Différents systèmes de recommandation dans le commerce électronique

Les systèmes de recommandation font partie des standards de la plupart des boutiques en ligne. Mais si l'on examine de plus près les recommandations proposées, on constate qu'il existe de grandes différences. Ces différences dans les recommandations sont dues à la personnalisation utilisée. En effet, selon le fonctionnement du système de recommandation, différents axes sont privilégiés dans la personnalisation. Cet article vous présente les différents systèmes de recommandation existants et vous indique quand il est judicieux d'utiliser tel ou tel système pour votre boutique en ligne.

La personnalisation nécessite un dialogue

La personnalisation est un concept très complexe qui peut être utilisé à différents points de contact et mis en œuvre à l'aide de différents systèmes. Dans cet article de blog, nous examinons la personnalisation sous la forme de recommandations pertinentes via des systèmes de recommandation.

La personnalisation consiste à présenter au client de la boutique des résultats (dans notre cas, des recommandations de produits) qui correspondent autant que possible à ses souhaits et à ses attentes. Pour cela, il faut tout d'abord disposer de données sur le comportement de l'utilisateur en matière de clics et d'achats. Ces données peuvent être collectées via un dialogue avec le client de la boutique, qui résulte des interactions de l'utilisateur dans la boutique en ligne.

Les données relatives au comportement des clients de la boutique en matière de clics et d'achats sont regroupées dans une base de connaissances avec les données sur les produits et les connaissances des experts. Dans cette base, toutes les données sont traitées et évaluées à l'aide de procédés d'intelligence artificielle. Ainsi, les données (comportement en matière de clics et d'achats, etc.) peuvent d'abord être transformées en informations à l'aide d'analyses ciblées réalisées par des experts (data mining), puis en connaissances à l'aide d'algorithmes (apprentissage par renforcement). Ces connaissances sont finalement utilisées pour proposer des recommandations pertinentes aux clients de la boutique.

Les données sur les produits, le comportement des clients de la boutique en matière de clics et d'achats ainsi que les connaissances d'experts sont regroupés dans la base de connaissances.

IA basée sur le dialogue

Pour fournir au client les résultats souhaités, un algorithme doit donc d'abord être capable de déterminer ce que le client du magasin a l'intention de faire. Nous utilisons le terme « IA basée sur le dialogue » pour désigner ce type de processus. Le « moteur de réponse », qui utilise des capteurs pour enregistrer et analyser le comportement des clients en matière de clics et d'achats, joue ici un rôle décisif. Il a pour tâche de déterminer l'objectif et les intérêts du client à partir du dialogue avec celui-ci dans la boutique en ligne.

Différentes possibilités de dialogue

Il existe de nombreuses possibilités pour mener un tel dialogue.

Nous distinguons notamment le dialogue sous forme de

• Réactions: lorsqu'un client navigue dans une boutique en ligne, il peut avoir de nombreuses réactions. Les réactions d'un utilisateur au contenu présenté (par exemple, clics, sélection de produits, achats) vous permettent de déterminer ce qu'il souhaite. L'étape suivante consiste à adapter le contenu présenté à chaque client.

• Langage: quand on parle de « dialogue », on pense immédiatement au langage. Mais un dialogue basé sur le langage entre l'homme et la machine a aussi ses inconvénients, comme le savent peut-être tous les utilisateurs d'« Alexa » par expérience. L'entrée linguistique d'un client dans une boutique se fait par exemple par la saisie de termes de recherche. Le dialogue sous forme de langage peut ainsi être utilisé pour un système de recherche personnalisé. La recherche d'un produit peut alors être considérée comme un système de recherche personnalisé déclenché par une entrée linguistique.

Dans ce qui suit, nous nous concentrerons principalement sur les réactions des clients des boutiques, qui sont très importantes pour générer des recommandations pertinentes.

La question qui se pose alors est la suivante : comment les exploitants de boutiques en ligne peuvent-ils utiliser le dialogue avec leurs clients pour proposer des recommandations pertinentes dans leur boutique en ligne ? Différents systèmes de recommandation peuvent être utilisés à cette fin. Nous en aborderons certains plus en détail ci-dessous.

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

Systèmes de recommandation collaborative

Le système de recommandation collaboratif se réfère aux clients de la boutique ayant un comportement similaire en matière de clics et d'achats. Cela signifie que ce système analyse le comportement de différents clients en matière de clics et d'achats afin d'identifier les similitudes et, sur cette base, calcule des recommandations adaptées. Pour les recommandations générées par un système de ce type, on peut imaginer par exemple un titre du type « Les clients qui ont été intéressés par ce produit ont également été intéressés par les produits suivants ». Si des clients de la boutique présentant un comportement similaire manifestent par exemple un grand intérêt pour un produit donné, celui-ci est recommandé par le système. Les algorithmes qui fournissent des listes de produits selon cette approche sont également appelés algorithmes de filtrage collaboratif.

Cette méthode, utilisée notamment par Amazon, est celle qu'il convient d'utiliser lorsque l'on dispose de peu ou pas d'informations personnalisées sur un client ou lorsque le catalogue de produits est plutôt pauvre en caractéristiques produit. Le filtrage collaboratif, même sous sa forme modifiée, reste aujourd'hui l'un des piliers des contextes de recommandation personnalisés.

Les systèmes de recommandation collaboratifs calculent des recommandations à partir de clients similaires de la boutique.

avantage

L'avantage de ce système de recommandation réside dans le fait qu'il permet de mettre en évidence les relations entre les utilisateurs et les articles qui ne ressortent pas explicitement des caractéristiques du produit. De plus, grâce au filtrage collaboratif, vous pouvez également proposer au client des produits qui s'écartent de ses préférences habituelles, mais qui pourraient également l'intéresser. Vous pouvez ainsi créer un effet de surprise.

inconvénient

Un inconvénient du système de recommandation collaboratif est toutefois ce que l'on appelle le « problème du démarrage à froid », qui se pose surtout pour les nouveaux utilisateurs et les nouveaux produits. Pour les systèmes de recommandation de ce type, il est nécessaire de disposer d'un grand nombre de clients de la boutique avec leurs comportements respectifs en matière de clics et d'achats. Cependant, en l'absence de réactions concernant les nouveaux clients ou les nouveaux produits, il est difficile de trouver des objets similaires.

Systèmes de recommandation basés sur le contenu

Le système de recommandation basé sur le contenu ne fonctionne pas sur la base d'utilisateurs ayant des comportements de clic et d'achat similaires, mais utilise plutôt les similitudes entre les produits comme base. Outre les attributs du produit, le comportement de clic et d'achat de chaque client de la boutique joue également un rôle décisif à cet égard. Les systèmes de recommandation basés sur le contenu recommandent donc des articles similaires à des produits avec lesquels un client a déjà interagi (qu'il a par exemple consultés, achetés ou recherchés). Pour calculer ce type de recommandations, une analyse du contenu est nécessaire afin de déterminer la similitude entre les objets. Un titre possible pour ce type de recommandations pourrait être, par exemple : « Produits similaires de votre marque préférée ».

Les systèmes de recommandation basés sur le contenu calculent des recommandations à partir d'articles similaires.

avantage

Le système de recommandation basé sur le contenu présente à la fois des avantages et des inconvénients. Un avantage majeur par rapport aux systèmes de recommandation collaboratifs réside par exemple dans le fait que les systèmes de recommandation basés sur le contenu peuvent également recommander des articles pour lesquels aucun clic ou achat n'a encore été enregistré. Cela permet de contrer le « problème du démarrage à froid », qui touche principalement les nouveaux produits.

inconvénient

L'un des inconvénients de ce système de recommandation est qu'il peut conduire à une spécialisation excessive. Il n'y a pas de surprises si les recommandations de produits sont basées uniquement sur les préférences de chaque client.

Si nous repensons à l'exemple mentionné précédemment « Produits similaires de votre marque préférée », un autre problème lié à ces systèmes de recommandation apparaît. En effet, il est possible que le client préfère voir des produits qui ont sa couleur préférée. Il apparaît ici clairement qu'un autre aspect ne doit pas être négligé : le contexte. Il faudrait donc présenter au client une multitude de recommandations dans une multitude de contextes de recommandation et espérer que l'un ou l'autre de ces contextes suscite l'intérêt du client.

Contextes de recommandation multiples

Pour pouvoir proposer aux clients des recommandations adaptées dans le bon contexte, il faudrait en réalité leur présenter une multitude de recommandations dans une multitude de contextes différents. Afin que les exploitants de boutiques en ligne puissent présenter à leurs clients une multitude de contextes de recommandation différents, il serait avantageux que la structure et la conception des boutiques en ligne changent fondamentalement. Les utilisateurs sont habitués à une telle structure, par exemple sur les plateformes de vidéo à la demande telles que Netflix ou YouTube.

Contexte de recommandations multiples sur une page boutique

Ce principe des contextes multiples peut également être appliqué au commerce électronique, les exploitants de boutiques en ligne pouvant afficher dans un flux personnalisé, et donc sur une page de boutique, des recommandations individuelles pour chaque client dans différents contextes (par exemple, articles de la marque préférée, du style préféré, de la couleur préférée, de la catégorie préférée, etc.).

Contexts de recommandation multiples pour le divertissement et la fidélisation des clients

Cela signifie que le contexte dans lequel un client voit les différentes recommandations dans son flux personnel est le suivant : le client a déjà effectué un achat et se trouve désormais dans la phase de fidélisation, avec un besoin de divertissement. Comme il a déjà franchi plusieurs étapes du parcours client, diverses interactions ont déjà eu lieu aux différents points de contact tout au long de son parcours dans la boutique en ligne. Le comportement du client de la boutique a donc déjà permis d'acquérir des connaissances sur ses préférences individuelles.

Il est désormais possible de lui proposer dans son flux personnel une multitude de recommandations dans différents contextes, adaptées à ses préférences individuelles. Le flux comprend également des éléments interactifs et offre un mélange d'inspiration, d'interaction et de services qui garantit le divertissement. Les clients reviennent ainsi volontiers dans la boutique en ligne, ce qui augmente la fidélité et le taux de réachat.

Recommandations dans différents contextes sur une page boutique (source : capture d'écran de outletcity.com)

Contextes de recommandation individuels

Cependant, dans la pratique, les boutiques en ligne ne disposent souvent que de l'espace nécessaire pour afficher des recommandations individuelles. Il est donc particulièrement important de se demander quels sont les besoins du client dans le contexte donné et quelle stratégie de recommandation permet de les satisfaire au mieux. Pour illustrer l'importance du contexte dans l'affichage de recommandations pertinentes, examinons les deux scénarios suivants :

Contexte 1 : page détaillée du produit

Un client consulte un produit (dans notre exemple, une casserole) sur une page détaillée. Dans ce contexte, on peut supposer que le client est actuellement à la recherche d'informations et souhaite probablement acheter une casserole. Afin d'aider au mieux le client à trouver le produit qui lui convient, vous pouvez lui proposer des recommandations sous forme de produits similaires dans un widget de recommandation situé sous les informations sur le produit.

Recommandation de produits similaires sur la page détaillée du produit (source : capture d'écran de fackelmann.de)

Contexte 2 : couche panier

La situation est différente lorsqu'un client ajoute un produit, dans notre exemple un vélo, à son panier et qu'une fenêtre contextuelle s'ouvre ensuite avec des recommandations. Le contexte est ici tout autre : le client a déjà franchi une étape supplémentaire et est sur le point de finaliser son achat. Il est en train d'acheter un vélo et l'a déjà ajouté à son panier. Dans ce contexte, vous ne devez en aucun cas afficher des produits similaires afin de ne pas déstabiliser le client dans sa décision. Pour éviter que le client de la boutique ne change d'avis à ce stade, vous devez plutôt lui présenter des produits qui sont souvent achetés en complément du produit dans le panier. Ces recommandations dites de « vente croisée » inspirent vos clients et augmentent la valeur du panier.

Recommandations de ventes croisées dans la couche panier (source : capture d'écran de rosebikes.de)

Cela montre clairement à quel point il est important de tenir compte du contexte et donc de la situation dans laquelle se trouve actuellement un client de la boutique lors de la diffusion des recommandations.

Compromis pour certains contextes de recommandation

Si, par exemple, seuls un ou deux contextes de recommandation peuvent être présentés sur une page détaillée d'un produit, il faut choisir le meilleur compromis possible. Un exemple serait : « Produits similaires qui pourraient également vous plaire ». Il est important de prendre le terme « similaire » très au sérieux. En effet, cela augmente considérablement la qualité des recommandations. « Similaire » signifie ici des produits présentant des caractéristiques similaires à celles du produit consulté en détail par le client de la boutique, évalués en fonction des préférences personnelles du client.

Exemple : si un client montre un intérêt particulier pour les articles noirs, d'autres articles noirs seront considérés comme très similaires. Sans cette information sur le comportement du client, la couleur du produit n'aurait pas joué un rôle important dans les recommandations.

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

La stratégie de recommandation et le type de personnalisation dépendent du contexte.

Il n'est pas facile de répondre à cette question de manière générale. En effet, le choix du système de recommandation approprié dépend de différents facteurs. L'évolution du commerce électronique montre que les structures initialement statiques deviennent de plus en plus dynamiques et qu'outre la sélection des produits ou des contenus, le contexte dans lequel cette sélection est présentée gagne en importance. Selon la phase du parcours client dans laquelle se trouve un client et selon le contexte dans lequel il voit les recommandations, il est judicieux d'utiliser une stratégie de recommandation différente, un type de personnalisation différent et donc différents systèmes de recommandation.

Une expertise indispensable

Pour afficher des recommandations personnalisées de manière dynamique dans le contexte approprié, il faut une architecture logicielle capable d'interconnecter dynamiquement divers algorithmes en fonction du contexte. Cependant, la configuration de ces architectures nécessite avant tout des connaissances spécialisées. En effet, les experts sont capables d'identifier les exigences des différents points de contact et de sélectionner ensuite le système de recommandation et le type de personnalisation appropriés en fonction du contexte. Il est ainsi possible de générer des recommandations adaptées individuellement au contexte et aux préférences des clients de la boutique.