Par , le 21 août 2014

La recommandation, ou comment vendre plus avec des suggestions personnalisées

Marketing | 1

La recommandation consiste à suggérer à un utilisateur du contenu susceptible de lui plaire, sans forcément que celui-ci s’y soit explicitement intéressé auparavant. Dans le e-commerce, cela consiste bien évidemment à proposer différents produits.

Pourquoi est-ce important dans le e-commerce ?

Comme dans tout bon magasin, les sites e-commerce ont besoin de diriger leurs clients vers un maximum de produits pertinents. Ce rôle, qui incombe aux vendeurs dans une boutique physique, est ici à la charge d’un système de recommandation.

La recommandation e-commerce a pour but de :

  • générer plus de visibilité pour les produits
  • susciter de l’intérêt auprès de l’internaute
  • fluidifier le parcours du client (aller de fiche produit en fiche produit)
  • générer plus de ventes

Si il est difficilement imaginable d’avoir un bon magasin sans bons vendeurs, il est tout aussi difficile d’imaginer un bon site e-commerce sans un moteur de recommandation efficace.

La recommandation, comment ça marche ?

La recommandation est basée sur 3 étapes essentielles :

1. La collecte d’informations
2. La classification des données
3. L’extraction des recommandations

1ère étape : la collecte d’informations

L’utilisateur étant au centre du système de recommandation, il est essentiel de déterminer ses goûts. Pour cela, le système collecte diverses informations qui peuvent être explicitement communiquées par l’utilisateur (exemples : une note, un avis) mais également des données implicites (exemples : visite d’une page, temps passé sur un produit, achat).

2ème étape : la classification des données

La classification consiste à mettre en corrélation les informations collectées sur l’utilisateur avec les produits disponibles sur la boutique en ligne. Cela permet de construire un modèle de données.

3ème étape : l’extraction des recommandations

A partir du modèle de données construit précédemment, le système de recommandation est capable d’extraire une liste de produits pour un utilisateur.

Les différents types de recommandation

Il existe 3 grands types de recommandations qui sont les suivants :

  • La recommandation objet (ou content based)
  • La recommandation sociale (ou user based)
  • La recommandation hybride

La recommandation objet (content based)

Cette recommandation se base sur les caractéristiques des produits (exemples : couleurs, tailles, marques) ainsi que sur les intérêts connus de l’utilisateur.

schéma explicatif pour les recommandations de type content based

Exemple de recommandation objet 

Le produit :

contenu cible pour le moteur de recommandation objet

 

Ses recommandations :

recommandations content based

La recommandation objet a pour principale avantage de ne pas nécessiter une grande communauté d’utilisateurs pour être efficace. En effet, elle se base sur les caractéristiques des produits avant tout.

Par contre, elle a deux inconvénients majeurs. Le premier étant l’obligation d’une certaine rigueur dans le renseignement des caractéristiques du produit (puisque c’est sur celle-ci que sont basées les recommandations), et le deuxième étant la difficulté à renseigner de manière automatique les caractéristiques dites subjectives (exemples : design, style). Ces caractéristiques nécessitent donc d’être renseignées manuellement, ce qui peut amener d’éventuelles erreurs, en plus d’un certains surcoût.

La recommandation sociale (user based)

La recommandation sociale se base sur un principe simple : si une personne A achète un produit X et Y, alors la personne B qui elle a achetée le produit X, sera intéressée par le produit Y. Les personnes A et B sont considérées comme étant des proches voisins au sein du modèle de données (rappelez-vous, il s’agit du modèle  construit par le système à partir des données collectées). Il est important de comprendre que contrairement à la recommandation objet, la recommandation sociale prend en compte les intérêts de l’ensemble des visiteurs.

schema explicatif pour le système de suggestion user based

Exemple de recommandation sociale

Le produit :

produit de référence pour les recommantions sociales

Ses recommandations :

prédictions de type user based

C’est le moteur de recommandation le plus adéquat pour faire du cross-selling (c’est à dire : proposer des produits, le plus souvent des accessoires, achetés fréquemment ensemble). Il a également l’avantage de suivre les tendances, puisque ses recommandations évoluent avec les goûts des utilisateurs. C’est un système complètement indépendant des produits, contrairement au moteur de recommandation content based.

Cependant cette recommandation ne possède pas que des avantages, elle est beaucoup plus gourmande en ressources serveurs que la recommandation objet. Elle souffre de problème comme le cold start (le fait de ne pas être capable de recommander un nouveau produit) et le sparsity (produit très rarement consulté).

La recommandation hybride

La recommandation hybride est en quelque sorte le Saint Graal de la recommandation, le but de cette approche est de réunir le meilleur des deux mondes explicités ci-dessus. L’idée est de compenser le cold start et le sparsity en utilisant les techniques de la recommandation objet.

Amazon, le géant du e-commerce, utilise activement la recommandation hybride, et possède un système des plus sophistiqué. Ainsi, il est presque impossible de se rendre sur une page du site amazon.com sans voir un ou plusieurs encarts de recommandations. De plus, les recommandations ne s’arrêtent pas au simple site du géant, mais sont également très présentes dans les nombreux emails envoyés aux clients.

Conclusion

Bien sûr, il n’y a pas une bonne solution, et les possibilités sont multiples ; chaque moteur a ses inconvénients et ses avantages. Ainsi une solution adaptée à un site marchand, ne le sera pas forcément pour un autre, tout dépend de vos produits et de vos clients.

Notre équipe va prochainement refondre le système de recommandation présent sur le site de notre client JEF Chaussures, si la démarche, la mise en place et les résultats de cette refonte vous intéressent, exprimez-vous dans les commentaires. Si un réel intérêt de notre retour d’expérience est exprimé, nous rédigerons avec plaisir un article à ce sujet.

Article co-écrit avec Grégoire Vasseur.

Autres articles intéressant à ce sujet :

Partager l'article :

1 commentaire
  • Bonjour, un retour d’expérience sur la refonte du système de recommandation de votre client m’intéresserait beaucoup !

    Merci.

    Marie


Vous souhaitez réagir ?

En soumettant ce commentaire vous donnez à Silicon Salad le droit de citer vos propos ainsi que votre nom/site. Tous commentaires dégradants ou hors-sujet peuvent-être supprimés par décision de l’auteur. Votre e-mail, ne sert qu’à des fins d’authentification, il ne peut-être ni partagé ni diffusé.
Vous pouvez commenter avec la syntaxe Markdown. En savoir plus

Article précédent
Des annonces PLA aux campagnes Google Shopping