de lecture

Comprendre et exploiter des algorithmes de recommandations e-commerce

De Elias Ohayon
comprendre-et-exploiter-les-algorithmes-de-recommandation-e-commerce

Découvrez comment utiliser l’hyper-personnalisation via l'algorithme de recommandation e-commerce pour booster votre activité.

Un algorithme, c’est à peu de choses près une recette de cuisine. Plus ou moins complexe, la recette regroupe les ingrédients et les opérations nécessaires à la réalisation de plats grâce à des ustensiles. Comme chacun le sait, même avec la recette en main, tout le monde n’est pas un cordon bleu, et la qualité du plat final dépend beaucoup du cuisinier et de ses ustensiles. Cette comparaison s'applique également à l'algorithme de recommandation e-commerce.

Netflix, Youtube, Spotify, tous de grands chefs étoilés dans le domaine de l’hyper-personnalisation, utilisent des algorithmes, chacun adapté à leur sauce, pour offrir à leurs clients une expérience aux petits oignons, avec une carte de plats du jour adaptée en fonction de leurs goûts. Plus proches de nous, Amazon et Cdiscount, géants de la vente en ligne s'appuient sur les performances d'algorithmes de recommandation e-commerce.

Dans cet article, nous vous proposons de décortiquer les systèmes de recommandations, qui sont à l’oeuvre, avec un focus sur les algorithmes de recommandation e-commerce, et de découvrir ce qui se cache sous leurs couvercles

 

Qu'est-ce qu'un système de recommandation e-commerce ?

Nous l’évoquions en introduction, tous les chefs étoilés ont pris la révolution en marche et l’ont adoptée. Quoi donc ? L’hyper-personnalisation ! Ce nouveau paradigme, mêlant intelligence artificielle, e-merchandising, marketing et ergonomie s’impose sur le web grâce à l’essor du Big Data et des systèmes de recommandations. Mais qu’est-ce donc réellement ?

Un système de recommandations e-commerce est une plateforme visant à proposer des produits pertinents à un client à partir de l’analyse de son comportement. Grâce à la connaissance accumulée via un algorithme de recommandation e-commerce, il est possible de prédire quels sont les produits pouvant générer chez lui un intérêt fort, et de déterminer comment et quand lui proposer l’offre, afin de maximiser les chances de convertir la vente.

La puissance d’un système de recommandations réside dans sa capacité à fonctionner en temps réel : tel un serveur qui prodiguerait un conseil dans un restaurant, le système utilise l’expérience accumulée et ses connaissances pour délivrer une réponse personnalisée en temps réel à un client, en tenant compte des contraintes d’e-merchandising appliquées.

Mais comment fonctionne le système de recommandations ? Qu’est-ce qui se cache sous le couvercle de la marmite ? Du Machine Learning ma bonne dame, avec de la data dedans.

 

Comment fonctionnent les algorithmes de recommandation e-commerce ?

Nous avons vu qu’un algorithme , qu'il s'agisse d'un algorithme de recommandation e-commerce, ou autre, est l’équivalent d’une recette. En tant que cuisinier, vous suivez la recette et réalisez le plat prévu, que vous allez servir à vos convives. Seulement voilà, si le cuisinier, sûr de son plat, ne demande pas de retours, la recette n’évoluera jamais.

Dans le cas contraire, selon les retours, le cuisinier saura faire évoluer la recette et l’adapter selon un ensemble de critères.

Imaginez maintenant que notre cuisinier soit assisté d’un commis de cuisine qu’il a lui même formé, et que ce commis soit chargé de récolter les avis, et tester différentes versions de la recette en fonction des retours, le tout sans que le cuisinier ne soit impliqué systématiquement. Il n’aurait qu’à valider, à intervalles réguliers, que la qualité du plat est toujours irréprochable. L’automatisation, ici représentée par le commis, se nomme machine learning.

Le machine learning, ou apprentissage automatique, désigne un processus d’intelligence artificielle capable, à partir d’un comportement de base, d’acquérir de l’expérience et de faire évoluer son fonctionnement grâce aux données engrangées. Les algorithmes des systèmes de recommandation ont vocation à apprendre sans cesse des données récoltées, afin de toujours coller aux intentions des utilisateurs. C'est aussi grâce à ce système que les algorithmes de recommandation e-commerce ont la capacité de créer des suggestions de produits associés pertinents.

Il existe plusieurs approches algorithmiques pour faire de la recommandation de produits :

  • une approche basée sur l’utilisateur
  • une approche basée sur l’environnement social, le filtrage collaboratif
  • une approche basée sur l’exploitation du catalogue produit, le content-based
  • une approche hybride, reprenant plusieurs éléments des 3 précédentes.

L’approche basée sur l’utilisateur utilise toutes les informations que ce dernier peut produire, déclaratives ou non

  • session de navigation
  • clics sur produits
  • ajouts au panier
  • achats
  • attribution de note

Ces “actions” sont ainsi intégrées dans le système de recommandation et permettent d’établir un profil, en général totalement anonyme. Ensuite, grâce aux algorithmes de recommandation e-commerce, on pourra ensuite proposer des recommandations à partir de ce profil.

L’approche basée sur l’environnement social, le filtrage collaboratif, va un cran plus loin : il s’agit de proposer des recommandations en utilisant les utilisateurs qui auraient un profil proche de l’utilisateur actif, possédant dans leurs profils des produits non consommés par ce dernier.

L’approche basée sur le catalogue produit, le content-based, utilise toutes les informations disponibles sur les produits, pour établir une cartographie des relation inter-produits, selon plusieurs critères :

  • leur similarité
  • leur capacité de remplacement
  • leur capacité à être vendus ensemble

 

Dans les faits, cela donne quoi ?

Les algorithmes calculent des modèles de données, qui seront ensuite la base sur laquelle des stratégies de recommandation vont s’appliquer.

Une stratégie de recommandation est une approche algorithmique, appliquée ou non à un sous-ensemble de l’audience, contrainte par des règles d’e-merchandising (produits en promotion, up-sell). Elle est aussi définie en fonction de l’emplacement sur le site sur lequel elle sera appliquée. Par exemple, on intégrera volontiers une stratégie de produits similaires, basée sur un algorithme d’évaluation de la similarité entre produits, une règle d’e-merch d’up-sell et destinée à augmenter le nombre de pages vues sur une page produit, moins sur une page d’accueil.

C’est le même principe que pour les recettes : certaines sont pour des entrées, d’autres pour des plats principaux ou des desserts. Mais parfois, certaines entrées peuvent être des plats, et pour les plus téméraires, on peut parfois commencer par le dessert :)

Alors, pour un repas réussi, laissez-vous tenter par le menu du jour comprenant entrée - plat - dessert ! Utilisez l’hyper-personnalisation sur vos canaux d’interaction avec vos clients :

  • enrichissez l’expérience d’achat sur votre site avec des stratégies de recommandations adaptées à vos clients, vos enjeux et votre environnement
  • adaptez votre relance par email, en proposant le complément du dernier achat, ou en ciblant un sous ensemble fortement intéressé par une nouveauté
  • accueillez vos clients en boutique avec, d’emblée, les produits qui leur conviennent le mieux.

A la fin du repas, quelques augmentations : le chiffre d’affaire (en moyenne 20%), la part du CA par les recommandations (en moyenne 30%), le nombre de pages vues par session, témoin de l’engagement des internautes sur le site, le taux d’ouverture et de clics des emails de relance.

 

transformer-ses-recommandations-en-achats-recurrents 

 

Quelques exemples de stratégie de recommandation qui génèrent du résultat.

Personnalisez l’expérience d’achat

Après un audit du site, que vous pouvez réaliser avec n’importe quel Analytics du marché, vous pourrez définir les points d’interaction que vous souhaitez enrichir avec des recommandations personnalisées, pour améliorer votre e-merchandising.

Il est communément admis que la page d’accueil, la page produit et le popup panier (qui se déclenche lors du clic sur ajout au panier) sont des emplacements incontournables pour faire de l’e-merch.

Sur la page d’accueil, fidélisez vos clients. Proposez-leur des recommandations basées sur leur historique et sur ce que les autres clients achètent après leur dernier achat. Autre option : les nouveautés à ne pas manquer, mais filtrées et pertinentes.

Résultats attendus : augmentation du taux de conversion d’environ 50%

Sur la page produit, mettez en avant votre catalogue. Ayez une approche bilatérale en proposant tout d’abord des produits complémentaires à celui en cours de consultation, de façon à plonger le client dans votre univers. Plus bas dans la page, proposez des produits similaires, pourquoi pas plus chers, pour accompagner votre client dans la découverte de votre catalogue produit. Vous pourrez également travailler par marques, par catégorie, etc.

Résultats attendus : augmentation du taux de conversion d’environ 35%, et augmentez le nombre de pages vues par session de plus de 20%

Sur le popup panier, soyez précis mais non intrusifs, pour ne pas casser l’intention d’achat. Proposer une alternative (produit similaire) à celui mis au panier serait contre productif car pourrait induire le doute. Une approche : proposez des produits complémentaires, mais globalement peu chers. La cerise sur le gâteau en somme 🍒

Résultats attendus : augmentation du panier moyen de 15%


Et si vous désirez innover, pourquoi pas une landing page spécifique par utilisateur ?

 

 

Photo by Kaboompics .com from Pexels

Étiquettes: E-commerce, Intelligence artificielle