Vous avez probablement déjà vu des sites vous proposer des produits, des vidéos ou des contenus qui semblent correspondre à vos goûts. Derrière ces suggestions se trouvent des systèmes de recommandation capables d’analyser les comportements des utilisateurs pour proposer le contenu le plus pertinent.
Le principe d’un système de recommandation
L’objectif est simple : présenter la bonne recommandation, au bon utilisateur et au bon moment.
Pour y parvenir, le système peut exploiter plusieurs informations :
- les achats précédents ;
- les produits consultés ;
- les clics ;
- les préférences de l’utilisateur ;
- les caractéristiques des produits ;
- le contexte de navigation.
Plus les informations disponibles sont pertinentes, plus le système peut affiner ses recommandations.
Des règles simples à l’intelligence artificielle
Un système de recommandation n’a pas forcément besoin d’un modèle complexe dès le départ.
On peut commencer avec des règles simples, par exemple proposer à un client les produits qu’il achète régulièrement ou les articles fréquemment achetés ensemble.
Ensuite, des méthodes plus avancées peuvent être utilisées, comme le filtrage collaboratif. Le système recherche alors des utilisateurs ayant des comportements similaires afin de déterminer ce qu’ils pourraient apprécier.
Avec le machine learning et les réseaux de neurones, il devient possible de prendre en compte beaucoup plus de variables et de produire des recommandations plus personnalisées.
Le choix du bon objectif est essentiel
Un bon système de recommandation ne consiste pas simplement à prédire ce qu’un utilisateur pourrait aimer.
Il faut également déterminer ce que l’entreprise cherche à améliorer.
Selon le projet, l’objectif peut être d’augmenter :
- les clics ;
- les ventes ;
- le chiffre d’affaires ;
- l’engagement ;
- la fidélisation.
Mais il faut également éviter de proposer toujours le même type de contenu. La diversité des recommandations peut être importante pour permettre à l’utilisateur de découvrir de nouvelles choses.
Les données ne font pas tout
Disposer de beaucoup de données ne garantit pas automatiquement de bonnes recommandations.
Il faut également réfléchir à l’expérience utilisateur : où afficher les suggestions ? À quel moment ? Combien en présenter ? Comment éviter de surcharger l’utilisateur ?
La réussite d’un moteur de recommandation repose donc sur la combinaison de données, algorithmes et expérience utilisateur.
À retenir
Un système de recommandation efficace ne cherche pas simplement à deviner ce que l’utilisateur aime. Il cherche à comprendre son comportement, son contexte et l’objectif du service afin de lui proposer une recommandation pertinente au bon moment.