Définition
La recherche visuelle (ou *visual search*) est une technologie qui permet à un internaute de lancer une requête à partir d’une image plutôt que de mots-clés. Sur un site e-commerce, l’utilisateur importe une photo, prend un cliché avec son smartphone ou clique sur un visuel existant, et le moteur identifie le produit, la texture, la forme, la couleur ou le motif pour proposer des articles similaires ou complémentaires.
Pour un site DTC, cela transforme l’expérience d’achat : au lieu de devoir décrire un produit (« robe fleurie manches longues col V »), le client montre simplement ce qu’il cherche. La recherche visuelle devient un canal de découverte produit à part entière, souvent plus intuitif que la barre de recherche classique, surtout sur mobile.
Analogie
Imaginez un personal shopper dans une boutique physique. Vous entrez, vous montrez une photo sur votre téléphone, et le vendeur parcourt immédiatement les rayons pour trouver des pièces similaires, en vous expliquant pourquoi elles correspondent : même coupe, même esprit, même matière. La recherche visuelle, c’est ce vendeur, mais automatisé, disponible 24/7, et capable de scanner des milliers de références en quelques millisecondes.
Autre image : c’est le Shazam du produit. Vous « écoutez » un article avec vos yeux, et l’algorithme vous donne le titre, la marque, les alternatives et le prix.
Formule / Mécanique
Le fonctionnement repose sur plusieurs étapes techniques :
1. Extraction de caractéristiques : le modèle transforme l’image en vecteur numérique (embedding).
2. Similarité : on calcule une distance entre le vecteur requête et les vecteurs produits.
3. Classement : les produits les plus proches sont affichés.
Formule simplifiée de similarité cosinus :
\[
\text{similarité} = \frac{A \cdot B}{\|A\| \|B\|}
\]
Où \(A\) est le vecteur de l’image requête et \(B\) le vecteur d’un produit du catalogue.
Dans la pratique, les solutions modernes combinent :
- CNN (réseaux convolutifs) pour l’image ;
- Transformers pour la compréhension multimodale ;
- ANN (approximate nearest neighbors) pour la rapidité à grande échelle.
Résultat : un taux de correspondance élevé même si l’angle, la lumière ou le fond diffèrent.
Tableau comparatif
| Critère | Recherche textuelle | Recherche visuelle |
|---|---|---|
| Entrée | Mots-clés | Image / photo |
| Précision style | Moyenne | Élevée |
| Effort utilisateur | Élevé (décrire) | Faible (montrer) |
| Mobile-friendly | Moyen | Très élevé |
| Découverte produit | Limitée | Étendue |
| Taux de clic typique | 2–4 % | 5–8 % |
| Panier moyen | Standard | +10 à +20 % |
| Dépendance catalogue | Faible | Forte (qualité images) |
Applications concrètes en DTC
1. Mode et accessoires : un client photographie une paire de sneakers vue dans la rue ; le site propose 12 modèles proches, avec filtres taille et couleur.
2. Décoration intérieure : l’utilisateur importe une photo de salon ; l’algorithme identifie le canapé, le tapis et la lampe, puis renvoie vers les fiches produits correspondantes.
3. Beauté et cosmétiques : une photo de maquillage permet de retrouver le rouge à lèvres exact ou des teintes similaires.
4. Marketplace et seconde main : la recherche visuelle aide à retrouver un article précis parmi des milliers de références.
Données chiffrées utiles :
- 62 % des consommateurs déclarent que la recherche visuelle est plus utile que la recherche textuelle (études sectorielles).
- Les sites intégrant la recherche visuelle observent une hausse du taux de conversion de 15 à 30 % sur les sessions mobiles.
- 40 % des recherches visuelles aboutissent à un ajout au panier dans les verticales mode et déco.
Common Mistakes (Erreurs fréquentes)
- Négliger la qualité des images catalogue : un moteur visuel performant dépend d’images propres, bien cadrées, sur fond neutre. Des visuels médiocres tuent la pertinence.
- Confondre recherche visuelle et reconnaissance d’image : la première vise la similarité produit ; la seconde identifie un objet précis. Les deux sont liées mais pas identiques.
- Oublier le mobile : la recherche visuelle est majoritairement utilisée sur smartphone. Si l’expérience mobile est lente ou mal intégrée, l’adoption chute.
- Ne pas prévoir de fallback : si aucun résultat n’est trouvé, proposez des catégories, des best-sellers ou une recherche textuelle.
- Sous-estimer le coût technique : indexation, stockage vectoriel, latence, mise à jour du catalogue. Ce n’est pas un simple plugin.
- Ignorer la confidentialité : les images envoyées peuvent contenir des données personnelles. Il faut une politique claire et conforme au RGPD.
Termes liés
- Recherche par image (*image search*)
- Embedding visuel
- Similarité cosinus
- Reconnaissance d’image
- Computer vision
- Recherche multimodale
- ANN (approximate nearest neighbors)
- Expérience mobile-first
- Découverte produit
- Taux de conversion
