Blog

Recommandation produit e-commerce: les 3 principales erreurs à éviter

Posted by Jean-Luc Bernard on 30/05/23 08:57

Il existe de nombreuses erreurs à éviter quand on installe sur son site un système de recommandation personnalisée. 

Les 3 principales d’entre elles concernent:-

  • les données sur la base desquelles votre système va travailler, 
  • le type d’algorithmes que vous utiliserez 
  • et “the last but not the least", les stratégies de personnalisation que vous adopterez.

 

1° erreur: privilégier les données historiques

Pour mettre en place un système de recommandation personnalisée efficace, il est bien évidemment important de comprendre les besoins et les préférences des clients. 

Il faut donc évidemment s’assurer qu’elles sont précises et complètes. Des données incomplètes ou inexactes peuvent entraîner des recommandations inappropriées. 

Il est également important de comprendre comment les données sont stockées et organisées pour s’assurer qu’elles sont facilement accessibles pour l’analyse.

 Les données peuvent être collectées à partir de diverses sources telles que les achats précédents, les commentaires des clients, les enquêtes et les analyses de données.

En fait, le véritable choix stratégique s’opère entre recueillir les données du passé pour en extrapoler un modèle probabiliste qui sera ensuite appliqué ou s’attacher plutôt à comprendre le sens de la visite à travers les données de navigation, en temps réel. 

Dans le 1° cas, les données servent à créer des profils de clients et générer des règles associées à ces profils qui seront alors utilisés pour personnaliser le système de recommandation. Les profils de clients peuvent inclure des informations telles que l’âge, le sexe, la localisation géographique, le comportement d’achat,les préférences de produits…etc. Bien évidemment s’agissant de données non anonymes, il conviendra de s’assurer que le recueil et le traitement de ces données s'exercent bien dans le cadre de la RGPD, notamment en matière de consentement.

Mais le choix le plus pertinent sera bien évidemment la seconde hypothèse:  recueillir et exploiter les données directement en cours de navigation: quand vous avez la possibilité de comprendre votre visiteur en temps réel, il est contre-productif de faire confiance à ce qu’il a fait dans le passé plutôt à ce qu’il vous dit de lui à l'instant T pour comprendre quelle est son attente actuelle. C’est ce que nous appelons chez Netwave, l’analyse de situation ou analyse situationnelle.

Sa situation a en effet pu changer par rapport au passé: marié, il est désormais divorcé; chômeur, il vient de retrouver un emploi; célibataire, il est désormais marié et attend un enfant. Autant de raisons qui remettent radicalement en cause la probabilité émise sur la base de données désormais dépassées.

Il est peut être également venu sur votre site, non pour effectuer un achat à titre personnel mais pour faire un cadeau. Passionné de tennis, il vient sur votre site d’articles de sport pour offrir à sa compagne, cavalière émérite, une paire de bottes pour son anniversaire. A quoi vous serviront vos données du passé pour comprendre une  attente qui ne le concerne pas?

Le vendeur en magasin ne consulte pas l’historique de son client pour comprendre ce qu’il est venu acheter, dans quel état d’esprit, avec quelle motivation. Non: il observe ce qu’il fait dans le magasin, ce qu'il regarde, quel niveau de prix semble l’intéresser…etc. 

Il est évident que la compréhension de l’attente à l’instant T d’un visiteur sera plus riche, plus précise et plus actuelle si vous prenez plutôt en compte ce qu’il fait sur le site à l’instant T plutôt que ce qu’il y a fait au cours de ses 4 dernières visites dont la dernière date de plus de 5 mois.

Une 1° leçon que nous avons pu tirer de notre expérience: dans le domaine du e-commerce, les données recueillies en temps réel sont plus porteuses de sens que les données du passé. 

Ces dernières ne peuvent que venir soit compléter, préciser, éclairer votre compréhension initiale, soit vous permettre d’appliquer une stratégie spécifique de personnalisation. Par exemple, sur un site d’éditions professionnelles, inscrire immédiatement le visiteur dans l’univers de son métier. Ou accueillir le visiteur ayant fait un achat récent par une proposition de cross selling.

Une 2° leçon est que pour individualiser votre recommandation, vous ne pouvez pas vous contenter de 20 ou 30 critères.

 Cela est une constante des systèmes déductifs: intégratifs par nature, ils privilégient le fait de travailler sur un nombre restreint de caractéristiques leur permettant de créer des segments suffisamment volumiques pour définir une base statistiquement exploitable.

Chez Netwave, notre technologie est essentiellement différenciative, c’est à dire d’abord basée sur ce qui différencie une visite d’une autre afin d’en comprendre toute la spécificité avant que de chercher dans la mémoire de notre IA s’il existe des situations similaires que nous pouvons exploiter. Pour cela nous utilisons 232 trackers rendant compte des 3 dimensions d’une visite: contextuelle, comportementale, psychologique. Cela nous donne une granularité exemplaire de compréhension des attentes des visiteurs qui nous confère une pertinence inégalée: jusqu’à +362% de conversion par rapport à une solution leader sur le marché du machine learning sur un grand site discount français.

Pour exploiter correctement toutes ces données temps réel, il vous faudra bien évidemment choisir un type d’algorithme capable de le faire.

2° erreur: utiliser des algorithmes déductifs

Pour mettre en place un système de recommandation personnalisée efficace, il est important d’utiliser des algorithmes de recommandation appropriés. Les algorithmes de recommandation peuvent être basés sur des règles, des statistiques,des techniques d’apprentissage automatique ou, désormais, des logiques inductives.

Il est important de choisir l’algorithme de recommandation approprié en fonction des données disponibles et des besoins des clients. 

Les algorithmes de recommandation basés sur les règles manuelles sont simples à mettre en place mais peuvent ne pas être pertinents et nécessitent souvent un très gros travail statistique à fournir en amont. 

Les algorithmes de recommandation basés sur les statistiques sont plus précis mais nécessitent  énormément de données pour fonctionner efficacement. Les algorithmes de recommandation basés sur l’apprentissage automatique délèguent à la machine ce lourd travail d’exploitation statistique des données mais souffrent du même problème  de besoin d’un très gros volume de données afin de fiabiliser le probabilité émise. 

Ces 3 catégories, reposant sur les mêmes bases statistiques souffrent en fait des mêmes limites:

  • besoin d’un très gros volume de données pour établir des modèles fiables,
  • détection exclusivement des phénomènes majoritaires,
  • obsolescence programmée des modèles définis.

Elles entrent toutes 3 dans la méta catégorie des algorithmes déductifs: ils définissent des règles applicables à des cas particuliers. 

A contrario, les algorithmes inductifs travaillent comme le cerveau du vendeur: ils généralisent ce qu’ils ont vécu dans un cas particulier. Leur propos n’est pas la vérité mais l’efficacité.

Basés sur l’exploitation de données recueillies en temps réel, ils ne reposent pas sur l’application d’un modèle prédéfini mais sur la génération en temps réel d’une réponse à la demande de personnalisation, en s’appuyant sur ce qui a le mieux marché dans la situation identique la plus récente.  Les situations et les réponses étant dynamiques, c'est-à -dire actualisées à chaque évènement constaté sur le site.

Le corollaire “Utiliser des algorithmes de recommandation appropriés” signifie qu’il est important d’utiliser l’algorithme de recommandation approprié en fonction des données disponibles et des besoins des clients. Les algorithmes de recommandation doivent être choisis en fonction de leur précision, de leur complexité et de leur capacité à s’adapter aux besoins des clients.

Si vous êtes à la recherche d’un système capable d’individualiser vos recommandations et de garantir un optimum d’actualité à celles-ci, les algorithmes inductifs couplés à l’analyse de situation représentent aujourd’hui le must.

3° erreur: ne pas maîtriser sa stratégie de personnalisation

Enfin, pour mettre en place un système de recommandation personnalisée efficace, il est important d’avoir une stratégie de personnalisation claire. 

Conseil, up selling, cross selling, add selling, autant de facettes de la recommandation qui non seulement doivent correspondre à la zone et au type de page sur laquelle la recommandation est réalisée mais doivent aussi être en adéquation avec l’identité de votre site. 

La recommandation doit refléter la politique du site et vous permettre de faire connaître à l’algorithme - comme vous le feriez avec une force de vente - quelle est votre stratégie commerciale. Par exemple, être capable de prendre en compte les opérations promotionnelles que vous programmez. Ou inclure une réelle stratégie d’up selling sur un site positionné comme hyperspécialiste. 

Adopter une plateforme capable d’être, en quelques minutes, “briefée” sur les éléments essentiels de votre politique commerciale ou  les éventuelles modifications de celle-ci, par exemple à l’occasion d’opérations spéciales, est une composante majeure de sa future facilité d’usage.

Privilégier les données temps réel, choisir un type d’algorithme capable de les exploiter également en temps réel, encadrer cette exploitation par une stratégie adaptée à chaque type de page et cohérente avec votre politique commerciale: voilà les 3 principales bonnes pratiques à mettre en oeuvre quand vous choisissez un système de recommandation personnalisée.

Pour en savoir plus:

 

Topics: E-merchandising, Big Data, Optimisation des sites, E-marketing, E-commerce, Recommandation, Personnalisation, Intelligence Artificielle, cross selling, up selling