Systèmes de recommandation en e-Commerce

Dans le cadre de votre activité commerciale sur la Toile, cet article peut vous intéresser. En effet, les systèmes de recommandation sont devenus très importants au cours des dernières années. Ils représentent maintenant une opportunité énorme pour le commerce électronique, particulièrement avec le Big Data. En travaillant avec de grandes quantités de données et en introduisant des algorithmes sophistiqués, les boutiques en ligne devraient voir leurs conversions augmenter avec les systèmes de recommandation actuels. Vous avez sans nul doute déjà vu apparaître sur vos écrans les formules classiques de type « les clients qui ont acheté cet article ont aussi acheté... » ou « cela pourrait également vous intéresser » lorsque vous faites du shopping en ligne. Ces astuces, adaptées aux préférences individuelles de l'utilisateur, sont le résultat de calculs et d'algorithmes sophistiqués. Les systèmes de recommandation sont déjà bien ancrés en e-commerce, mais des technologies et des algorithmes toujours plus performants se sont également immiscer dans d'autres domaines très variés.

Les systèmes de recommandations peuvent être définis comme une forme de filtrage « visant à présenter des éléments d’information » qui vont être « susceptibles d’intéresser l’utilisateur ». Pour faire simple, un système de recommandation évalue le niveau d'intérêt d’un utilisateur pour certains produits en fonction de son comportement antérieur (comme par exemple ses commandes précédentes dans le magasin), et recherche automatiquement des produits similaires et potentiellement intéressants pour lui.

Les systèmes de recommandation se déclinent de manières diverses. Il en existe pour les boutiques en ligne, les services de streaming, les publications, ou encore toutes plateformes mettant à disposition un grand nombre d'objets (qu'il s'agisse de livres, de vêtements ou de films), mais où seul un petit sous-ensemble peut se révéler intéressant ou pertinent pour l'utilisateur. Les recommandations permettent de filtrer des données et de faciliter les accès des internautes en sélectionnant à l’avance des objets parmi une grande masse d’éléments confus.

Dans l’idéal, les systèmes de recommandation doivent faciliter la vie des utilisateurs. Au lieu de cliquer sur de nombreuses offres et pages moins pertinentes jusqu'à trouver l'objet recherché, la présélection permet d'exclure directement les éléments les moins intéressants.

Mais les professionnels du marketing espèrent escompter d’autres effets positifs, comme par exemple l’augmentation du nombre d'accès à leurs pages pour les stratégies de contenu, ou une augmentation de leurs ventes en ligne. Pour les boutiques sur le net, des recommandations judicieuses et précises devraient permettre de remplir plus facilement les paniers et ainsi amener à un meilleur chiffre d’affaires.

Cependant, le calcul des algorithmes a ses limites. Souvent, les dimensions personnelles et humaines font défaut dans le choix des recommandations. Même les formules de calcul les plus développées échouent car les comportements sont par nature imprévisibles. Par conséquent, les utilisateurs reçoivent parfois des recommandations bien surprenantes. Les associations de produits peuvent se révéler être bien en dehors des clous !

Les services de recommandation sont toujours basés sur un volume de données. Selon la nature de ces données, une distinction est également faite entre les différents types de systèmes. Typiquement, on pourra distinguer les systèmes basés sur le contenu et ceux dits collaboratifs. Il existe également des services de recommandation adaptés aux contextes et ceux qui incluent dans leur calcul des historiques datés ou encore des données démographiques des utilisateurs.

Les systèmes de recommandation basés sur le contenu suggèrent des objets ou des contenus similaires à ceux que l'utilisateur a déjà recherchés, consultés, achetés ou notés de manière positive. Le système doit pour cela pouvoir déterminer des similitudes entre objets. Une analyse de contenu est donc effectuée. Dans le cas des services de streaming pour de la musique, le système évalue par exemple les morceaux en prenant en compte sa structure et pour en trouver des similaires.

Dans la méthode collaborative, la recommandation est basée sur l’observation d’utilisateurs ayant des comportements similaires. Si un groupe d’utilisateur a par le passé été très intéressé par un objet particulier, le système va continuer à le recommander. Des informations précises sur l’objet ne sont ici même pas nécessaires. Amazon utilise largement ce procédé.

Les services de recommandation utilisent différentes méthodes d'apprentissage. La plupart du temps, des méthodes basées sur les modèles ou la mémoire sont utilisées. La méthode basée sur la mémoire utilise toutes les données de classification stockées et identifie les similarités entre les utilisateurs ou les objets. Le résultat sert de base de prévision pour combiner des objets qui n'ont pas encore été exploités. D'autre part, les services de recommandation basés sur modèle travaillent avec des principes d'apprentissage automatique. Sur la base des données, le système doit créer un modèle mathématique qui peut servir à prédire l'intérêt de l'utilisateur pour un produit donné.

Les systèmes de recommandation sont maintenant utilisés dans des domaines très variés. Les trois plus importants sont les grands services de streaming comme Spotify ou Netflix, les acteurs du e-commerce classiques comme Amazon et les systèmes de recommandation spécifiques pour la publicité basée sur du contenu.

Curieusement, Amazon a sorti en open-source son logiciel Deep Learning Software DSSTNE, logiciel qui sert de base pour ses recommandations. Dans le domaine du commerce en ligne, on observe que les systèmes de recommandation sont en général plus approfondis. En plus de la possibilité d'afficher des « articles populaires », de plus en plus d'entreprises misent sur des recommandations hautement personnalisées. Le plus souvent, plusieurs stratégies de recommandation sont prises en compte ; on note notamment les intérêts d'achat, les articles populaires et d'autres facteurs tels que la disponibilité des produits et les changements de prix.

Les systèmes de recommandation ont une place particulièrement importante dans le commerce électronique. Ils représentent de grandes opportunités pour les boutiques en ligne, qui grâce à des recommandations appropriées peuvent arriver à augmenter leurs taux de conversion et générer plus de ventes. De nombreux logiciels de boutiques en ligne intègrent des fonctions standard pour les recommandations de produits. Cela permet de partir sur de bonnes bases, mais le meilleur moyen réside tout de même dans les solutions logicielles spécialisées.

Différents fournisseurs proposent aux entreprises des solutions SaaS (Software-as-a-Service). On pourra citer par exemple Certona ou Barilliance.

La plupart des fournisseurs promettent des solutions logicielles personnalisées et faciles à comprendre pour des services de recommandation basés sur leurs propres technologies (méthode basée sur le modèle). Le grand avantage des solutions SaaS est qu’elles réduisent considérablement les efforts de mise en œuvre pour les entreprises. Aucun investissement dans du matériel nouveau ou des logiciels n’est nécessaire. Les solutions basées sur le Cloud offrent de plus pour la plupart un large éventail de fonctions. Trois étapes importantes s’imposent alors : le tracking de la base de données, le « feature engineering » et enfin le traitement et l'analyse des données.

Pour pouvoir évaluer les données, il est nécessaire de les collecter en premier lieu. Cela est effectué avec la plupart des solutions logicielles grâce à des techniques de tracking. Ce suivi repose sur des données relatives au lieu, panier d'achat, l'heure et la date, le comportement de l’utilisateur et, plus généralement, le parcours complet du client. Le programme collecte ces informations et les stocke dans une base de données.

Le feature engineering consiste à filtrer les caractéristiques (ce que l’on appelle les features) de la base de données. Ces dernières peuvent être de nature très différente, comme l'heure de la visite et sa durée, les intervalles entre les actions etc. Toutefois, seules quelques caractéristiques sont pertinentes pour les futures prévisions. Le défi pour le système est justement d'identifier ces caractéristiques pertinentes. Il doit donc trouver celles qui ont une influence significative sur le comportement d'achat et, finalement, sur la décision d'achat. La bonne combinaison de features pour une boutique en ligne va devoir dépendre du magasin.

Sur la base des caractéristiques définies individuellement pour la boutique en ligne, le système va formuler des prévisions pour recommander des produits. La création de ces modèles prévisionnels nécessite une puissance de calcul considérable et prend parfois plusieurs heures. Le système sauvegarde les modèles, qui servent ensuite de base au calcul des recommandations. Chaque visiteur de la boutique reçoit alors des conseils et recommandations adaptés à ses besoins individuels.

Personnaliser ses offres est de plus en plus important dans le domaine du marketing en ligne. Cela n'est pas seulement dû au fait que les entreprises doivent faire face à une forte pression concurrentielle et s'efforcer constamment à se différencier de leurs concurrents, mais aussi à l'évolution de la perception des utilisateurs. La publicité est identifiée très rapidement comme telle et donc souvent occultée. Cependant, si vous réussissez à attirer l'attention grâce à des informations pertinentes et une approche personnalisée, vos chances de conversion seront bien meilleures. C’est donc bel et bien le but des systèmes de recommandation, qui sont aujourd’hui de plus en plus subtils et précis. Si vous trouvez ici la bonne stratégie et atteignez vos clients potentiels, cela peut avoir un impact significatif sur votre chiffre d'affaires et participer largement à la réussite de votre entreprise sur le Net.