Select Page

Recommandation prédictive 🛒 : un exemple concret de déploiement…

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 ?

Comme le ferait une vendeuse ou un vendeur en magasin, la recommandation prédictive permet au site marchand de proposer différents choix au client, de lui faire découvrir des produits ou services qu’il ne connait peut-être pas. Cela permet de mieux aiguiller son choix vers le produit le plus adapté à son besoin.

Le prédictif permet aussi de personnaliser des campagnes marketing, d’envoyer des informations cruciales aux vendeurs en magasin (via des interfaces de clienteling). Cela impacte ainsi tout le parcours du client (physqiue ou digital). C’est une manière de l’orienter, de le conseiller et de le satisfaire.

Mais ce n’est qu’un objectif intermédiaire, car l’objectif du marchand c’est évidemment d’encourager et de faire progresser les ventes.

D’ailleurs à ce titre, la recommandation prédictive a fait ses preuves, et c’est donc un outil hyper-efficace pour concrétiser une vente mais aussi pour favoriser le cross-sell (permettre l’achat de produits complémentaires) et l’up-sell (permettre l’achat de produits plus hauts de gamme).

Quelques chiffres :

Les entreprises conduisant des analyses prédictives ont des ventes de 73% supérieures à celles d’entreprises n’utilisant pas l’analyse de données (Source : fevad)

60%, c’est l’augmentation de la marge des distributeurs qui utilisent le Big Data et ces derniers observent également 1% d’amélioration de productivité (source: McKinsey)

45% des acheteurs en lignes sont plus susceptibles d’acheter un produit sur un site qui offre des recommandations personnalisées (invesp Consulting)

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

Mais cette collecte d’informations de navigation va assez vite poser plusieurs difficultés.
D’abord, la journalisation des informations de connexion enregistre et horodate chaque chargement de page, d’image, chaque clic etc… Cela représente rapidement de très gros volumes de données. Surtout si votre site dispose d’une audience importante.
Il faudra alors déployer des capacités de stockage et de la puissance de calcul pour les exploiter…
Ensuite, Google qui a compris cette problématique assez tôt, a alors équipé les webmasters d’une solution qui peut faire la même chose en posant un simple « tag ». Mais le géant, n’aime pas partager et leur outil Google Analytics ne permet pas l’exploitation de ses données en dehors de leur environnement…

Les éditeurs de sites web qui veulent utiliser des algorithmes prédictifs devront donc se tourner vers des solutions dédiées qui permettent :
– de collecter les données de navigation de manière plus efficace (par exemple en n’enregistrant que les données utiles à l’algorithme prédictif, visite d’un produit, d’une catégorie, recherche d’un mot clé…)
– d’analyser les requêtes de l’internaute
– d’agréger cette connaissance pour la rendre exploitable rapidement et avec des puissances de calcul raisonnables.

Suivant les configurations techniques, cela peut nécessiter de passer par un plan de taggage du site, pour repérer les pages clés (catégories, sous-catégories, produits…) qui influeront sur l’algorithme de prédiction.
Enfin, ces solutions sont souvent couplées à des DMPs améliorées, ou à des CDP (voir notre article) pour pouvoir historiser la relation avec le client (dans le respect des contraintes réglementaires, loi cookie, RGPD…).

Photo by Anete Lusina on Pexels.com

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.

Mano Mano

L’exemple Mano-Mano

Pour aboutir à ce résultat j’ai d’abord effectué une recherche sur le site, et j’ai ensuite sélectionné un produit.

Immédiatement en dessous du produit apparaissent plusieurs blocs de recommandation :

  • Les produits compatibles
    En clair, les accessoires ou les consommables associés au produit. (8 produits présentés)
  • Les clients ont aussi regardé
    Une sélection de produits basée sur l’historique des consultations du même produit par d’autres utilisateurs (8 autres produits)
  • Ces articles peuvent vous intéresser
    Une sélection de produits basée sur ma recherche et ma navigation.
    (8 produits différents)
  • Dans la même catégorie
    Une sélection de produits que le site a classé dans la même catégorie
    (encore 8 produits)

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 ?

Recommandation produit

L’exemple Bonpoint

Même procédé pour arriver jusqu’au produit : j’ai d’abord effectué une recherche sur le site, et j’ai ensuite sélectionné un produit pour afficher sa page dédiée.

Première remarque : là ou Mano-Mano me permettait de consulter une recommandation pour d’autres matériels sans scroller, je constate que Bonpoint laisse une plus grande place au vêtement. Je vais d’abord voir le produit sous toutes ses coutures avant de jouer de la molette pour accéder aux recommandations.

Immédiatement en dessous du produit apparait un seul bloc de recommandation :

  • Vous aimerez aussi…
    La rubrique présente une sélection de 3 produits compatibles avec la chemise que j’ai choisie.
    La sélection de produits réagit au survol de la souris et me présente un visuel différent pour chaque produit recommandé.

D’un point de vue recommandation, l’algorithme est certainement très proche de celui utilisé par ManoMano, mais a été paramétré pour présenter une sélection réduite. Les visuels présentés peuvent donc prendre plus d’espace. Un des produits est présenté « en situation » pour renforcer le côté humain et pourquoi pas donner d’autres idées d’assemblage…

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 !

Pour aller plus loin : quelques conseils pratiques…

Yohan Grember est Data Scientist chez Mano Mano. À l’occasion du DataMarketing Paris, il explique au micro de Yann Gourvennec comment mettre en place un algorithme de recommandation prédictive dans le domaine du bricolage…

Quel avenir pour la recommandation prédictive ?

J’aurais tendance à dire, mais c’est juste une intuition, que la recommandation prédictive n’en est encore qu’à ses balbutiements.
Bien sûr, elle a déjà largement prouvé son efficacité pour augmenter le chiffre d’affaire des sites de e-commerce.
C’est pourquoi c’est déjà un outil indispensable pour tout site marchand.
Mais aujourd’hui, tous les sites de e-commerce se ressemblent plus ou moins. Et il est de plus en plus difficile pour les marques d’innover et de se distinguer en proposant une expérience d’achat un peu différente. Sur un site marchand on vise la transformation, et en matière de e-merchandising, on évitera donc de prendre trop de risques avec des innovations en design ou en ergonomie ; en tout cas pas sans les évaluer soigneusement en A/B testing.

Personnellement, je crois que la recommandation prédictive va encore évoluer dans les prochaines années grâce à plusieurs leviers :
D’abord grâce à une connaissance client plus fournie. Globalement, les e-commerçants connaissent de mieux en mieux les habitudes d’achats de leurs consommateurs et peuvent ainsi optimiser leurs offres et leur recommandations.
Ensuite l’augmentation constante des puissances de calcul en informatique va permettre de déployer des algorithmes prédictifs plus complexes, en faisant intervenir par exemple des données météorologiques, ou des stratégies auto-apprenantes ou encore de l’intelligence artificielle…
Selon moi, des progrès importants sont aussi possibles en matières d’e-merchandising et donc en termes de présentation des produits recommandés. Les sites « catalogues » tels que nous les connaissons seront voués à évoluer. Certaines marques proposent déjà des expériences différentes grâce à des visites virtuelles de leurs magasins…

La multiplication des canaux, est un autre facteur qui devrait bouleverser la recommandation prédictive.
Aujourd’hui on n’achète plus seulement depuis son ordinateur. On peut faire du shopping dans le métro avec une application mobile, ou tranquillement assis dans son canapé grâce à une tablette, sur son écran de TV ou pourquoi pas grâce à un assistant vocal comme Siri, Cortana… Dans un futur assez proche, la recommandation prédictive devra donc comprendre et interpréter des commandes vocales… Et pourquoi pas se servir des émotions et du ton de la voix de l’acheteur pour le conseiller (en détectant une incertitude, une hésitation ou au contraire un choix déterminé, une envie d’achat impulsif…) ?

Enfin, et c’est un signal fort selon moi, lors de l’épisode Covid on a vu les consommateurs changer complètement leurs habitudes de consommation. Il est tout à fait possible que la recommandation prédictive doive prendre en compte de nouveaux critères pour satisfaire les clients comme par exemple : la proximité géographique du produit (géolocalisation), ses caractéristiques environnementales, son impact écologique (calcul du green score)…

Aller, encore un dernier mot, et je vous laisse. 👍🏻
Cela n’a échappé à personne, mais les recommandations prédictives d’aujourd’hui manquent encore cruellement d’humanité.
Et de nouveaux usages (surtout dans le luxe) tendent à un retour de l’humain grâce aux « personal shoppers« . Ces assistants d’achats sont de véritables majordomes qui connaissent vos préférences, vous guident dans les rayons du magasin et vous aident à distance et par téléphone ou en visio-conférence à satisfaire vos envies de shopping les plus folles…
Quoi de mieux qu’une présence humaine compréhensive et agréable pour vous recommander vos prochains achats ?

À propos de l'auteur

Bernard Ranchon

Fondateur de Tildigital, éditeur du blog Martech.cloud, spécialiste de marketing digital, Bernard accompagne les entreprises dans leurs stratégies relationnelles et leur développement digital. Laissez un commentaire ci-dessous, si vous appréciez ses articles.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Newsletter

Dernières vidéos

Loading...

Suivez toute l’actualité du marketing digital et comportemental.

Merci. Pour valider votre inscription cliquez sur le lien de confirmation que nous vous avons envoyé par email.

Share This