Le Big Data dans le commerce électronique : ce que vous devez savoir

Que deviennent les données collectées ?

En tant qu'exploitant d'une boutique en ligne, vous disposez désormais d'une quantité considérable de données et vous vous demandez certainement comment en tirer profit. À juste titre, car cette grande quantité de données ne fournit dans un premier temps aucune information. Tout l'art consiste désormais à traiter efficacement ces données et à identifier des modèles et des corrélations susceptibles de fournir des informations utilespour votre boutique en ligne. Ce processus s'appelle le data mining.

Pour obtenir ces informations,les données intelligentes sont extraites du Big Data dans le commerce électronique. Les données intelligentes sont des données utiles pour des cas d'application spécifiques dans le commerce électronique. Une analyse ciblée des grandes quantités de données est ainsi effectuée.

Cela permet également de se concentrer sur l'essentiel et d'éviter que des corrélations fortuites ne soient interprétées à tort comme des modèles. Une citation de Stefan Jähnichen, du centre de recherche informatique FZI et directeur de la recherche sur les données intelligentes, décrit très bien les données intelligentes : « Le Big Data est donc une sorte de matière première qui doit être traitée afin d'être transformée en Smart Data et de pouvoir déployer tout son potentiel économique. ».⁴

En quoi consiste le défi du commerce électronique ?

Le défi du commerce électronique consiste donc à transformer la « matière première » que constituent les mégadonnées en données intelligentes pour des cas d'utilisation spécifiques, afin que des actions puissent être menées dans la boutique en ligne au profit des acheteurs et des exploitants de la boutique. C'est pourquoi, outre l'exploration de données, un autre procédé est utilisé : l'apprentissage automatique. L'apprentissage automatique fournit les processus nécessaires à la création d'une intelligence artificielle afin de traiter les volumes de données disponibles et de mener des actions dans la boutique en ligne.

En résumé, on peut dire que le data mining effectue des analyses ciblées et fournit une quantité de données appropriée pour l'apprentissage automatique. Celles-ci sont ensuite traitées et donnent lieu à des actions dans la boutique en ligne. 

Cas d'utilisation n° 1 : réduction des données relatives aux clics et aux achats pour l'affichage des recommandations

Lorsqu'un acheteur en ligne interagit avec un site web, il génère une quantité considérable de données. Chaque clic, chaque mouvement de souris et chaque défilement peuvent être enregistrés. C'est ce que l'on appelle le Big Data. Cependant, un sous-ensemble de données suffit pour calculer des recommandations, par exemple :

• Quels liens ont été cliqués,
• quels articles ont été ajoutés au panier et
• Combien de temps le client est-il resté où ?

Une première réduction a donc déjà lieu lors de l'enregistrement des données. La deuxième réduction est ensuite effectuée lors du calcul du modèle, par exemple :

• Quelles informations sont utiles pour la boutique en ligne actuelle ?
• pour le client actuel et
• pour le problème actuel.

Ces informations contextuelles constituent des données intelligentes.

Vous souhaitez obtenir plus d'informations sur ce cas d'utilisation ? Nous vous recommandons alors notre article de blog : Processus d'apprentissage par renforcement : comment augmenter la probabilité d'achat grâce à l'analyse en temps réel (partie 2).

Cas d'utilisation n° 2 : identification automatique des produits à partir des informations disponibles

Votre catalogue de produits contient des informations telles que le titre, la catégorie et la description, qui décrivent un produit réel à partir d'une série de mots et d'identifiants de produits. Jusqu'ici, nous parlons de Big Data. Mais lorsqu'un algorithme extrait un produit actuel à partir de ces données, nous parlons alors de Smart Data. Ce n'est que lorsque l'algorithme reconnaît le produit en tant que tel qu'il peut le mettre en relation avec d'autres produits (sémantique). Un exemple :

mégadonnées

Titre : Robe à fleurs Phase Eight Leto

Catégorie : Robes pour femmes/Autres robes

Description : cette robe en jersey arbore des imprimés floraux contrastés qui lui confèrent une touche lumineuse et moderne. Un détail torsadé à la taille crée une silhouette flatteuse qui se termine sous le genou dans une forme légèrement asymétrique.

Données intelligentes

Robe -> Robe en jersey

Il est ainsi possible de déterminer si un produit est un haut ou un bas. Cette information est importante pour proposer des recommandations de tenues dans la boutique en ligne. Grâce à cette extraction de données intelligentes, nous avons par exemple pu générer une augmentation à deux chiffres du chiffre d'affaires de l'un de nos clients.

Restez informé des dernières nouveautés en matière de personnalisation : inscrivez-vous à la newsletter epoq. Inscrivez-vous dès maintenant !

Cas d'utilisation n° 3 : extraction des valeurs chromatiques pour la localisation de produits similaires

Si une boutique en ligne possède par exemple 200 000 fichiers image, on parle alors de Big Data. Si vous extrayez les couleurs et leurs proportions à partir des 200 000 fichiers image dans un but précis, les valeurs chromatiques correspondent alors à des données intelligentes. L'avantage est que vous pouvez travailler directement avec les valeurs chromatiques pour trouver des produits similaires dans votre boutique en ligne, au lieu de vous contenter de valeurs chromatiques très approximatives telles que « bleu ».

Localisation des produits dans la boutique en ligne via la saisie de couleurs dans la fonction de recherche (aucune indication de couleur dans le catalogue de produits)