← Tous les guides

Mise en route

Magento : un module LIKYLY écrit pour vous, et un modèle qui apprend à chaque commande

Le terrain de cet article : une boutique Magento Open Source 2.4.9, la « LIKYLY Test Shop », avec 120 produits dont 20 robes de luxe. Pour qu’elle vive, 45 clientes test aux goûts nets (15 pour les robes du soir, 15 pour les robes de cocktail, 15 pour les robes de jour) s’y sont connectées dans un vrai navigateur, ont regardé des robes, suivi une recommandation, rempli leur panier et commandé. Tout ce qui suit est réel : la sortie du wizard, ce que le module a envoyé, la console, et la pertinence des recommandations mesurée à quatre moments de la vie du modèle.

Comparer deux produits, ou savoir lequel montrer à qui

Un assistant IA comme ChatGPT ou Claude compare très bien deux robes si on le lui demande : coupe, tissu, prix, occasion. Mais il compare des produits entre eux, à partir de leur description. Il ne sait pas que Camille a acheté deux robes du soir le mois dernier, que Louise ne regarde que des robes de jour, ni ce qu’ont fini par acheter les clientes qui ont hésité sur la même fiche. Il ne voit ni votre trafic, ni vos commandes, et personne ne lui dit si sa suggestion a été achetée.

Un moteur de recommandation fait l’inverse : il ne répond à aucune question, il décide sur chaque page vue quels produits montrer à cette cliente-là, à partir de ce que votre boutique a appris, puis il mesure le résultat et réentraîne son modèle. LIKYLY s’appuie lui aussi sur l’IA pour comprendre les fiches produit (des embeddings sémantiques), mais ce qui fait la différence, c’est le filtrage collaboratif appris sur vos propres clients. La fin de l’article montre ce que cela change, chiffres à l’appui.

Étape 1 : le wizard écrit un module Magento

À la racine de la boutique, une commande : npx @likyly/wizard. Il reconnaît Magento à son composer.json et ne passe pas par Composer : il écrit un petit module dans app/code.

Sortie du wizard LIKYLY à la racine d'une boutique Magento : Magento Open Source détecté, module app/code/Likyly/Recommendations écrit avec la clé publique, Claude Code connecté au serveur MCP LIKYLY
Sortie réelle de @likyly/wizard 0.18.1 en mode non interactif (--yes) sur une copie de la boutique. En mode normal, il vous connecte à likyly.com, puis relie le catalogue.
app/code/Likyly/Recommendations/
  Block/  view/        # le bloc et son gabarit (SDK chargé depuis jsDelivr)
  CustomerData/        # le client connecté, pour un historique qui le suit
  Console/             # bin/magento likyly:integration, likyly:catalog
  etc/config.xml       # la clé publique

Le module suit chaque page : le client connecté, chaque ajout au panier, et chaque achat sur la page de confirmation de commande, avec son prix et la recommandation d’où il vient. Il ajoute aussi un widget (Contenu → Widgets → LIKYLY recommendations) et des réglages (Magasins → Configuration → Catalogue → LIKYLY).

Pour relier le catalogue, rien à faire dans l’admin. Le wizard trouve comment bin/magento tourne dans votre projet (DDEV, Warden, Docker Compose ou PHP directement), active le module, puis crée une Integration « LIKYLY » en lecture seule (catalogue, magasins, stock). Ses identifiants partent chez LIKYLY, chiffrés, sans jamais s’afficher. LIKYLY lit ensuite les produits par l’API REST de la boutique, avec des requêtes signées. Une boutique sur votre poste, hors de portée d’internet, est envoyée par le wizard lui-même. Une boutique en mode production n’est pas touchée : un module y demande un déploiement complet.

Étape 2 : Claude Code place les blocs

Le wizard passe la main à Claude Code (le passage de relais en détail). Avec le serveur MCP de LIKYLY, Claude crée les emplacements, ajoute un fichier de layout par page dans le module, puis vide le cache de Magento :

app/code/Likyly/Recommendations/view/frontend/layout/
  catalog_product_view.xml   # « You may also like » sous la description
  cms_index_index.xml        # « Recommended for you » sur l'accueil
Bloc You may also like sous la fiche d'une robe Linden Hale à plumes : cinq robes du soir et de cérémonie avec image, nom et prix
Le bloc « You may also like » sous la fiche d’une robe du soir, vu par un visiteur anonyme : des robes proches par le style et la gamme de prix.

Étape 3 : deux clientes, deux accueils

Sur l’accueil, le bloc « Recommended for you » ne dépend pas d’une fiche produit : il ne s’appuie que sur ce que LIKYLY sait de la cliente connectée. Voici le même bloc, au même moment, pour deux clientes test. Camille a commandé des robes du soir, Louise des robes de jour.

Accueil de la boutique Magento pour Camille Laurent, connectée : le bloc Recommended for you montre quatre robes du soir longues et une mini-robe
Pour Camille (robes du soir) : quatre robes longues de soirée sur cinq.
Accueil de la boutique Magento pour Louise Faure, connectée : le bloc Recommended for you montre des robes de jour et de cocktail
Pour Louise (robes de jour) : la robe fourreau en tweed et la robe en soie imprimée, deux robes de jour qu’elle n’a pas encore achetées, puis des robes de cocktail.

Aucune règle n’a été écrite pour obtenir cela. Personne n’a étiqueté les clientes ni dit au moteur ce qu’est une « robe du soir » : le modèle l’a déduit des vues, des paniers et des commandes. Et une robe déjà achetée n’est jamais reproposée à une cliente connectée : c’est une règle active par défaut.

Étape 4 : ce que le module envoie, de la vue à l’achat

Le parcours de Mila, une des clientes test, tel que le script de test l’a journalisé :

Journal du parcours d'une cliente test : trois robes vues avec les recommandations affichées, un clic sur une recommandation, deux ajouts au panier, la commande, puis la liste des événements envoyés à LIKYLY dont l'achat attribué à la recommandation, 6 200 euros
En vert, ce qui relie l’achat à la recommandation : le clic, l’ajout au panier et l’achat portent la mention rec. La robe DRS-003, cliquée dans un bloc, est comptée dans le chiffre d’affaires attribué ; la DRS-015, trouvée seule, ne l’est pas.

C’est ce chaînage qui permet de dire ce que rapportent les recommandations, et rien de plus : un achat n’est attribué que si le produit a été cliqué dans un bloc.

Étape 5 : la console Pro

La page Performance rassemble les huit indicateurs, la courbe jour par jour, l’entonnoir du produit vu à l’achat, la part de chiffre d’affaires de chaque emplacement et les dix produits qui marchent le mieux en recommandation, avec un export CSV.

Console LIKYLY, page Performance de la boutique Magento de test : blocs servis, produits vus, produits cliqués, CTR, achats attribués, chiffre d'affaires attribué, conversion et chiffre d'affaires pour 1 000 produits vus
Les 30 derniers jours de la boutique de test : 286 blocs servis, 368 produits vus, 57 cliqués (15,5 % de CTR), 47 achats attribués pour 302 100 € de chiffre d’affaires.
Suite de la page Performance : courbe jour par jour, entonnoir du produit vu à l'achat, et tableau par emplacement avec la part du chiffre d'affaires
L’entonnoir du produit vu à l’achat, et la part de chaque emplacement : « You may also like », sur la fiche produit, fait 18,2 % de CTR et apporte tous les achats attribués. C’est là que les clientes test cliquent une recommandation avant de commander.
Console LIKYLY : les dix produits les plus cliqués en recommandation, avec le nombre de fois où ils ont été proposés, vus, cliqués, achetés, et leur chiffre d'affaires
Les dix robes qui marchent le mieux en recommandation. La robe-cape en crêpe de soie, proposée 113 fois, a amené 4 achats et 44 500 €.

Un mot honnête sur ces chiffres : les clientes test suivent une recommandation par construction, et les robes coûtent plusieurs milliers d’euros. Les taux de conversion et le chiffre d’affaires montrent ce que la console sait mesurer, pas ce qu’une vraie boutique obtiendrait.

La page Entraînement dit quelles méthodes de recommandation sont prêtes, et montre chaque version du modèle : quand elle a été entraînée, sur combien d’interactions, et sa précision.

Console LIKYLY, page Entraînement : les quatre méthodes de recommandation du catalogue magento, contenu, session, collaboratif et hybride, avec leur état, et le modèle en production version 40
À chaque demande, LIKYLY choisit la meilleure méthode prête : le contenu dès le premier jour, la session pendant une visite, le collaboratif et l’hybride dès qu’un modèle est entraîné.
Console LIKYLY, historique des entraînements : la version 40 en production, entraînée automatiquement sur 239 interactions avec une précision à 10 de 0,837, et les versions précédentes
L’historique des entraînements automatiques. La version 40, en production, a été entraînée sur 239 interactions.

Plus de données, des produits plus pertinents : la mesure

Les recommandations s’améliorent-elles vraiment quand la boutique accumule des données ? Sur ce bac à sable, on peut le vérifier, parce qu’on connaît le goût de chaque cliente. À quatre moments, un script a lu ce que LIKYLY recommanderait à chacune sur l’accueil (par la prévisualisation des emplacements, qui n’écrit rien et ne compte dans aucune statistique), puis noté la part des robes recommandées qui sont à son goût et pas encore achetées : les seules qui peuvent encore donner lieu à une vente.

Accueil, « Recommended for you » : robes à son goût, pas encore achetées
Modèle entraîné sur 4 clientes28 %

19 interactions, précision@10 de 0,20 · 15 clientes mesurées

Modèle entraîné sur 16 clientes37 %

89 interactions, précision@10 de 0,54 · 15 clientes mesurées

Modèle entraîné sur 30 clientes67 %

155 interactions, précision@10 de 0,83 · 45 clientes mesurées

Modèle entraîné sur 46 clientes66 %

239 interactions, précision@10 de 0,84 · 45 clientes mesurées

Au hasard : 20 %Meilleur possible : 75 %

Au hasard, quatre robes tirées parmi les vingt donneraient 20 % de robes utiles. Le maximum possible est de 75 % en moyenne et non 100 % : une cliente « robes de jour » n’a que quatre robes de son goût dans le catalogue, dont deux déjà achetées. Avec un modèle entraîné sur 4 clientes, LIKYLY fait à peine mieux que le hasard. Avec 30, il atteint 67 % : près du plafond. Avec 46, il reste à 66 % : sur ce rayon, l’accueil a atteint ce qu’il pouvait gagner. Pour comparaison, un visiteur dont on ne sait rien reçoit les robes les plus populaires : 10 % puis 16 % de robes utiles lors des deux dernières mesures, sous le hasard, parce que la popularité ignore les goûts.

Le détail par goût, avec le dernier modèle (46 clientes) :

GoûtRecommandées utilesMeilleur possibleAu hasard
Robes du soir (15 clientes)78 %100 %35 %
Robes de cocktail (15 clientes)70 %75 %15 %
Robes de jour (15 clientes)50 %50 %10 %

Les robes de jour atteignent leur plafond, et c’est le goût le plus rare du catalogue : au hasard, une cliente n’en verrait qu’une sur dix. C’est exactement là qu’un moteur qui connaît ses clientes fait la plus grande différence.

Comment lire ces chiffres

La théorie derrière ces barres tient en trois idées. D’abord, chaque interaction est un vote : une vue pèse peu, un ajout au panier davantage, un achat le plus. Le modèle, une factorisation de matrice, place clientes et robes dans un même espace de goûts. Avec 19 interactions, cet espace est presque vide et le moteur se rabat sur la session en cours ; avec 155 puis 239, les trois groupes de goûts sont nets.

Ensuite, la courbe monte vite puis plafonne. Le gain se fait sur les premières dizaines de clientes ; ensuite il est borné par le catalogue, comme le montrent les robes de jour. Sur une vraie boutique, le plafond dépend aussi de la part d’imprévisible dans les achats, plus grande que chez des clientes test aux goûts tranchés.

Enfin, tous les emplacements ne réagissent pas pareil. Sur la fiche d’une robe de mariée, qui n’est du goût de personne, la part de robes utiles est passée de 25 % à 43 %, est restée à 43 % entre 16 et 30 clientes, puis a atteint 58 % avec 46 clientes, au moment où l’accueil, lui, ne bougeait plus. Ce bloc part du produit affiché et ne mélange qu’une partie du profil de la cliente : il lui faut plus de données pour que ce profil pèse. C’est voulu : sur une fiche, on montre d’abord ce qui ressemble à ce qu’on regarde. Conséquence pratique : les données supplémentaires continuent de servir après le plafond d’un emplacement, en améliorant les autres.

Côté mécanique, LIKYLY réentraîne le modèle quand assez de nouvelles interactions sont arrivées (jusqu’à 5 fois par jour en Pro, une fois en Free), mesure sa précision sur une partie des données mise de côté, et ne met une nouvelle version en production que si elle fait au moins aussi bien que l’actuelle sur les mêmes données. La précision@10 affichée n’est comparable qu’à données égales ; ce qui compte pour vos clients, c’est la part de produits utiles qu’ils voient, et c’est ce que mesure l’étude ci-dessus.

Les limites de ce test

  • Des clientes simulées aux goûts tranchés, et un rayon de 20 robes : un cas d’école, plus net que la réalité.
  • Quelques dizaines de commandes : assez pour voir la tendance, pas pour en tirer une moyenne.
  • Les achats suivent une recommandation par construction : le chiffre d’affaires attribué montre l’attribution, pas un résultat commercial.

Ce qui se transpose, c’est le mécanisme : plus votre boutique transmet de vues, de paniers et de commandes, avec ses clients connectés identifiés, plus les produits affichés se rapprochent de ce que chacun va acheter. La version Shopify de ce parcours est dans l’article Shopify. Pour commencer sur votre boutique : le guide d’installation, ou npx @likyly/wizard à sa racine.