Plateforme d’études
de comportement d’achat
Une plateforme de création d’études pour comprendre les comportements d’achat, à travers un supermarché en ligne simulé où des panélistes font leurs achats. Chaque paramètre du parcours est mesuré : produits consultés, quantités, achats, temps passé, impact d’une promotion. Un projet C#/.NET, développé avec Blazor.
Le défi.
Un organisme national, partenaire depuis plus de 7 ans, mène des études de comportement d’achat : des panélistes font leurs courses en ligne dans un magasin créé pour l’étude, et la plateforme mesure ce qu’ils font plutôt que ce qu’ils déclarent. Certains panélistes, tirés au sort, reçoivent réellement leur panier : chacun fait donc l’exercice sérieusement, comme pour de vrais achats en ligne.
Les outils d’études existants n’étaient ni assez flexibles ni assez polyvalents pour réaliser exactement les protocoles voulus. Il fallait un outil configurable et évolutif sur le long terme, capable de réaliser des études très différentes les unes des autres. Les fonctionnalités demandées :
- un supermarché en ligne réaliste : rayons, fiches produits, promotions, stocks, budget à respecter, personnalisable pour chaque étude (nom du magasin, bannières, options de livraison) ;
- des catalogues produits créés dans la plateforme ou importés depuis Excel, avec images et descriptions générées par IA ;
- des études multi-scénarios, déclinées en variantes (prix, promotions, agencement des rayons, budget) entre lesquelles les panélistes sont répartis aléatoirement : de vrais tests A/B comportementaux ;
- des questionnaires d’entrée et de sortie, avec questions conditionnelles ;
- des budgets et incitations financières (bons d’achat, remboursements, cagnottes) attribués selon les réponses, pour mesurer leur impact sur les achats ;
- le suivi des sessions et l’export Excel des résultats, prêts pour l’analyse statistique.
La solution livrée.
J’ai architecturé la plateforme en deux applications .NET reliées par une API. Le back-office, en Blazor Server, est l’outil des chargés d’études : catalogues, scénarios, questionnaires, budgets et incitations s’y paramètrent, sur cinq niveaux d’édition qui descendent du catalogue complet jusqu’au conditionnement d’un produit. Le magasin, en Blazor WebAssembly, s’exécute directement dans le navigateur du panéliste, sur téléphone, tablette ou ordinateur.
Ce choix technique sert la fiabilité des données autant que le confort des panélistes : exécutée sur l’appareil, l’interface reste d’une grande rapidité et fluidité, et chaque geste s’enregistre d’abord localement avant de se synchroniser avec le serveur. Aucune donnée ne se perd en cas de coupure de réseau, et une session interrompue reprend exactement là où elle en était, y compris en changeant de périphérique (du téléphone à l’ordinateur, par exemple).
Pour gagner du temps sur le catalogue, qui contient plus de 1 000 produits, j’ai proposé au client d’ajouter la génération des images produits par l’IA. Le prompt de génération se construit à partir de la fiche du produit, de son rayon et d’autres paramètres contextuels ; à l’import Excel d’un catalogue, les générations s’exécutent en parallèle et en tâche de fond : les chargés d’études continuent de travailler pendant que les images se créent.
- C#/.NET
- Blazor Server
- Blazor WebAssembly
- SQL Server
- API OpenAI (modèle gpt-image)
Première étude : 700 panélistes.
La plateforme a été livrée début 2026, et la première étude s’est bien déroulée : 700 panélistes ont fait leurs courses en ligne, les retours ont décrit un outil fluide et intuitif, et les données sont arrivées comme prévu dans le fichier d’analyse. Lors de l’analyse des résultats, pourtant, il manquait les données de 6 panélistes, sans aucune explication.
Pour remonter à l’origine de l’erreur, j’ai commencé par soumettre le code à toutes les IA disponibles sur le marché : aucune n’a trouvé. Je suis donc revenu à mes propres techniques : instrumenter le code, investiguer en profondeur, dérouler un débogage avancé. La cause a fini par apparaître, sur une ligne écrite par l’IA : une comparaison entre deux dates, l’une fournie par l’appareil du panéliste, l’autre par le serveur. Le cas ne se produisait que dans une configuration rarissime ; il est corrigé. Perdre 6 sessions sur 700 ne compromettait pas l’étude ; un produit, lui, ne laisse pas traîner un bug, même rare.
L’organisme pilote aujourd’hui ses études en autonomie, de la création des catalogues à l’export des résultats.
Un projet comparable ? Parlons-en.
Réservez un appel découverte gratuit de 30 minutes : nous étudions votre projet ensemble, avec une première évaluation du budget et des délais.
Prise de rendez-vous immédiate · 8h–15h, du lundi au samedi