Recommandation prédictive 🛒 : un exemple concret de déploiement…

Temps de lecture : 15 min + vidéo 10 min

La recommandation prédictive, qu’est-ce que c’est ?

Partons d’abord de la définition d’une recommandation… C’est simple : c’est l’action de signaler, de recommander quelque-chose à quelqu’un. Dans le commerce classique, on va dire que c’est le rôle du vendeur, ou celui du commercial ou du conseiller. Leur métier (désolé pour le raccourci 😜) c’est de recommander, de conseiller le produit ou le service le plus adapté à la demande client.
En règle générale, une recommandation nécessite de connaitre un minimum son client, pour lui proposer le bon produit ou le bon service.

Mais tout cela se complique lorsqu’on achète sur Internet. En clair, le e-commerce a bouleversé le principe de la recommandation : pas de vendeuse, pas de commercial pour conclure la vente… Le client choisit lui-même son produit sur le site marchand ; la plupart du temps un simple étalage de produits/services présentés sous forme de « catalogue » et classé par catégories/sous-catégories (encore un raccourci, promis j’arrête 😇 ) …

Alors, le problème c’est que lorsqu’un client achète en ligne, a priori, le marchand ne le connait pas. L’intenaute est anonyme, et le vendeur aura très peu de moyens d’interagir avec lui pour le conseiller — à part peut-être via des interfaces de Chat, mais ces systèmes sont parfois jugés intrusifs, et, pour les produits de grande consommation, les consommateurs les utilisent assez peu) .

C’est de là que vient l’idée de mettre en place des systèmes de recommandations prédictives.

En e-commerce, une recommandation prédictive, c’est donc une pré-sélection de produits ou de services qui est effectuée par un algorithme qui va les recommander à ces utilisateurs.

---

À quoi ça sert ?

---

Comment cela fonctionne ?

Pour qu’une recommandation fonctionne (autrement dit, pour faire un bonne recommandation, qui se concrétisera si possible par un achat), il faut répondre précisément et dans un minimum de temps au besoin du client.
Cela signifie, qu’il faut rapidement apprendre à détecter ses attentes.

Pour schématiser, disons que la recommandation prédictive a besoin de deux choses pour fonctionner :
– d’un moteur de recommandation (c’est le programme, l’algorithme prédictif)
– et de carburant pour l’alimenter. Dans cette histoire, le carburant, c’est la donnée, les informations que l’on connait du client. Autrement dit la connaissance client.

Pour pouvoir disposer de cette connaissance client, il faut donc commencer par la collecter.

1- La collecte : détection des attentes du consommateur

Il faut noter qu’en début de parcours du consommateur sur un site marchand, on ne dispose en général que de très peu d’informations sur lui. Et surtout quand il navigue anonymement, qu’il n’est pas préalablement connu ou connecté sur le site. Il laisse finalement peu d’indices pour le connaitre ou le reconnaitre. Et avec les nouvelles « lois cookies », ce n’est pas prêt de s’arranger !

Donc, même avec très peu d’information, on va devoir suivre à la trace le comportement d’un acheteur potentiel. Et cela dès les premiers clics où l’on va essayer de détecter tous les « signaux faibles » qui permettraient de caractériser une envie, une préférence :
– Il effectue une recherche pour trouver un produit spécifique ?
On stocke le mot clé de sa recherche,
– Il clique sur une catégorie produit ?
On enregistre sa « préférence » pour cette catégorie,
– il est arrivé directement sur une page produit (parce qu’il a préalablement effectué une recherche sur Google) ?
On mémorise le produit recherché.

Pour capter les informations de navigation d’un visiteur, on a généralement deux solutions :
– soit les collecter directement sur le serveur d’hébergement (sous la forme de journaux de connexion : les logs serveurs)
– soit les enregistrer avec des outils de WebAnalytics.

2- Analyser, agréger la connaissance

3- Activer la recommandation

Une fois que cette information est collectée, stokée et accessible en temps-réel (hé oui la recommandation ne supporte pas les délais), le moteur de recommandation va pouvoir se mettre en marche. Et son rôle va être de mettre en corrélation les besoins du client avec des offres de produits ou de services disponibles sur le site.

Cela signifie, que le moteur de prédiction doit pouvoir accéder au catalogue produit et qu’il doit pouvoir restituer une recommandation produit avec tous les détails nécessaires :
– disponibilité du produit (hé oui, ce serait idiot de recommander un produit qui n’est plus dispo, non ? 😀)
– libellé du produit
– visuel du poduit
– mini description
– lien vers la page de présentation
– prix
– promos éventuelles
– etc…

Là encore, les performances doivent être optimales !
Souvenez-vous, il n’y a rien de plus énervant que de rester planté dans le rayon d’un magasin pendant que votre vendeuse préférée doit retourner tout le stock pour vérifier qu’elle a bien votre produit à la bonne taille et avec la bonne couleur…
La connexion de l’algorithme prédictif avec votre PIM ou votre catalogue produit doit être très rapide et fournir un résultat pertinent en quelques millisecondes…
Heureusement, beaucoup de requêtes se ressemblent. L’algorithme va donc pourvoir pré-calculer certaines informations pour pouvoir les présenter plus rapidement.

4- Recommencer

La recommandation prédictive, fonctionne en cycles itératifs, surtout lorsque l’acheteur n’est pas déterminé. Car il va nécessairement, tâtonner, affiner sa recherche, comparer plusieurs produits, sélectionner les caractéristiques qui lui correspondent le mieux (choisir sa couleur, sa taille, …).
Une recommandation fonctionne donc comme ceci :

1. Détection du besoin (en fonction de la navigation, des clics, de la recherche…)
2. Enregistrement de la connaissance client (stockage des informations)
3. Activation de l’algorithme prédictif / Mise en corrélation du besoin avec le catalogue produits/services
4. Proposition du/des produits qui correspondent le mieux au client

À chaque cycle, l’algorithme enregistre le parcours effectué par le client. Cela renforce sa base de connaissances et offre de nouvelles opportunités de détecter des similitudes avec un comportement passé. Ces cycles sont donc nécessaires pour que l’algorithme assimile suffisamment d’informations comportementales et qu’il constitue son socle de connaissances.
Dit autrement, c’est « son apprentissage ».

Et ce, jusqu’à ce que le client trouve chaussure à son pied !

---

Dans quelles situations l’utiliser ?

Alors même si cet l’article vante les mérites de la recommandation prédictive, il y a tout de même des situations où elle n’est pas efficace.

Vous l’aurez compris, le principe de la recommandation c’est de proposer des articles similaires ou connexes (types accessoires, ou consommables liés à l’article). Mais si vous vendez un produit unique ou si votre catalogue ne comporte que quelques références, vous comprendrez aisément que vous n’avez pas besoin d’un algorithme pour recommander d’autres produits.
D’ailleurs, c’est un élément de réflexion à avoir lorsque vous organisez votre catalogue en catégories/sous-catégories. Les catégories qui auront des produits isolés rendront inefficaces les recommandations du type « dans la même catégorie »…

On a dit plus haut que l’essence de la recommandation c’est la donnée. Et avec peu d’essence, le moteur de recommandation ne pourra pas fournir toute sa puissance. Cela signifie que si vous collectez peu de données (que votre historique est trop récent, ou que les comportements sont trop similaires…) alors les algorithmes auront moins de granularité pour décider et seront moins efficaces à « prédire » quelque-chose. Car ils fonctionnent essentiellement sur des « look alike » : c’est à dire qu’ils détectent des ressemblances avec des comportements passés.

Le « prédictif » est donc plus à même de faire des propositions pertinentes lorsqu’il dispose d’un gros volume de données à analyser.
Et vos résultats de recommandation seront donc moins appropriés si vous avez peu de trafic, peu de produits, ou peu de pages sur votre site…

Et en vrai, à quoi cela ressemble une recommandation prédictive ?

J’aurais pu vous montrer, le site qui a fait référence en la matière, je veux parler d’Amazon. Mais vous le connaissez sans doute.
Alors je préfère vous partager quelques captures d’écran des recommandations de Mano-Mano, parceque c’est un site marchand français et aussi parce que c’est là que Yohan Grember, le data scientist interviewé dans la vidéo plus bas a œuvré.

On comprend ici, que la stratégie est de recommander une large gamme de produits correspondants à ma recherche. Cela aide effectivement à y voir plus clair dans une offre pléthorique. C’est le signe indiscutable que Mano-Mano dispose d’un rayon très bien achalandé et réussira à nous recommander le produit qui nous conviendra le mieux.

Autre secteur d’activité, autre univers, autres choix stratégiques…
Comment se présentent les recommandations prédictives dans le Luxe ?

Voilà, il était important de montrer deux exemples bien différents, pour voir comment on peut utiliser la recommandation prédictive.
Ici on s’est attaché à montrer deux exemples classiques, mais on aurait pu montrer la pertinence de ces algorithmes de recommandation en situation sur des parcours plus longs ou en omni-canalité en combinant l’utilisation d’autres supports. Par exemple dans un email marketing ou sur une application mobile de vente en ligne…

Vous êtes responsable e-commerce ou data-miner ?
Alors n’hésitez pas à vous poser les bonnes questions avant de vous lancer dans le paramétrage de vos algorithmes de recommandation.
Comme on l’a vu, il n’y a pas de réponse unique, que des réponses adaptées à des besoins différents.
Vous avez un doute? N’hésistez à pas à vous faire conseiller !

---