.png)
En novembre 2021, un rapport de McKinsey démontrait que 71% des utilisateurs s’attendent à une expérience personnalisée lorsqu’ils naviguent sur internet1. Ils espèrent notamment disposer de bons contenus au bon moment. Atteindre cet objectif est la base du commerce et du marketing contextuels qui visent à augmenter le taux de conversion. Or, cela nécessite une impressionnante collecte de données afin de suggérer au moment propice le contenu ou produit personnalisé. C’est le rôle clé joué par les moteurs de recommandation, qui s’appuient sur l’intelligence artificielle et le machine learning.
Qu’est-ce qu’un moteur de recommandation ?
Un moteur de recommandation est un outil qui s’appuie sur l’intelligence artificielle et le machine learning pour suggérer automatiquement des contenus ou des produits aux internautes. En plus d’être automatiques, les recommandations sont dynamiques et personnalisées grâce à l’alimentation quotidienne voire en temps réel d’une grande quantité de données sur les utilisateurs. Les performances des moteurs de recommandation reposent donc sur leur capacité à traiter ces données.
Découvrez notre Livre Blanc sur le Commerce contextuel
Comment fonctionne un moteur de recommandation ?
Le processus de recommandation de contenu en ligne repose sur l'enchaînement de plusieurs étapes.
La collecte de données
Un moteur de recommandation collecte 2 types de données pertinentes pour définir le profil des utilisateurs :
- des données implicites : ce sont les données que l’utilisateur ne fournit pas intentionnellement et qui sont recueillies lors de ses activités sur internet. Il s’agit par exemple des pages qu’il a consultées, des clics, des mots utilisés lors d’une recherche ou de son historique d’achat.
- des données explicites : ce sont les informations transmises par l’utilisateur. Il peut s’agir des mentions “J’aime” sur les réseaux sociaux, de ses avis publiés suite à ses achats, du contenu qu’il publie lui-même sur internet ou encore de ses échanges avec les autres utilisateurs.
Le stockage des données
La performance d'un moteur de recommandation tient en partie en sa capacité à stocker les données qu'il collecte. Les moteurs de recommandation s’appuient sur des briques technologiques extrêmement puissantes, seules capables de faire face aux 3 dimensions du Big Data2 :
- volume : les moteurs de recommandation stockent des volumes gigantesques de données numériques
- vélocité : ils font face à l’énorme rapidité avec laquelle les données sont générées
- variété : ils stockent une diversité de données croissantes
Volume, vélocité et variété sont les 3 aspects essentiels du Big Data
L’analyse des données
Les moteurs de recommandation analysent ensuite les données collectées et stockées. Ils suivent une méthodologie, à savoir un ensemble de règles définies préalablement, adaptée à la stratégie retenue par l’entreprise dont dépend le site internet. Les approches diffèrent selon de très nombreux paramètres : les objectifs de la recommandation, la nature du site, le type d’informations recueillies et analysées, etc.
Il existe 3 approches courantes appelées également “filtres”, à savoir :
- filtre collaboratif
- filtre basé sur le contenu
- filtre hybride
Filtre collaboratif : méthode qui consiste à trouver des similitudes entre les données passées d’un panel d’utilisateurs et celles de l’utilisateur courant. Cette approche repose sur l’hypothèse que s’il existe des similitudes de préférence sur certains éléments entre le panel d’utilisateurs et l’utilisateur cible, alors la probabilité que ce dernier aime d’autres éléments qu’ils ont retenus, est élevée. Ces recommandations sont basées sur des données relevées automatiquement sans analyse de leurs caractéristiques.
Filtre basé sur le contenu : approche qui analyse d’une part les caractéristiques des données. Ces données peuvent être par exemple des attributs des produits du catalogue pour un site e-commerce ou les thématiques des contenus s’il s’agit d’un média d’information. D’autre part, le profil de l’utilisateur cible est exprimé en listant ses préférences sur les caractéristiques des données du site. Ici, les recommandations se basent sur les coïncidences identifiées entre les attributs des données référencés et les goûts de l’utilisateur. Cette méthode repose sur l’hypothèse qu’il existe une grand probabilité pour que l’utilisateur visé apprécie les caractéristiques qui sont similaires à celles qu’il a aimées par le passé. Ces recommandations sont basées sur le comportement passé de l’utilisateur sans se soucier de disposer des données sur les autres visiteurs.
Filtre hybride : stratégie qui combine les deux types de filtrage précédents. Ils croisent donc les préférences du visiteur cible avec les données communautaires, avec les attributs des éléments du catalogue mais aussi avec d’autres modèles de recommandation.
Bulles de filtre et sérendipité
Une bulle de filtre est un phénomène qui intervient lorsqu’un algorithme ne soumet que des éléments similaires aux goûts de l’utilisateur. Cela génère le risque qu’il soit enfermé dans un environnement sans explorer d’autres domaines. D’où la nécessité d’introduire des contenus aléatoires ou dit autrement, d’introduire un certain niveau de sérendipité dans les algorithmes des moteurs de recommandation.
La sérendipité, c’est “le fait de faire par hasard une découverte inattendue qui s'avère ensuite fructueuse, notamment dans le domaine des sciences3 “.
Aussi les algorithmes peuvent laisser une place au hasard en proposant sciemment des contenus aléatoires qui sortent de la zone d’intérêts proches ou connus de l’utilisateur.
La combinaison des 2 pratiques permet un fonctionnement optimal et éthique des moteurs de recommandation.
Les algorithmes des moteurs de recommandation introduisent régulièrement des contenus aléatoires afin d'éviter les bulles de filtre pour les utilisateurs.
Sur quelles données s’appuie un moteur de recommandation ?
Les données sociodémographiques
La collecte des données sociodémographiques sur les consommateurs est une étape primordiale pour les moteurs de recommandation. En effet, l’âge, le genre, l’origine, la langue et les situations familiale et professionnelle influencent non seulement le comportement de navigation sur internet, mais également le comportement d’achat. Dans l’e-commerce, par exemple, 30% des hommes font au moins un achat par semaine contre 24% des femmes. De la même manière, les Milléniaux représentent près de 35% du commerce en ligne, contre 30% pour la génération X et seulement 15% pour les Baby Boomers4. Ces données sociodémographiques influencent également les centres d’intérêt et les catégories d'articles achetés. Une étude d’Eurostat a notamment mis en lumière que les 16-24 ans étaient la tranche d’âge qui achète le plus de vêtements en ligne, suivie de près par les 25-54 ans. En revanche, les personnes de plus de 55 ans comptent parmi les plus grands acheteurs de meubles et d'accessoires de décoration pour la maison5.
Les données personnelles
En parallèle des données sociodémographiques, les données personnelles - implicites et explicites - sont incontournables pour dresser le profil des consommateurs. La collecte et le croisement de ces deux types de données réduisent et précisent donc le périmètre des contenus à suggérer ainsi que le moment et l'endroit propices à leur diffusion. C’est de cette manière que fonctionne la recommandation de produits d’Amazon, par exemple. Les algorithmes analysent les listes d’envies des utilisateurs, les produits qu’ils recherchent, le temps qu’ils passent sur chaque page de produit ainsi que leurs précédents achats. La recommandation de produit de la plateforme est donc souvent pertinente.
Mais c'est sur les réseaux sociaux que les moteurs de recommandation ont accès à un volume, une variété et une précision de données exceptionnels sur les utilisateurs6. Les données sont alimentées par les contenus consultés et partagés par les internautes mais également par les interactions et les échanges avec les autres utilisateurs. Les algorithmes des réseaux sociaux définissent précisément les centres d’intérêt et les profils démographiques de chaque visiteur. Ainsi, les recommandations du social commerce s’avèrent extrêmement précises et ont un niveau de performance élevé.
Les bases de données et les transactions
Les bases de données et l’historique des transactions sont analysées et classées pour optimiser la suggestion de contenu. Les caractéristiques des produits renseignées dans les bases de données des CRM, PIM ou DMP sont exploitées par les sites e-commerce ou les marketplaces. Ces attributs sur les produits permettent ainsi aux algorithmes de faire des associations pertinentes lors du processus de recommandation. Par exemple, un site ecommerce d’articles de cuisine suggérera un mousseur à lait à un utilisateur qui consulte la page produit d’une machine à café. Par ailleurs, ces caractéristiques produits sont complétées par l’historique des transactions telles que leur popularité auprès des internautes, les “best-sellers” du moment, les parcours de ventes additionnelles des autres utilisateurs ou encore les évaluations des clients. De la même manière, une plateforme de contenu analyse les interactions de ses lecteurs avec ses contenus : le taux de consultation et d’interaction des internautes, les avis déposés, le temps de lecture…
.png)
