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.