Les premiers systèmes de recommandation produits apparus dans les années 1990 étaient basés sur des règles prédéfinies. Ces systèmes utilisaient des ensembles de règles simples pour suggérer des produits aux utilisateurs. L'idée était de créer une expérience d'achat plus engageante et personnalisée, même si cette personnalisation était assez rudimentaire comparée aux standards actuels.
Ces systèmes de recommandation fonctionnaient en appliquant des règles explicites définies par des experts du domaine. Par exemple, dans une boutique en ligne de livres, une règle pouvait stipuler que si un client achetait un roman policier, le système lui recommanderait automatiquement d'autres romans policiers ou des livres d'auteurs similaires. Dans une boutique de vêtements, si un client achetait une chemise, le système pouvait lui suggérer une cravate ou un pantalon assorti.
L'avantage principal de ces systèmes basés sur des règles était leur simplicité de mise en œuvre. Les règles étaient faciles à comprendre et à appliquer, ne nécessitant pas de compétences techniques avancées ni des infrastructures complexes. Les responsables marketing et les gestionnaires de produits pouvaient facilement définir et ajuster ces règles en fonction des tendances et des besoins du moment.
Cependant, ces systèmes présentaient des limitations notables.
Premièrement, ils étaient redoutablement consommateurs de ressources humaines. Pour ne pas être simplement livrés à l’intuition, ils devaient être précédés de lourds travaux de datamining, souvent renouvelés.
Deuxièmement, ils manquaient de sophistication. Les recommandations étaient trop souvent largement génériques et ne prenaient pas en compte les préférences individuelles des utilisateurs. Par exemple, deux clients achetant le même produit se voyaient proposer les mêmes recommandations, indépendamment de leurs goûts ou comportements d'achat distincts. Cette approche pouvait entraîner une expérience utilisateur impersonnelle et parfois inadaptée, réduisant ainsi l'efficacité des recommandations.
Ensuite, les systèmes basés sur des règles étaient statiques et rigides. Les règles définies étaient fixes et ne pouvaient pas s'adapter aux changements de comportement des utilisateurs ou aux évolutions du marché en temps réel. Pour les ajuster, il fallait une intervention manuelle, ce qui pouvait être chronophage et inefficace, surtout pour les sites de commerce électronique avec des catalogues de produits vastes, diversifiés et soumis à une rotation importante.
Enfin, ces systèmes avaient une portée limitée. Ils fonctionnaient bien pour des scénarios simples mais devenaient de moins en moins efficaces à mesure que les besoins des utilisateurs devenaient plus complexes. Les recommandations pouvaient rapidement devenir obsolètes, car elles ne prenaient pas en compte les nouvelles données ou les comportements récents des utilisateurs.
En somme, bien que les systèmes de recommandation basés sur des règles aient jeté les bases de la personnalisation dans le e-commerce, ils manquaient de la flexibilité et de l'intelligence nécessaires pour offrir une expérience véritablement personnalisée et dynamique. Cette rigidité a pavé la voie à des approches plus avancées, comme les systèmes de filtrage collaboratif et, plus récemment, les algorithmes de machine learning et l'IA inductive, qui offrent des recommandations bien plus précises et adaptées aux besoins individuels des utilisateurs.
Apprenez en plus sur Netwave et sa technologie d’IA Inductive
Et n’hésitez pas si vous avez d’autres questions: contact Netwave