Recherche interne : diagnostiquer les requêtes qui bloquent l’achat

La recherche interne révèle les intentions que le merchandising ne capte pas

La recherche interne est l’un des rares endroits du site où l’utilisateur formule explicitement ce qu’il veut. Une navigation par catégories, un clic sur une bannière ou un scroll de page produit restent des signaux interprétés. Une requête saisie dans un moteur onsite est un signal déclaratif : taille, marque, usage, contrainte de prix, urgence, compatibilité, référence produit, symptôme ou objection. Pour une équipe CRO, conversion rate optimization, discipline visant à améliorer la capacité d’un parcours digital à transformer son trafic en valeur mesurable, c’est une source de diagnostic beaucoup plus riche qu’un simple taux de conversion global.

Pourtant, la recherche interne est souvent pilotée comme une fonctionnalité produit, pas comme un levier de performance. Les équipes regardent le volume de recherches, parfois le taux de requêtes sans résultat, mais relient rarement les requêtes au revenu, à la marge, au taux d’ajout panier, au taux de paiement validé ou à la qualité de lead. C’est une erreur. Une requête qui ne renvoie aucun résultat, qui renvoie des produits indisponibles, qui affiche des résultats non pertinents ou qui oblige l’utilisateur à reformuler plusieurs fois peut bloquer l’achat à un moment d’intention élevée.

Dans un funnel, parcours allant de la première exposition marketing à la conversion puis à la fidélisation, la recherche interne agit comme un accélérateur ou comme un point de rupture. Les utilisateurs qui utilisent la recherche convertissent souvent davantage que la moyenne, non parce que le moteur est nécessairement performant, mais parce qu’ils ont une intention plus claire. Cette différence crée un piège analytique : un taux de conversion élevé chez les utilisateurs search peut masquer des pertes importantes sur certaines requêtes. Un site peut afficher 6 % de conversion chez les utilisateurs qui recherchent, contre 2 % pour les autres visiteurs, tout en perdant une part significative de chiffre d’affaires sur les requêtes à forte intention mal servies.

L’enjeu économique est direct. Si un e-commerce réalise 1,5 million de sessions mensuelles, que 12 % utilisent la recherche interne, et que 18 % de ces recherches aboutissent à une page sans résultat ou à une sortie immédiate, cela représente 32 400 sessions mensuelles exposées à une friction critique. Avec un panier moyen de 78 euros, une marge contributive de 30 % et un taux de conversion attendu de 7 % sur les recherches à intention produit, une perte de seulement 20 % de ces conversions potentielles peut représenter plus de 53 000 euros de marge mensuelle à risque. Ce calcul reste approximatif, mais il change le statut du sujet : la recherche interne n’est pas une zone UX secondaire, c’est une surface de revenu.

Le CPA, coût par acquisition, c’est-à-dire le coût marketing nécessaire pour générer un client ou une conversion qualifiée, peut également se dégrader lorsque des requêtes bloquent l’achat. Le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, peut baisser alors que le problème ne vient pas du média mais du parcours onsite. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, peut même mal interpréter la performance de certains canaux : un canal qui envoie des visiteurs très intentionnistes vers un site dont la recherche interne échoue sur les références recherchées sera pénalisé dans les dashboards, alors que l’intention initiale était forte.

Classer les requêtes par intention, pas seulement par volume

La première étape d’un diagnostic sérieux consiste à construire une taxonomie des requêtes. Une liste des 1 000 recherches les plus fréquentes ne suffit pas. Elle indique ce que les utilisateurs demandent, mais pas pourquoi la requête est importante ni quel type de réponse le site doit fournir. Une requête comme robe noire, livraison express, cartouche hp 305, retour gratuit ou compatible iphone 15 ne porte pas le même rôle dans la décision.

Une taxonomie opérationnelle peut distinguer six familles. Premièrement, les requêtes produit : nom de produit, référence, SKU, catégorie ou caractéristique précise. Deuxièmement, les requêtes marque : recherche d’une marque distribuée, d’une gamme ou d’un fabricant. Troisièmement, les requêtes attribut : taille, couleur, matière, compatibilité, capacité, dimension, usage. Quatrièmement, les requêtes transactionnelles : promo, livraison, paiement, disponibilité, retour, garantie. Cinquièmement, les requêtes problème ou besoin : peau sensible, mal de dos, cadeau homme 40 ans, ordinateur télétravail. Sixièmement, les requêtes de navigation : contact, suivi commande, magasin, SAV.

Ce classement permet de distinguer les attentes. Une requête produit doit mener rapidement à une fiche pertinente, idéalement avec disponibilité, prix et variantes. Une requête attribut doit ouvrir une page de résultats filtrable et hiérarchisée. Une requête transactionnelle peut nécessiter un contenu d’aide, une FAQ ou un bloc de réassurance, pas seulement une liste de produits. Une requête problème demande souvent une logique éditoriale ou de recommandation, car l’utilisateur n’a pas encore traduit son besoin en produit.

Le volume doit ensuite être croisé avec la valeur. Une requête rare peut être très rentable si elle correspond à un produit cher ou à forte marge. À l’inverse, une requête très fréquente peut être peu prioritaire si elle concerne une information déjà bien traitée ailleurs ou une catégorie à faible contribution. Le bon diagnostic combine quatre dimensions : volume de requêtes, intention commerciale, marge potentielle et niveau de friction observé. Ce framework évite de corriger seulement les requêtes les plus visibles.

Prenons un cas concret. Un retailer observe 40 000 recherches mensuelles contenant le terme canapé, 9 000 contenant canapé convertible et seulement 1 200 contenant canapé convertible 140 livraison rapide. La troisième requête est moins volumique, mais elle révèle une intention beaucoup plus avancée : produit défini, dimension explicite, contrainte logistique. Si le moteur renvoie des canapés sans filtre de largeur, avec des produits indisponibles ou une livraison non visible, l’utilisateur peut sortir malgré une intention d’achat forte. La priorité ne doit donc pas être décidée uniquement sur la fréquence brute.

La normalisation des requêtes est également essentielle. Les utilisateurs saisissent des fautes, des pluriels, des abréviations, des références incomplètes, des accents ou des termes proches. Une analyse non normalisée séparera tee shirt, t-shirt, tshirt, tee-shirt homme et t shirt blanc en requêtes différentes, réduisant artificiellement la perception du volume. Il faut regrouper les variantes par lemme, synonymes et intention, tout en conservant la requête brute pour identifier les problèmes réels de langage utilisateur.

Mesurer les blocages : zéro résultat, faible clic, reformulation et sortie

Une requête qui bloque l’achat ne se limite pas à une requête sans résultat. Le zéro résultat est le symptôme le plus visible, mais pas toujours le plus coûteux. Un moteur peut renvoyer 200 résultats et bloquer malgré tout si les produits pertinents sont en page 3, si les premiers résultats sont hors stock, si les filtres sont incohérents ou si le tri privilégie des produits peu adaptés à l’intention. La mesure doit donc dépasser le taux de no result.

Quatre métriques sont indispensables. Le taux de zéro résultat mesure la part des recherches ne renvoyant aucun item ou aucune réponse utile. Le search CTR, taux de clic sur un résultat après recherche, indique si l’utilisateur trouve une proposition suffisamment pertinente pour avancer. Le taux de reformulation mesure la part des utilisateurs qui modifient leur requête dans la même session, signal probable d’insatisfaction ou d’affinage. Le search exit rate mesure la part des utilisateurs qui quittent le site après la page de résultats sans interaction significative.

Ces métriques doivent être lues ensemble. Une requête avec 0 % de zéro résultat mais 12 % de CTR et 55 % de sortie est probablement mal servie. Une requête avec 25 % de reformulation mais un bon taux d’ajout panier peut simplement refléter un comportement exploratoire, par exemple dans une catégorie mode où les utilisateurs affinent couleur et taille. Une requête avec fort CTR mais faible conversion peut signaler un problème en aval : prix, stock, page produit, livraison, avis, moyen de paiement ou délai.

Le KPI primaire dépend du modèle économique. En e-commerce, les métriques clés sont le taux d’ajout panier post-recherche, le taux de checkout initié, le taux de paiement validé, le revenu par recherche et la marge par session search. Pour un site lead generation B2B, il faut suivre la soumission de formulaire, mais aussi le taux de SQL, sales qualified lead, lead accepté par les ventes comme opportunité potentielle. Pour un site média ou abonnement, l’indicateur peut être l’inscription, l’abonnement ou l’engagement avec un contenu à forte valeur.

Une matrice utile croise intention et friction. Par exemple : requêtes produit exactes avec zéro résultat ; requêtes marque avec résultats concurrents ; requêtes attribut avec absence de filtre ; requêtes problème avec sortie élevée ; requêtes transactionnelles renvoyant vers des produits au lieu d’une aide claire. Chaque cellule doit avoir une action possible. Si l’action n’est pas identifiable, la taxonomie est trop vague.

Exemple chiffré : une marque de matériel électronique observe 25 000 recherches mensuelles. Les requêtes de référence produit représentent 18 % du volume mais 34 % du revenu post-recherche. Le diagnostic montre que 9 % de ces requêtes exactes aboutissent à zéro résultat, souvent à cause de tirets, espaces ou versions de référence. Les sessions concernées ont un taux de conversion de 1,8 %, contre 8,5 % pour les références trouvées. Sur 405 requêtes exactes bloquées par mois avec un panier moyen de 120 euros et une marge de 26 %, le manque à gagner potentiel peut dépasser 8 000 euros de marge mensuelle si l’on suppose que la moitié seulement de l’écart est causal. Ce type de calcul suffit souvent à prioriser une correction de synonymes et de tolérance aux fautes.

Relier la recherche interne au catalogue, au stock et au merchandising

Une partie des blocages vient du moteur de recherche, mais une autre vient du catalogue. Si les données produit sont incomplètes, mal structurées ou non alignées avec le langage client, même le meilleur moteur renverra des résultats faibles. Le diagnostic doit donc relier requêtes, attributs produits, disponibilité, règles de ranking et merchandising.

Le premier audit concerne les synonymes et le vocabulaire. Les utilisateurs ne parlent pas toujours comme le catalogue. Ils cherchent baskets alors que le site indexe sneakers, canapé-lit alors que la fiche dit convertible, pile bouton alors que la catégorie parle de batteries, anti-moustique alors que le produit est classé répulsif. Ces écarts sont particulièrement coûteux sur les marchés où le langage courant diffère du langage fournisseur. Une table de synonymes n’est pas un bricolage SEO interne ; c’est un actif de conversion.

Le deuxième audit concerne les attributs. Une requête comme robe lin beige taille 38 suppose que la taille, la matière et la couleur sont disponibles comme champs structurés. Si la matière est seulement dans une description libre, le moteur peut mal pondérer le résultat. Si la taille n’est pas indexée au niveau variante, l’utilisateur peut cliquer sur un produit indisponible dans sa taille. La recherche interne doit être pensée avec le PIM, product information management, système de gestion centralisée des informations produits, et pas uniquement avec l’outil analytics.

Le troisième audit concerne le stock. Un résultat pertinent mais indisponible peut être pire qu’un zéro résultat s’il crée une attente puis une frustration. Pour les requêtes à forte intention, il faut décider comment traiter l’indisponibilité : masquer les produits hors stock, les rétrograder, afficher une alternative proche, proposer une alerte retour stock ou orienter vers un magasin. La bonne règle dépend du contexte. Masquer tous les produits indisponibles peut réduire la frustration immédiate, mais priver l’équipe d’un signal de demande non servie. Les conserver peut aider à mesurer la demande, mais dégrader le taux de conversion si les alternatives sont faibles.

Le quatrième audit concerne le ranking. Les moteurs internes classent souvent les résultats selon une combinaison de pertinence textuelle, popularité, marge, stock, nouveauté et règles commerciales. Le risque est de privilégier le produit que l’entreprise veut vendre plutôt que le produit qui répond à l’intention. Une requête chaussure trail gore tex ne devrait pas afficher d’abord des chaussures running route à forte marge, même si elles performent bien globalement. Le ranking doit intégrer la précision d’intention avant les objectifs commerciaux secondaires.

Un bon compromis consiste à définir des règles par famille de requêtes. Pour les requêtes exactes, la pertinence et la disponibilité doivent dominer. Pour les requêtes catégorie, le ranking peut intégrer popularité, marge, stock et avis. Pour les requêtes problème, les contenus de conseil et les recommandations guidées peuvent être plus utiles qu’une liste brute. Cette différenciation évite de traiter toutes les recherches comme de simples pages catégories dynamiques.

Évaluer l’impact économique sans confondre corrélation et causalité

La recherche interne attire des utilisateurs plus intentionnistes que la moyenne. C’est précisément ce qui rend son analyse délicate. Dire que les utilisateurs search convertissent deux fois plus ne prouve pas que le moteur crée deux fois plus de valeur. À l’inverse, dire qu’une requête convertit mal ne prouve pas que le moteur est responsable : la requête peut exprimer une demande hors catalogue, une sensibilité prix élevée ou une recherche de service non commercial.

Pour estimer la valeur à risque, il faut comparer des groupes aussi proches que possible. Une méthode simple consiste à analyser les sessions avec recherche réussie et recherche bloquée à intention comparable. Par exemple, comparer les requêtes produit exactes trouvées aux requêtes produit exactes non trouvées, plutôt que de comparer tous les utilisateurs search aux non-search. Pour une catégorie donnée, comparer les requêtes avec CTR supérieur à 40 % aux requêtes similaires avec CTR inférieur à 15 %. Cette approche ne supprime pas tous les biais, mais elle améliore fortement la lecture.

Il faut également travailler par horizon. Une recherche sans résultat peut ne pas convertir dans la session, mais l’utilisateur peut revenir via email, retargeting ou accès direct. Si l’on mesure uniquement la session, on surestime la perte. Si l’on mesure uniquement la conversion à 30 jours sans tenir compte des relances, on peut attribuer à tort au moteur une récupération due au CRM ou au média. Une lecture robuste suit la conversion immédiate, à 24 heures, à 7 jours et, pour les cycles longs, à 30 jours.

Le calcul économique doit intégrer la marge, pas seulement le chiffre d’affaires. Une requête bloquée sur une catégorie très margée mérite une priorité plus élevée qu’une requête équivalente sur une catégorie peu contributive. Pour chaque cluster de requêtes, on peut estimer : volume mensuel, taux de blocage, taux de conversion attendu, conversion observée, panier moyen, marge contributive, valeur à risque basse et haute. L’estimation basse peut supposer que 25 % de l’écart de conversion est causé par la recherche ; l’estimation haute peut supposer 60 %. Cette fourchette force la nuance.

Supposons 10 000 recherches mensuelles sur une famille accessoires smartphone. Le taux de sortie post-recherche est de 42 % pour les requêtes contenant compatible, contre 24 % pour les autres requêtes produit. Le panier moyen post-recherche est de 36 euros, la marge contributive de 45 %. Si 3 000 recherches contiennent compatible et que l’écart de sortie de 18 points représente 540 sessions à risque, la marge potentielle perdue peut atteindre 8 748 euros avant pondération. En supposant que 40 % seulement de cet écart soit causal, le potentiel priorisable est d’environ 3 500 euros mensuels. Ce montant peut justifier un chantier de compatibilité produit si l’effort est faible, mais pas forcément une refonte complète du moteur.

La mesure doit aussi surveiller les garde-fous. Améliorer le taux de clic en remontant des produits plus agressivement peut augmenter les ajouts panier mais réduire la satisfaction si les produits ne correspondent pas réellement. Ajouter des synonymes trop larges peut créer du bruit. Rétrograder les produits hors stock peut améliorer la conversion court terme mais masquer une demande forte à transmettre aux achats. Les guardrails, métriques de garde-fou, doivent inclure le taux de retour, les annulations, les contacts support, les avis négatifs, la marge et le taux de reformulation.

Tester les corrections : synonymes, redirections, ranking et pages de résultat

Une fois les requêtes bloquantes identifiées, les corrections doivent être traitées comme des expérimentations, pas seulement comme des tickets de configuration. Les leviers principaux sont les synonymes, la tolérance aux fautes, les redirections, le ranking, les filtres, les suggestions et le contenu de la page sans résultat.

Les synonymes et la tolérance orthographique sont souvent les premiers gains. Ils corrigent les écarts de vocabulaire et les fautes courantes. Mais ils doivent être gouvernés. Un synonyme trop large peut dégrader la précision. Associer veste et manteau peut être utile dans certains catalogues, mais problématique si les deux catégories ont des usages, saisons et prix différents. Une règle doit être testée sur les requêtes concernées, avec suivi du CTR, de l’ajout panier, de la conversion et du taux de retour.

Les redirections sont puissantes pour les requêtes navigationnelles ou très structurées. Une recherche suivi commande doit mener à la page de suivi, pas à une liste de produits contenant commande. Une requête carte cadeau doit mener à l’offre correspondante. Une requête retour gratuit doit afficher une information claire ou une page d’aide. Mais les redirections peuvent aussi être dangereuses si elles enferment l’utilisateur. Pour une requête générique comme chaussures noires, une page de résultats filtrable est souvent préférable à une redirection vers une catégorie trop large.

Le ranking est le levier le plus stratégique. Il permet de pondérer la pertinence textuelle, les ventes, la marge, le stock, les avis, la nouveauté ou les règles commerciales. Un test A/B peut comparer un ranking actuel à un ranking qui donne plus de poids à la disponibilité ou à la correspondance attributaire. Le KPI primaire doit être économique : marge par recherche ou revenu par session search. Les métriques intermédiaires, comme CTR et ajout panier, servent à expliquer le résultat, pas à décider seules.

La page sans résultat mérite un traitement spécifique. Un message du type aucun résultat trouvé est une impasse. Une bonne page de no result doit proposer des corrections orthographiques, des catégories proches, des produits populaires liés à l’intention, une recherche assistée, éventuellement une alerte ou un contact. Mais elle doit aussi capturer le signal. Si 800 utilisateurs par mois cherchent une marque absente, c’est une information pour les achats ou le partenariat. Si 500 recherches concernent une fonctionnalité non proposée, c’est un signal produit. Le no result n’est pas seulement une perte ; c’est une étude de marché en continu.

Le protocole de test dépend du volume. Pour les requêtes très fréquentes, un A/B test au niveau session ou utilisateur peut mesurer l’effet d’une nouvelle logique de résultats. Pour les clusters moyens, un test avant-après contrôlé peut suffire si les prix, campagnes, stocks et promotions restent stables. Pour les requêtes rares mais stratégiques, l’approche peut être qualitative et analytique : analyse manuelle des SERP internes, session replay, tests utilisateurs, puis monitoring post-correction. L’important est de documenter le niveau de preuve et de ne pas présenter un gain observé comme une causalité certaine sans protocole adapté.

Intégrer la recherche interne à l’acquisition, au CRM et à l’attribution

Les requêtes internes ne doivent pas rester confinées à l’équipe produit. Elles renseignent l’acquisition, le SEO, le SEA, le CRM, le merchandising et même la stratégie d’offre. Si des utilisateurs acquis par paid search cherchent massivement une référence que le site ne trouve pas, le problème peut venir de l’annonce, de la landing page ou du moteur interne. Si des visiteurs issus d’une campagne emailing recherchent une promotion introuvable, le sujet concerne la cohérence CRM. Si des visiteurs de paid social cherchent des termes très amont, le site doit peut-être mieux orienter avec des guides ou des quiz.

La lecture par canal est indispensable. Les visiteurs issus du paid search marque peuvent tolérer une friction plus élevée parce qu’ils connaissent déjà l’entreprise. Les visiteurs issus du paid social prospecting, publicités diffusées auprès d’audiences moins intentionnistes, quittent souvent plus vite si la recherche ne confirme pas immédiatement la promesse. Un même taux de zéro résultat peut donc avoir un impact économique différent selon le canal et le coût d’acquisition.

Dans les environnements d’achat média automatisé, l’effet peut remonter jusqu’aux plateformes. Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression publicitaire disponible, et les DSP, demand-side platforms, plateformes permettant aux annonceurs d’acheter des impressions programmatiques, optimisent sur des signaux de conversion observés. Si la recherche interne bloque certains produits ou certains devices, les algorithmes peuvent réduire l’exposition de profils pourtant rentables en intention. Le média apprend alors une faiblesse du site, pas une faiblesse de l’audience.

Il est donc utile d’exporter des dimensions liées à la recherche interne vers l’analytics principal : search_used, query_cluster, no_result, search_ctr_bucket, result_position_clicked, post_search_add_to_cart et search_exit. Ces dimensions ne doivent pas polluer les UTM, mais enrichir l’analyse des parcours. Elles permettent de répondre à des questions concrètes : quelles campagnes génèrent le plus de requêtes bloquées ? Quels segments CRM utilisent la recherche pour retrouver une offre ? Quelles catégories ont une demande non servie par canal ?

Attention toutefois à l’usage des audiences. Créer une audience de retargeting composée d’utilisateurs ayant recherché un produit sans l’acheter peut être pertinent, mais seulement si la recherche a été correctement servie. Relancer un utilisateur qui a cherché une référence introuvable avec une publicité générique risque de payer deux fois pour la même frustration. À l’inverse, une requête sans résultat sur un produit à venir peut justifier une alerte stock ou une campagne dédiée lorsque l’offre devient disponible. La donnée search doit être activée avec discernement.

Conclusion : transformer les requêtes bloquantes en roadmap de conversion

La recherche interne est un observatoire privilégié de l’intention client. Elle révèle ce que les visiteurs ne trouvent pas, ce qu’ils ne comprennent pas, ce qu’ils espèrent acheter et ce que le catalogue ne sait pas encore exprimer. Mais sa valeur dépend de la discipline analytique. Un dashboard limité au volume de recherches et au taux de zéro résultat ne permet pas de prioriser. Il faut relier chaque cluster de requêtes à l’intention, à la friction, au stock, au ranking, à la marge et au parcours post-recherche.

Une méthode actionnable tient en huit étapes. Premièrement, normaliser les requêtes pour regrouper fautes, synonymes, pluriels et références proches. Deuxièmement, classer les requêtes par intention : produit, marque, attribut, transaction, besoin ou navigation. Troisièmement, mesurer les blocages au-delà du zéro résultat : CTR, reformulation, sortie, ajout panier, conversion et marge post-recherche. Quatrièmement, croiser les requêtes avec le catalogue, les attributs, le stock et les règles de ranking. Cinquièmement, estimer la valeur à risque avec des fourchettes causales prudentes, en comparant des intentions similaires. Sixièmement, tester les corrections : synonymes, tolérance aux fautes, redirections, ranking, filtres et pages sans résultat. Septièmement, suivre des garde-fous comme retours, annulations, support, marge et satisfaction. Huitièmement, intégrer les enseignements à l’acquisition, au CRM, au merchandising et à la roadmap produit.

Le principe stratégique est simple : une requête bloquée n’est pas seulement une mauvaise réponse du moteur, c’est une intention client non convertie. Dans un contexte où le CPA augmente, où le ROAS est sous pression et où l’attribution devient moins lisible, corriger les points de rupture de la recherche interne peut produire un rendement supérieur à de nombreuses optimisations de surface. Les équipes CRO les plus matures ne cherchent pas seulement à rendre le champ de recherche plus visible. Elles construisent un système capable d’écouter les requêtes, de diagnostiquer les intentions bloquées, de chiffrer leur coût et de transformer ces signaux en décisions : ajuster le catalogue, corriger le ranking, améliorer les pages de résultat, adapter les campagnes et réduire les fuites de valeur dans le tunnel.