E-commerce: vers l'individualisation totale grâce à l’IA ?

L'ère du e-commerce impersonnel est révolue. Ceux qui ne prendront pas en compte cette réalité se préparent à des jours difficiles. Aujourd'hui, à l'ère de la digitalisation et de l'hyper-connectivité, les consommateurs recherchent des expériences d'achat en ligne qui soient non seulement fluides et efficaces mais aussi hautement personnalisées.

L'intelligence artificielle (IA) se présente comme la solution idéale pour répondre à cette demande croissante d'individualisation. Mais comment l'IA peut-elle vraiment créer une expérience e-commerce unique pour chaque client, allant au-delà de simples recommandations de produits indifférenciées ou segmentées ?

1. Les domaines d’application de l’IA dans le e-commerce

Comprendre le client à un niveau granulaire

L'IA, grâce à ses capacités d'analyse avancée, peut traiter d'énormes quantités de données en temps réel. En analysant la navigation sur le site visité, les historiques d'achat, les interactions sur les réseaux sociaux, les recherches sur le web et d'autres données pertinentes, les entreprises créeront un profil client en amont de sa visite, profil qu’elles exploiteront ensuite en temps réel pendant la navigation. Nous verrons un peu plus loin que, pour le e-commerce, cette vision fait déjà partie du passé.

L'individualisation de l'expérience client est au cœur de la transformation numérique du e-commerce. Pour y parvenir, il est essentiel de comprendre le client de manière approfondie et c'est là que l'intelligence artificielle (IA) entre en jeu.

> Analyse des données en temps réel

L'un des avantages majeurs de l'IA est sa capacité à traiter et à analyser de grands volumes de données en temps réel. Contrairement aux méthodes traditionnelles qui peuvent nécessiter des heures, voire des jours, pour traiter des informations, l'IA peut le faire en quelques secondes.

La barre des quelques secondes est bien évidemment incompatible avec le temps réel du e-commerce. Quelques secondes, sur un site marchand, c’est déjà une éternité.

Mais le temps réel est désormais accessible: le processeur d’IA de Netwave, par exemple, travaille en 35 ms en moyenne. C’est le délai moyen qui sépare le départ du dernier web service du site du site client de l’arrivée d’une recommandation individualisée sur le navigateur du visiteur. 35 ms pour 1/ enregistrer la donnée, 2/ la traiter, 3/ computer pour définir l'insight et 4/ le communiquer au navigateur du visiteur. Cette capacité exclusive de la technologie Netwave au temps réel lui permet de comprendre les préférences, les comportements et les besoins des clients à l'instant T à un niveau beaucoup plus détaillé et précis que les méthodes prédictives probabilistes classiques.

Cela signifie que les entreprises peuvent désormais réagir instantanément aux comportements des clients, en ajustant leurs offres ou leurs recommandations en fonction des actions du client, en temps réel, au cas par cas.

> Historiques d'achat

L'analyse des historiques d'achat offre une mine d'informations sur les préférences et les habitudes d'achat d'un client. L'IA peut identifier des modèles dans ces historiques, tels que les produits fréquemment achetés ensemble ou les périodes de l'année où un client est le plus actif. Ces informations peuvent ensuite être utilisées pour anticiper les besoins futurs du client et lui proposer des offres pertinentes. Nous les utilisons aussi chez Netwave mais en leur donnant une importance secondaire par rapport à ce que nous observons pendant la navigation.

Attention, la limite des historiques d’achat est importante: les données historiques ne peuvent pas prendre en compte les changements intervenus dans la situation du visiteur depuis son dernier achat - changement professionnels, familiaux, économiques...- alors que les signaux faibles recueillis en cours de navigation sont, eux, largement explicites quant à sa recherche, son besoin, son envie du moment.

> Interactions sur les réseaux sociaux

Les réseaux sociaux sont un reflet des intérêts, des opinions et des interactions d'un client. En analysant ces données, l'IA peut déduire les préférences d'un client, les marques avec lesquelles il interagit le plus ou même les sujets qui le passionnent. Cela peut aider les entreprises à cibler leurs communications de manière plus efficace, en s'assurant qu'elles sont pertinentes pour chaque individu.

Attention toutefois à l’effet “Mythe de la caverne” de Platon. Ce que dit un réseau social d'un individu n’est que très partiellement la réalité mais beaucoup plus un simple reflet de ce que l’individu souhaite faire apparaître de lui, l'image qu'il souhaite projeter

> Recherches sur le web

Les recherches effectuées par un client sur le web peuvent offrir des indices précieux sur ses besoins et désirs actuels. Si, par exemple, un client recherche fréquemment des informations sur un type particulier de produit, l'IA peut suggérer ce produit ou des produits similaires lors de sa prochaine visite sur un site e-commerce.

Les limites: ici ce seront surtout les contraintes qui pèsent sur les données 3rd party qui seront l’obstacle majeur. Elles seront de plus en plus difficiles à obtenir et exploiter dans un cadre commercial et réglementaire de plus en plus étroit. Rien ne remplacera pour vous les données 1st party recueillies en temps réel, pendant la navigation de votre visiteur sur votre propre site.

> Autres données pertinentes

Outre les sources mentionnées ci-dessus, l'IA peut également prendre en compte d'autres types de données, tels que la localisation géographique, les données météorologiques, les événements locaux et même les tendances économiques. Par exemple, si un client se trouve dans une région connaissant une vague de froid, l'IA pourra lui suggérer des produits liés au froid.

Là aussi des limites réglementaires toujours plus contraignantes: tout le monde se souvient du "sauve qui peut " sur GA suite aux avertissements des autorités européennes.

> Création d'un profil client précis

En combinant toutes ces données, l'IA est capable de créer un profil client extrêmement détaillé et précis. Ce profil peut ensuite être utilisé pour adapter chaque interaction au visiteur, garantissant ainsi une expérience d'achat en ligne plus ou moins personnalisée. Adapter et non personnaliser car parler de personnalisation quand on se base sur des profils regroupant plusieurs milliers d'individus sur la base du PPDC relève du plus éhonté des abus de langage.

Aller au-delà des recommandations de produits classiques.

Alors que les systèmes traditionnels se limitent souvent à suggérer des produits basés sur des achats antérieurs ou des tendances populaires, l'IA peut anticiper les besoins futurs des clients. Par exemple, en analysant les données météorologiques, les événements locaux et les préférences personnelles, l'IA pourrait suggérer un parapluie à un client avant une semaine de pluie ou recommander une tenue pour un événement à venir. Là aussi, les entreprises se heurtent rapidement à l’encadrement règlementaire régissant le recueil de données personnelles.

Personnalisation de l'interface utilisateur

L'IA peut également personnaliser l'interface du site e-commerce en fonction du profil de chaque visiteur. Cela signifie que deux clients visitant le même site peuvent avoir des expériences visuelles complètement différentes, adaptées à leurs préférences et à leur historique de navigation. Pour l’instant, pour des raisons technologiques, cette application de l’IA reste limtée à quelques segments de visiteurs préalablement définis et il reste donc difficile de parler de personnalisation.

Chatbots et assistants virtuels

Les chatbots alimentés par l'IA peuvent interagir avec les clients de manière naturelle, répondre à leurs questions, les guider dans leurs achats et même suggérer des produits ou des offres spéciales basées sur l'analyse en temps réel de leurs besoins. Dans ce domaine, les récents développements de l’IA générative et des systèmes de LLM sont venus bouleverser les technologies plus traditionnelles de chatbot notamment celles du machine learning. Les temps de réponse et la forte personnalisation de la relation en font une technologie prometteuse, notamment en matière de service client. Elle restera toutefois une technologie intégrative, affichant les réponses correspondant à des tendances lourdes et non à des besoins différenciés. Autrement dit, si deux individus, au pouvoir d'achat très différent, ne présentant pas la même urgence dans leur besoin posent la même question, une plateforme basée sur cette technologie leur fournira quasiment la même réponse.

Gestion des stocks et logistique

L'IA peut prédire les tendances d'achat et optimiser la gestion des stocks en conséquence. Cela signifie que les produits sont toujours disponibles lorsque les clients en ont besoin, améliorant ainsi leur expérience d'achat.

La gestion des stocks est l’un des défis majeurs du e-commerce. Compte tenu de son poids financier dans les flux de trésorerie des sites marchands, c’est certainement l’un des plus risqués. Combien de sites français, surfant sur la vague du COVID en 2020/2021 ont sur stocké début 2022 et ont ainsi connu de grosses difficultés quand la demande a fortement ralenti pour revenir à sa dynamique pré-COVID à partir de 2022?

Grâce à l'IA, les entreprises peuvent anticiper les demandes futures en analysant les tendances d'achat, les saisons, et même les événements mondiaux. Par exemple, si l'IA détecte une augmentation des recherches pour un produit spécifique, elle peut suggérer de renforcer les stocks avant une rupture. De même, en prévoyant les baisses de demande, l'IA aide à éviter les surstocks coûteux. Cette optimisation garantit non seulement une disponibilité constante des produits, mais réduit aussi les coûts de stockage, offrant aux clients une expérience d'achat fluide et satisfaisante. Attention aux événements imprévus qui peuvent impacter une prévision à priori fiable…

Tarification dynamique

En analysant les tendances du marché, la demande et l'offre, et le comportement des consommateurs, l'IA peut ajuster les prix en temps réel pour maximiser les ventes tout en offrant une valeur ajoutée aux clients.

La tarification dynamique, propulsée par l'IA, ajuste les prix en fonction des fluctuations du marché, de la demande et du comportement des consommateurs. Cela permet aux entreprises d'optimiser leurs marges et d'attirer des clients avec des offres compétitives. Cependant, cette stratégie présente des limites. Une variation trop fréquente des prix peut semer la confusion et la méfiance chez les consommateurs. De plus, si mal gérée, elle peut entraîner une guerre des prix avec les concurrents, réduisant ainsi les marges bénéficiaires. Il est donc essentiel d'équilibrer les avantages de la tarification dynamique avec une stratégie de marque solide et une communication transparente.

Retours et service après-vente

L'IA peut également améliorer l'expérience post-achat en anticipant les problèmes, en facilitant les retours et en offrant des solutions personnalisées pour chaque client.

L'expérience post-achat est cruciale pour la fidélisation des clients. Grâce à l'IA, les entreprises peuvent anticiper les problèmes courants en analysant les retours précédents et les avis clients. Si un produit présente des défauts récurrents, l'IA peut alerter le service client pour préparer des solutions proactives. De plus, en simplifiant le processus de retour grâce à des chatbots intelligents ou des recommandations automatisées, l'IA réduit les frictions pour le consommateur. Enfin, en proposant des solutions personnalisées, comme des remplacements adaptés ou des offres spéciales, l'IA transforme un potentiel point de friction en opportunité de renforcer la relation client.

Soyons clairs: l’IA ne fait pas mieux que le cerveau humain. Elle sait simplement faire plus, plus vite, plus longtemps.

Faire plus: elle avale des mégaoctets de données comme nous sommes capables d’ingérer trois ou quatre informations concomitantes. Nous avons mesuré il y a quelques années, sur le site d’un client, le traitement par notre IA INductive de plus de 500.000 visites simultanées.

Sachant que nous enregistrons environ 200 données par visite et qu’une visite dure en moyenne 54 secondes, c’étaient donc plus d’1.850.000 données qu’elle collectait, enregistrait et traitait à chaque seconde.
Une visite générant, en moyenne toujours 7,2 recommandations, elle était capable de computer 60.000 fois par seconde pour délivrer les recommandations requises par le site.

Plus vite: elle traite d’impressionnants volumes de données dans un laps de temps allant de quelques microsecondes (le temps moyen de travail d’un algorithme Netwave est d’environ 5 microsecondes) à quelques minutes là où l’humain aurait aurait dû y passer de plusieurs secondes à plusieurs heures.

Pour plus longtemps: le cerveau humain conserve durant quelques jours seulement en mémoire une information dont il n’a pas un besoin immédiat et qui n'est pas révisée ou renforcée. La database de l’IA la conservera…le temps que la loi le lui autorise.

Au final, le champ d’application de l’IA pour aller vers toujours plus de personnalisation dans la relation visiteur ou client est large et prometteur. Encore faut-il être capable de trier le bon grain de l’ivraie: des discours marketing n’hésitant pas à la sur-promesse frisant parfois l’escroquerie pure et simple ont savamment joué l’ambiguïté entre automation et personnalisation d’une part et personnalisation et individualisation d’autre part.

2. Personnalisation ou individualisation ?

C'est là un point crucial dans le débat sur l'individualisation et la personnalisation en e-commerce. En effet, le machine learning, en se basant sur des données historiques, sera quasi systématiquement en décalage avec la réalité instantanée du client. Voici une rapide exploration de cette problématique.

La différence entre segmentation et individualisation

La segmentation, qui regroupe les clients en catégories basées sur des caractéristiques communes, est une approche traditionnelle du marketing. L'individualisation, en revanche, vise à traiter chaque client comme une entité unique. Un système de machine learning basé uniquement sur des données historiques en vue créer des profils, s'inscrira automatiquement dans une logique de segmentation et non d'individualisation. A-t-il la possibilité de se baser sur d'autres données que l'historique ? Regardons cela.

L'importance du temps réel

La capacité à traiter des données en temps réel est essentielle pour une véritable individualisation. Cela permet de prendre en compte les actions, les préférences et les besoins actuels, à l'instant T, du client, plutôt que de se baser uniquement sur son historique.

Certes, un modèle de machine learning n'est pas statique. Il peut être entraîné et ré-entraîné en continu pour s'adapter aux nouvelles données et aux nouveaux comportements des clients. Notons toutefois que cela n’est que très exceptionnellement le cas, compte tenu des coûts et des temps de traitement statistiques destinés à actualiser les modèles.

En supposant un modèle de complexité moyenne, sur une machine standard, avec une base de données de 1 million de clients ayant en moyenne 100 interactions chacun, le tout en en utilisant des bibliothèques optimisées, l'actualisation d'un modèle de recommandation prendrait... plusieurs jours. Non seulement cela interdit de parler de temps réel mais une telle actualisation en continu deviendra rapidement insupportable en termes financiers dans un environnement e-commerce.

Même sur des systèmes non supervisés, la prise en compte de données en temps réel revêt une autre réalité que celle qui prévaut dans le e-commerce. Leur temps réel se compte - au minimum - en dizaines de secondes et non en millisecondes. C’est l’une des limites du machine learning et du deep learning: capables, certes, de collecter des données en temps réel mais dont la lourdeur de réactualisation de leurs modèles ou de leur processing leur interdit un vrai temps réel compatible avec les impératifs du commerce en ligne.

La combinaison de l'historique et du temps réel

L'idéal serait de combiner les données historiques avec les données en temps réel. Le vrai temps réel: celui qui permet de collecter une donnée, d’interpréter une situation, de prendre une décision et de la publier à destination du visiteur en quelques millisecondes.

L'historique peut alimenter un contexte tandis que les données en temps réel offrent une perspective actuelle. Ensemble, ils peuvent fournir une vue complète et nuancée du client.

Chez Netwave, nous appelons cela une situation et nous distinguons les données d’activité (temps réel), des données d’affinité (historique). Si les données d’activité sont consonantes aux données d’affinité, alors nous utilisons ces dernières: le cas d’un visiteur venu consulter un canapé 3 places la veille et qui, quand il revient, retourne sur la catégorie canapés 3 places, par exemple.

Si ce n’est pas le cas, nous privilégions les données d’activité: je suis venu à plusieurs reprises sur un site d’équipements sportifs pour acheter des balles, des chaussettes et des chaussures de tennis et j’y reviens…mais pour faire un cadeau à ma fille passionnée d’équitation. Mieux vaudra alors oublier ma passion pour le tennis sous peine de recommandations totalement contre-productives, me donnant l'impression que l'on essaie de me pousser à tout prix une sélection de produits plutôt que de me rendre service.

La flexibilité des règles

Bien sûr, plutôt que se fier strictement à des règles préétablies, les systèmes d'IA avancés peuvent utiliser des approches adaptatives. Par exemple, en utilisant des techniques d'apprentissage non supervisé, l'IA peut découvrir de nouvelles tendances ou préférences sans avoir besoin de règles prédéfinies. Mais là encore la réalité du “temps réel e-commerce” se révèlera un obstacle infranchissable à la lourdeur de leur processing.

L'individualisation totale en e-commerce est un idéal vers lequel de nombreuses entreprises tendent. Si le machine learning basé sur des données historiques présente des limitations, en combinant différentes techniques et en intégrant des données en temps réel, il est possible de se rapprocher de cet idéal. Il est essentiel pour les entreprises de reconnaître ces défis et de continuer à innover pour offrir une expérience véritablement individualisée à chaque client. Cela pose la question cruciale de la technologie d’IA à utiliser.

3. La question centrale: quelle technologie pour individualiser ?

Le machine learning, malgré ses avancées impressionnantes, présente des limitations, en particulier lorsqu'il s'agit d'individualisation. Voyons quelques-unes de ces limitations.

La dépendance aux données historiques

Le machine learning, en particulier l'apprentissage supervisé, dépend fortement des données sur lesquelles il a été formé. Si ces données sont biaisées, incomplètes ou ne reflètent pas la réalité actuelle, les prédictions ou recommandations du modèle seront inexactes.

La difficulté à gérer la nouveauté

Les systèmes de machine learning ne savent pas gérer des situations qu'ils n'ont jamais rencontrées dans des proportions statistiquement exploitables auparavant. Par exemple, face à un nouveau produit ou à un comportement d'achat inédit, le système peut ne pas savoir comment réagir, car il n'a pas de données historiques sur lesquelles se baser.

Le sur-ajustement (Overfitting)

Les modèles de machine learning sont très souvent trop bien ajustés aux données d'entraînement, au point de perdre leur capacité à généraliser à de nouvelles données. Cela signifie qu'ils peuvent être excellents pour prédire ou recommander des choses basées sur des situations déjà vues et présentant une probabilité forte (les phénomènes majoritaires) mais inefficaces dans des situations nouvelles ou minoritaires.

L’absence de compréhension contextuelle

Les modèles de machine learning ne "comprennent" pas le contexte de la même manière que les humains. Par exemple, un client peut acheter un certain type de vêtement en prévision d'un événement spécial, et non parce qu'il aime ce style en particulier. Si le modèle ne prend pas en compte ce contexte, il pourrait faire des recommandations inappropriées à l'avenir.

La difficulté à interpréter la "logique" de l'IA

Les modèles de machine learning, en particulier les modèles profonds, sont souvent considérés comme des "boîtes noires". Cela signifie qu'il peut être difficile de comprendre pourquoi ils font certaines recommandations. Cette opacité rend difficile voire impossible l'ajustement ou l'amélioration des recommandations pour une individualisation plus précise.

Elle rend impossible la compréhension par l’opérateur du “pourquoi çà marche” et du “pourquoi çà ne marche pas”. La transparence du fonctionnement de l’algorithme est une condition essentielle d’adoption pérenne.

Chez Netwave, nous “ouvrons le capot” durant nos démonstrations:. Tout en naviguant sur le site d’un client, nous activons une interface sur laquelle sont visualisées en temps réel: les données recueillies, les stratégies commerciales appliquées, la computation des algorithmes (il y en a 62 qui travaillent en synergie), la recommandation à faire. Et sur le site, la bannière de recommandation apparaît. Cela permet à nos clients de valider l’adéquation entre données recueillies, stratégie demandée et recommandation fournie.

Les biais inhérents

Si les données d'entraînement contiennent des biais, le modèle les reproduira. Par exemple, si un site e-commerce a historiquement ciblé un certain groupe démographique, le modèle ne sera pas efficace pour faire des recommandations à des clients en dehors de ce groupe. Ce qui, bien évidemment est systématiquement le cas: chaque site sur-représente certains types de consommateurs en fonction justement de son positionnement spécifique.

Les limitations technologiques
L'analyse en temps réel de grandes quantités de données nécessite une puissance de calcul importante. Même avec des infrastructures robustes, le traitement des données dans le cadre de l'actualisation d'un modèle prendra beaucoup plus de temps que ce que le visiteur est susceptible d’accorder au site. Sans compter qu’une réponse longue pénalisera irrémédiablement le temps de chargement des pages et le sacro-saint ranking Google… Concrètement, cela rend impossible l'individualisation sous peine de sacrifier le SEO du site.

Toutefois, la principale limite du machine learning à tendre à l’individualisation tient à sa nature même. Elle est systémique.

4. La principale limitation du ML est systémique
Du point de vue systémique, le machine learning, en particulier les modèles traditionnels, tend à chercher des régularités et des patterns dans les données. Cette approche intégrative, bien qu'efficace pour identifier des tendances générales, peut effectivement limiter la capacité du système à reconnaître et à répondre aux singularités individuelles. Explorons cela plus en détail.

Caractère régulier et intégratif
L’immense majorité des algorithmes de machine learning sont conçus pour identifier des motifs récurrents dans les données. Ils "apprennent" en reconnaissant ces motifs et en les utilisant pour faire des prédictions ou des classifications. Cette approche est intrinsèquement intégrative car elle vise à regrouper les informations en catégories ou en clusters basés sur des similitudes.

Incapacité à être différenciatif
La conséquence directe de cette approche intégrative est une tendance à la généralisation. Quand un modèle est axé sur la détection de régularités, il néglige ou interprète mal des données qui sortent de l'ordinaire. Il ne prend en compte que les phénomènes majoritaires voire fortement majoritaires. Dans le contexte de l'individualisation, cela signifie que le modèle ne peut pas reconnaître ou valoriser suffisamment les singularités d'un individu, le plaçant dans une catégorie préexistante basée sur des caractéristiques générales.

La nécessité d'une approche différenciative
Pour une véritable individualisation, il est donc essentiel que les systèmes puissent reconnaître et répondre aux singularités. Cela nécessite une approche différenciative, où chaque individu est considéré dans son unicité, plutôt que comme un membre d'un groupe plus large. Certains modèles plus avancés, comme les réseaux neuronaux profonds, ont une capacité accrue à reconnaître des nuances, mais ils sont toujours limités par la nature de leurs données d'entraînement et par leur architecture intrinsèque.

L’IA Inductive de Netwave est bâtie, via sa technologie d’analyse de situation en temps réel, autour de cette approche différenciative.

Elle cherche d’abord ce qui distingue un visiteur des autres visiteurs à travers 232 trackers et, dans le même temps, elle “remonte” dans sa mémoire pour identifier si elle a déjà rencontré cette situation et l’utiliser alors pour fournir une interaction réellement individualisée à partir de ce qui a fonctionné dans cette situation précédente. La situation qui prend justement en compte les différences de chaque individu. C’est l’un des leviers principaux de sa sur-performance face aux systèmes de machine learning (jusqu’à +392% de CA/visite).

L'équilibre entre intégration et différenciation

Cette réflexion sur le caractère régulier et intégratif du machine learning est fondamentale pour comprendre ses limitations en matière d'individualisation. Alors que la technologie continue d'évoluer, il est essentiel de garder à l'esprit ces défis systémiques et de chercher des moyens de les surmonter pour offrir une expérience véritablement individualisée. L'idéal serait un équilibre entre ces deux approches.

Le processeur logiciel de Netwave, par exemple, est intégratif et peut reconnaître des tendances générales tout en étant également différenciatif pour s'adapter aux singularités. Cela nécessite une combinaison de techniques d’IA à la fois intégratives et différenciatives, une architecture technique privilégiant l'utilisation de la mémoire cache pour travailler en temps réel et une logique logicielle non figée sur des modèles mais reposant au contraire sur une computation temps réel.

Conclusion

L'individualisation totale du e-commerce n'est plus une vision futuriste, mais une réalité à portée de main grâce à l'IA. Grâce à des technologies adaptées, en comprenant profondément chaque client et en adaptant chaque aspect de l'expérience d'achat en ligne à ses besoins et préférences uniques, les responsables de grands sites de e-commerce peuvent non seulement augmenter leurs ventes, mais aussi renforcer la fidélité de leurs clients.

Les entreprises qui adoptent pleinement ces technologies et mettent l'accent sur l'individualisation seront celles qui domineront le paysage e-commerce de demain. Il est donc essentiel pour les responsables de grands sites de e-commerce de comprendre et d'investir dans les capacités de l'IA pour offrir une expérience client véritablement unique.