand on connaît les difficultés liées à l’acquisition d’audience (concurrence en SEO, inflation des coûts publicitaires, etc), l’optimisation du moteur de recherche interne doit donc être une priorité.
Les premières questions à se poser sont évidemment les suivantes :
Dans l’exemple ci-dessus, seuls 19% des visiteurs utilisent le moteur interne (une proportion relativement faible).
Mais ces 19% contribuent à hauteur de 62,9% des commandes et 58,6% du chiffre d’affaires.
Ces constats sont assez conformes aux standards de marché : le taux de conversion de la recherche est généralement plus important.
Le panier moyen plus faible des utilisateurs du moteur est aussi logique : ils sont concentrés sur des achats spécifiques et potentiellement moins distraits par le cross-selling.
Il est très probable que ces 19% d’utilisateurs du moteur interne soient déjà des clients actuels ou des prospects ayant une bonne connaissance de l’offre du site.
Le moteur de recherche est en effet privilégié à la navigation classique quand un internaute recherche un produit précis :
Cette hypothèse est tout de suite confirmée par l’analyse des sources d’audience : les utilisateurs du moteur de recherche accèdent au site principalement via des leviers de “notoriété” (accès directs, newsletter et recherches de marque sur les moteurs de recherche).
Néanmoins des actions de cross et up-selling peuvent être engagées afin d’augmenter le panier moyen des utilisateurs du moteur de recherche (ex : affichage de produits complémentaires sur la page de résultat du moteur).
Cette première analyse réalisée sur ce cas client ne révèle pas de dysfonctionnements majeurs. Une investigation plus poussée pourrait permettre d’identifier des leviers d’optimisation.
Un moteur de recherche interne est souvent positionné en haut de page :
Il est tout à fait logique que les sites respectent les grands standards UX : un internaute qui recherche un moteur interne va naturellement déplacer ses yeux vers le header.
Néanmoins, les taux d’usage d’un moteur de recherche interne vont différer selon le type de page d’arrivée.
Dans notre exemple, on remarque que :
Ces constats peuvent ensuite être transmis aux experts UX/UI pour qu’ils les transforment en actions concrètes :
Vous aimez nos contenus ?
N'en perdez pas une miette !
La pertinence des résultats générés par un moteur de recherche interne est bien évidemment le nerf de la guerre comme le confirme l’observatoire Sensefuel :
Plusieurs indicateurs et analyses peuvent fournir des insights précieux sur les comportements utilisateurs au sein des pages de résultats.
La façon dont les internautes naviguent après une recherche fournit des indices sur la qualité des résultats.
Un bon comportement utilisateur typique est le suivant : l’utilisateur saisit sa requête, clique sur l’un des premiers résultats, puis parcourt la fiche produit et éventuellement achète.
Si au contraire on observe des défilements longs sans clic, ou plusieurs allers-retours entre la page de résultats et différentes fiches (pogo-sticking), cela peut indiquer que l’utilisateur ne trouve pas immédiatement ce qu’il souhaite.
Ces tunnels de conversion incluant la recherche peuvent être représentés de la façon suivante :
Nous avons choisi dans notre exemple d’analyser les parcours selon le type de landing page afin de détecter des comportements spécifiques selon la page d’arrivée.
Il est tout à fait possible d’utiliser des dimensions d’analyse différentes comme le device, la source de trafic, la langue, etc.
Il s’agit du pourcentage de recherches aboutissant à au moins un clic sur un résultat. Un CTR élevé indique que les résultats sont jugés pertinents par les utilisateurs.
Dans notre exemple, on se rend compte que les CTR sont rarement élevés (> 0,7).
Une analyse plus approfondie par recherche est alors nécessaire pour comprendre ce qui se passe :
Cet indicateur mesure la proportion d’utilisateurs qui quittent le site immédiatement après avoir effectué une recherche (sans cliquer de résultat ni consulter d’autres pages).
Un taux d’abandon post-recherche élevé indique une expérience de recherche insatisfaisante.
Il s’agit du pourcentage de requêtes qui n’affichent aucun produit ou contenu. Une page avec 0 résultat peut être la 1ère explication d’un rebond instantané !
Un taux de “no results” entre 10% et 30% des recherches est considéré comme acceptable.
Au-delà, ce KPI peut révéler des problèmes techniques sur le moteur interne :
Dans cet exemple ci-dessous, une recherche exacte sur un modèle de pneu génère 0 résultat alors que le produit en question est pourtant disponible en vente sur le site ! Une vente quasiment garantie ratée !
Mais une recherche sans résultat n’est pas toujours révélatrice d’un souci technique. Elle peut mettre en exergue une attente d’un utilisateur non satisfaite par le site. Dans ce cas, il s’agit d’une opportunité business à ne pas négliger !
Voilà pourquoi les recherches à 0 résultat doivent être régulièrement analysées :
Sur les 19% des utilisateurs qui utilisent le moteur, 50% ne vont le faire qu’1 seule fois au cours d’une même session.
Ce résultat peut être interprété de différentes manières :
La question peut être tranchée grâce à la création d’un segment sur ce type d’utilisateur.
Quant aux utilisateurs qui ont interagi plusieurs fois avec le moteur, il sera important de mener également une investigation poussée afin de comprendre si les recherches successives sont nouvelles ou des reformulations de la 1ère recherche.
Il est ainsi tout à fait possible d’un point de vue tracking de séquencer les différentes recherches de cette façon là :
Certains sites e-commerce comme Zalando disposent d’un système d’auto-complétion sur leur moteur interne. Lorsqu’un utilisateur commence à taper une requête, le moteur de recherche affiche des suggestions basées sur des tendances, des recherches précédentes et des algorithmes d’analyse du texte.
Les suggestions instantanées pendant la saisie (auto-suggest) influencent fortement le comportement. Souvent, l’utilisateur clique sur une suggestion proposée avant même de finir de taper. Cela peut accélérer sa recherche et garantir une requête qui retourne des résultats (réduisant les risques de faute de frappe ou de « no result »).
L’autocomplétion pourrait ainsi augmenter les conversions de 24% en guidant mieux l’utilisateur dans sa recherche.
L’analyse du taux d’utilisation de l’auto-complétion (= la part des recherches provenant d’un clic sur une suggestion) est donc utile. Un taux élevé signifie que les suggestions sont pertinentes et attirent les utilisateurs.
On peut également comparer la conversion des sessions où l’utilisateur a cliqué une suggestion vs celles sans suggestion pour mesurer l’impact.
Les comportements possibles sur une page de résultats sont multiples :
Ces parcours peuvent potentiellement diverger selon le mot-clé, le device et le type de page d’arrivée.
Voilà pourquoi nous recommandons d’utiliser un sunburst pour visualiser les parcours post-recherche.
Le sunburst est idéal pour explorer de façon ludique des parcours complexes. Il permet de repérer facilement les chemins les plus courants mais aussi les goulots d’étranglements.
Le sunburst est particulièrement adapté à l’analyse des fonctionnalités d’affinage présente sur une page de résultat d’un moteur interne :
Un usage élevé des filtres peut indiquer que la requête initiale était large (ex. “maquillage”) et que l’utilisateur se sert des facettes pour affiner.
Il peut aussi révéler que les résultats par défaut nécessitent d’être mieux classés.
Si peu d’utilisateurs utilisent les filtres, cela peut signifier soit que les résultats initiaux sont très précis, soit que l’interface de filtrage n’est pas assez mise en avant ou ergonomique.
L’exploitation du sunburst permettra de déterminer :
Le taux de clic selon la position des résultats peut fournir un éclairage utile sur les comportements des utilisateurs sur les pages de résultats d’un moteur interne.
Il est donc crucial que les premiers résultats soient pertinents.
Généralement, les premiers résultats captent l’essentiel des clics. Si un résultat en bas de page obtient plus de clics qu’un résultat supérieur, cela peut indiquer que le classement par pertinence est à améliorer.
L’analyse du comportement des utilisateurs sur moteur interne ne se limite pas à l’optimisation de l’expérience client.
Elle peut être une mine d’or pour comprendre les tendances produits et anticiper les besoins clients.
Pourtant, une étude eConsultancy révèle que seuls 7% des entreprises exploitent les données collectées sur un moteur interne dans une optique business.
Identifier les requêtes les plus recherchées sur une période donnée permet de connaître les produits vedettes ou les préoccupations principales des clients. L’analyse de l’historique mois par mois met en évidence des pics de recherche saisonniers.
Toutes ces informations peuvent guider les actions de merchandising sur un site :
Plutôt que les débats subjectifs stériles, l’utilisation de la data permet d’avoir un pilotage rationnel du merchandising.
Le suivi des recherches à 0 résultat n’a pas qu’un intérêt défensif (= identifier des problèmes techniques sur le moteur).
Il peut révéler des tendances plus larges. L’apparition soudaine de nombreuses recherches pour un produit que vous ne vendez pas peut indiquer une demande non satisfaite.
Si de plus en plus de visiteurs cherchent un type de produit précis (ex: “vélo électrique pliant”), cette information mérite d’être partagée aux équipes achats afin d’aligner l’offre sur la demande réelle exprimée.
Analyser les logs de recherche interne revient donc à mener une étude de marché en continu sur les intentions des visiteurs.
Les campagnes marketing (TV, newsletter, display, etc) mettant en avant un produit (ex : veste automne 2025) ou un code promo (ex : -20% sur les baskets Adidas) peuvent influencer les recherches sur un moteur interne.
L’évolution des recherches sur les produits concernés sur un moteur interne peut donc être considérée comme un KPI de campagne.
L’analyse doit donc faire le lien entre les pics de recherche de certains mots-clés et les actions marketing correspondantes.
Elle fournit alors une boucle de rétroaction précieuse :
Certaines entreprises vont jusqu’à ajuster en temps réel leur moteur pendant une campagne (ajout de synonymes, création de pages de résultats dédiés, etc) pour maximiser la conversion.
Exploiter les données de recherche interne peut être un levier puissant pour affiner vos stratégies SEO et SEA :
Et enfin, il est important d’avoir en tête qu’un moteur interne performant favorise la rétention sur le site qui est un critère de pertinence SEO et SEA avéré. La boucle est bouclée !
La plupart des solutions de recherche qu’elles soient Saas (Algolia, Doofinder, Sensefuel, etc) ou Open Source (ElasticSearch ou Solr) incluent nativement un module de reporting..
Leurs principaux avantages résident dans leur simplicité d’utilisation (les rapports sont fournis par défaut sans configuration spécifique) et leur intégration native avec les fonctionnalités du moteur. Il est dans ce cas aisé de transformer un constat en action concrète dans une même interface (ex : ajouter un synonyme, ajuster le classement, etc).
Toutefois, ces outils montrent leurs limites dès qu’on souhaite avoir des analyses plus poussées :
Ainsi, toutes les visualisations présentées dans cet article ne pourraient pas être générées via les reportings intégrés des solutions de recherche interne.
Pour toutes ces raisons, il nous semble préférable d’utiliser une solution analytics professionnelle.
La plupart des éditeurs analytics (GA4, Piano, Piwik Pro, Matomo, Adobe, etc) intègrent par défaut des rapports dédiés à l’analyse du moteur interne.
Ces solutions apportent des insights beaucoup plus avancés grâce à de nombreux atouts :
Si le tracking du moteur interne est possible sur tout type de solutions, 2 d’entre elles se démarquent selon nous :
L’implémentation de la collecte sur un moteur interne ne présente pas de défis techniques majeurs :
Les solutions analytics exemptées du recueil de consentement (Piano, Piwik, Matomo, etc) ne peuvent pas en théorie collecter par défaut les mots-clés tapés sur un moteur interne.
En effet, une requête interne peut potentiellement être considérée comme une donnée personnelle, surtout si elle contient des informations identifiantes ou si elle est liée à un utilisateur authentifié.
La plupart des requêtes sont effectuées par des utilisateurs anonymes et concernent des noms de produits ou des thèmes génériques. Elles ne posent donc pas de problème.
En revanche, un utilisateur peut rechercher des informations le concernant (ex. un numéro de dossier, son nom, une adresse), le mot-clé saisi est potentiellement une donnée personnelle.
Une cartographie des risques doit donc être réalisée en amont afin d’estimer si les mots-clés saisis peuvent être récupérés sans obtention du consentement.
Les éditeurs de solutions de recherches internes intègrent de plus en plus de briques d’IA afin de générer des résultats toujours plus pertinents et personnalisés afin d’augmenter la conversion :
Ces évolutions vont complexifier le tracking des comportements sur un moteur interne :
Si les bénéfices sur l’expérience client sont évidents, l’IA va poser des défis en termes de collecte et d’analyse des comportements à cause de l’ultra-personnalisation des recherches, des résultats et des parcours..
Mais bonne nouvelle, l’IA grâce au machine learning sera aussi utile pour traiter les informations et en tirer des insights actionnables !