Qu'est-ce qu'un moteur de recommandation ? Comment fonctionnent les recommandations

Les moteurs de recommandation sont des systèmes de filtrage de données avancés qui prédisent le contenu, les produits ou les services qu'un client est susceptible de consommer ou d'interagir avec. Il n'est pas nécessaire de chercher bien loin pour en voir un en action. Chaque fois que quelqu'un choisit une émission télévisée à l'aide de la fonctionnalité "Vous aimerez peut-être aussi…" de Netflix ou achète un produit recommandé par Amazon, il utilise de puissants moteurs de recommandation.

Les moteurs de recommandation (parfois appelés recommandataires ) sont des fonctionnalités gagnant-gagnant pour les clients et les entreprises qui les déploient. Les clients apprécient le niveau de personnalisation et d'assistance fourni par un moteur de recommandation bien réglé. Les entreprises les construisent parce qu'elles alimentent l'engagement et encouragent les ventes.

Des recommandations précises ne sortent pas de nulle part. Les entreprises doivent investir dans des solutions de données capables d'analyser un volume élevé de produits et d'identifier les modèles de comportement des clients. Ce n'est qu'alors qu'ils peuvent débloquer la véritable valeur de leurs données clients et faire des recommandations qui ont un impact positif sur les revenus.

Points clés à retenir

• Les moteurs de recommandation sont des systèmes de filtrage de données avancés qui utilisent des données comportementales, l'apprentissage informatique et la modélisation statistique pour prédire le contenu, le produit ou les services que les clients aimeront.
• Les clients sont attirés par les entreprises qui offrent des expériences personnalisées.
• Les trois principaux types de moteurs de recommandation sont le filtrage collaboratif , le filtrage basé sur le contenu et le filtrage hybride .
• Les recommandateurs améliorent les revenus en encourageant les ventes croisées, en suggérant des alternatives de produits et en attirant l'attention sur les articles abandonnés dans un panier numérique.

Qu'est-ce qu'un moteur de recommandation ?

Les moteurs de recommandation sont des outils qui exploitent l'analyse prédictive pour aider les entreprises à anticiper les désirs et les besoins de leurs clients. Les moteurs utilisent l'apprentissage automatique et la modélisation statistique pour créer des algorithmes avancés basés sur les données historiques et comportementales uniques d'une entreprise. Les recommandations qui en résultent sont basées sur une combinaison de :

• Les comportements passés et l'historique d'un client
• Le classement d'un produit par les consommateurs
• Les comportements et l'histoire d'une cohorte similaire

Les recommandations sont plus précises lorsqu'il y a un grand volume de données à la disposition d'une entreprise. Plus un produit compte d'utilisateurs actifs, plus il y a de données pour comparer les comportements et les préférences des différents groupes démographiques.

Cependant, toutes les données collectées ne seront pas pertinentes ou même fiables. La construction de recommandations sur de mauvaises données aboutit à des recommandations inexactes et inutiles. La première étape de la création d'un moteur de recommandation fonctionnel consiste à adopter une stratégie de gestion des données et une pile d'analyse appropriées qui collectent et vérifient les données avant qu'elles ne soient utilisées.

Types de moteurs de recommandation et leur fonctionnement

Tous les moteurs de recommandation n'utilisent pas la même méthodologie pour former des prédictions. Les recommandateurs obtiennent généralement des résultats en utilisant l'un des trois types de filtrage de données : le filtrage basé sur le contenu, le filtrage collaboratif ou une combinaison des deux.

Filtrage basé sur le contenu

Ce type de filtrage est utilisé dans les recommandations « Les éléments similaires incluent… ». Le filtrage basé sur le contenu crée des prédictions sur les qualités réelles des produits et services proposés. Les produits de ce système se voient attribuer des attributs qui peuvent être comparés directement à d'autres produits. Les entreprises choisissent les types d'attributs utilisés par le moteur en fonction du type de produits consommés.

Par exemple, un site Web de commerce électronique spécialisé dans la vente de produits d'épicerie peut baliser ses produits avec les attributs suivants :

• Type d'aliment (par exemple, « fruit » ou « céréale »)
• Goût établi (par exemple, « amer » ou « sucré »)
• Conteneur (par exemple, "boîte" ou "boîte")
• Marque

Le recommandeur comparerait alors les articles historiquement achetés par l'utilisateur ou ceux actuellement dans son panier à d'autres articles similaires ou liés. Les attributs sont pondérés par le nombre d'éléments dans la base de données qui partagent la balise avec des balises plus courantes recevant des classements plus élevés que les balises peu courantes. Cette pondération détermine les éléments qui apparaissent en premier dans une liste de recommandations.

Le filtrage basé sur le contenu ne nécessite pas la contribution d'autres clients pour faire des prédictions. Il fonde ses prévisions sur les similitudes au sein du profil comportemental et historique d'un client. Un moteur de filtrage basé sur le contenu bien conçu identifiera les bizarreries et les intérêts spécifiques qui peuvent ne pas avoir un large attrait pour les autres clients.

Un inconvénient majeur de ce type de moteur de recommandation est qu'il nécessite une maintenance importante. Les attributs doivent être ajoutés et mis à jour en permanence pour que les recommandations restent exactes, une tâche ardue pour les entreprises ayant un volume de produits élevé. De plus, les attributs eux-mêmes doivent être exacts. Étiqueter une pomme Honeycrisp « rouge » est facile, mais un contenu plus complexe peut nécessiter une équipe dédiée d'experts en la matière pour étiqueter correctement chaque produit individuel.

Filtrage collaboratif

Cette méthode de filtrage est celle qui est utilisée dans les types de recommandations "Les personnes qui ont regardé cette émission ont également regardé…". Le filtrage collaboratif utilise des données comportementales pour déterminer ce qu'une personne aimera en fonction de la façon dont ses préférences se comparent à celles des autres utilisateurs. Alors que le filtrage basé sur le contenu se concentre sur la liaison de produits à d'autres produits, le filtrage collaboratif construit des prédictions en reliant des profils de clients similaires.

Par exemple, imaginez que vous utilisez une plateforme de streaming vidéo qui utilise un filtrage collaboratif. Lorsque vous recherchez un film, vous créez des données basées sur un certain nombre de comportements, notamment :

• Films que vous regardez
• Les titres que vous sélectionnez mais que vous ne regardez finalement pas
• Sélections que vous survolez
• Recherches que vous effectuez
• Classements que vous donnez aux films

Le recommandeur construit alors efficacement un profil d'utilisateur pour vous sur la base de cet ensemble de données. Il compare ensuite votre profil à une cohorte d'utilisateurs qui se comportent de la même manière. Les prédictions qui en résultent sont basées sur les films que cette cohorte a consommés et appréciés par rapport au contenu réel de chaque film.

Le filtrage collaboratif ne nécessite pas d'informations sur les fonctionnalités du produit. Cela rend la maintenance moins chronophage que celle d'un moteur basé sur le contenu. Cependant, le fait de se fier aux comportements d'autres clients peut créer des lacunes dans les données. Dites que personne n'interagit avec votre film préféré sur un service de streaming. Un film parfaitement adapté à vos centres d'intérêt ne sera pas recommandé, car le moteur de recommandation ne disposera d'aucune donnée comportementale avec laquelle formuler une prédiction.

Filtrage hybride

Le filtrage hybride tente de combler les lacunes du filtrage basé sur le contenu et du filtrage collaboratif en combinant les deux méthodes. En tant que tel, c'est le plus efficace des trois types de systèmes de recommandation.

Le filtrage basé sur le contenu fonctionne bien pour les suggestions qui correspondent aux intérêts actuels d'un utilisateur. Cependant, ils ne peuvent pas prédire avec précision ce que les utilisateurs peuvent aimer en dehors de leurs préférences documentées. Dans un système de filtrage hybride, ce déficit est couvert par un filtrage collaboratif. Le filtrage collaboratif peut suggérer un contenu connexe qui ne correspond pas au profil établi d'un utilisateur en basant les recommandations sur les préférences et les comportements d'une cohorte similaire. Alternativement, le filtrage basé sur le contenu aide à combler les lacunes créées par les systèmes collaboratifs. S'il n'existe aucune donnée comparative pour des cohortes similaires, le conseiller recherchera par défaut une correspondance basée sur des balises d'attribut pour trouver un résultat approprié.

Comment les moteurs de recommandation sont utilisés

Les moteurs de recommandation font plus qu'améliorer l'expérience produit pour les clients. En 2021, environ 39 % des entreprises de toutes tailles se sont engagées dans l'analyse prédictive pour améliorer leurs opérations, soit une augmentation de 11 % par rapport à 2018. Plus d'entreprises que jamais adoptent les recommandations, car les clients préfèrent de plus en plus des expériences personnalisées. Une enquête menée par Epsilon a déterminé que 80 % des consommateurs sont plus disposés à acheter auprès d'entreprises qui offrent des expériences personnalisées.

Un système de recommandation bien conçu offre également aux entreprises la possibilité de cibler les clients avec des produits pour lesquels ils ont exprimé leur intérêt ou qu'ils sont très susceptibles d'apprécier. Les outils de recommandation aident les entreprises à tirer parti des prédictions grâce aux méthodes suivantes :

Offrir des opportunités de ventes croisées

Un moteur de recommandation peut attirer les clients avec des produits complémentaires mais pas nécessairement similaires. Un bonnet et des gants d'hiver sont deux vêtements complètement différents, et pourtant quelqu'un qui commande l'un pourrait très facilement trouver une utilité à l'autre. Un conseiller identifie ces relations et fait des suggestions basées sur des données qui aident à augmenter la valeur des commandes individuelles.

Lutter contre l'abandon de panier

Les articles abandonnés dans les paniers numériques sont d'excellentes opportunités de recommandation. Les clients étaient suffisamment intéressés par un article pour le placer dans leur panier. Leur vente incomplète pourrait être un changement d'avis ou une perturbation externe de l'expérience d'achat.

Suggérer à nouveau les articles à un client ultérieurement peut le pousser à franchir la ligne d'arrivée. Un client peut s'être temporairement dissuadé d'acheter chaque Wham! chanson du catalogue. Cependant, un doux rappel que "Wake Me Up Before You Go-Go" rassemble des toiles d'araignées dans leur panier pourrait suffire à les faire changer d'avis. Ces rappels peuvent être affichés à la fois dans le produit lui-même ou même sous forme de message électronique après la session initiale.

Offrir des alternatives

Les moteurs de recommandation fournissent des suggestions de « sauvegarde » pour les cas où l'option déterminée par l'algorithme comme étant la « la plus probable » n'est pas celle que le client souhaite. Votre conseiller est peut-être parfait, mais c'est toujours au gré du cerveau humain. Par exemple, un moteur de recommandation ne peut pas savoir qu'un client a eu une mauvaise interaction avec une marque spécifique en 1987.

Il n'y a pas non plus de moyen pour les machines de comprendre les aspects les plus fins de l'intention humaine. Ironiquement, un téléspectateur voudra peut-être profiter du tristement célèbre film de 2003 "The Room", mais sa recherche peut à la place renvoyer des résultats pour "Room", lauréat d'un Oscar 2015 acclamé par la critique. Les alternatives recommandées aident les clients à aller là où ils voulaient aller au lieu de chercher ce qu'ils voulaient réellement avec frustration.

Exemples de moteurs de recommandation en action

Les moteurs de recommandation sont devenus particulièrement populaires dans le monde du commerce électronique pour leur utilisation dans la suggestion de produits connexes. De nombreuses autres industries ont créé des produits numériques qui comportent fortement ou sont construits sur des recommandateurs. Les exemples les plus frappants incluent :

Amazone

Amazon abrite l'un des moteurs de recommandation les plus célèbres de la planète. Le géant du commerce électronique vend des dizaines de millions de produits uniques, et chacun d'entre eux est catalogué pour être utilisé par son recommandeur. En fait, Amazon a été l'une des premières grandes entreprises de commerce électronique à lancer le filtrage basé sur le contenu et a déposé un brevet pour son système dès 2001. Deux décennies plus tard, les recommandations d'Amazon représentent jusqu'à 35 % de leurs ventes totales.

Chik-fil-A

Chik-fil-A est peut-être célèbre pour son bon poulet frit à l'ancienne, mais son expérience de commande en ligne bénéficie de l'application d'un système de recommandation moderne. Les acheteurs en ligne peuvent constater que le menu Chik-fil-A n'affiche pas toujours les mêmes produits en haut du menu à chaque visite. Au lieu de cela, l'équipe a construit un moteur de recommandation utilisant Amplitude Recommend qui suggère des articles nouveaux ou populaires basés en grande partie sur des commandes passées similaires.

Recherché

Wantable se décrit comme un détaillant en ligne "essayez avant d'acheter". Un nouveau client remplit un sondage personnel basé sur ses préférences de style et ses mensurations. Leur conseiller utilise ces informations pour prédire quels vêtements correspondent le mieux au profil du client. Les vêtements sont ensuite expédiés au client, où ils voient, essaient et décident s'ils souhaitent conserver chaque article ou le retourner. Le succès de Wantable dépend entièrement de la précision de leurs recommandations et des balises d'attribut nécessaires pour les formuler.

Apportez la puissance des recommandations à votre entreprise

Maintenant que vous avez appris les bases des moteurs de recommandation, il est temps d'explorer comment ces tactiques peuvent améliorer les mesures de conversion et de rétention dans votre entreprise. Téléchargez le manuel Mastering Retention dès aujourd'hui ou visitez Amplitude pour poursuivre votre apprentissage des expériences numériques personnalisées.

Références

Dresner Advisory Services, Rapport d'étude de marché 2021 sur la science des données et l'apprentissage automatique

Epsilon, pouvoir de moi

GlobeNewswire, Dresner Advisory Services annonce une étude de marché 2018 sur l'analyse avancée et prédictive

McKinsey, Comment les détaillants peuvent suivre les consommateurs

SiliconANGLE, Amplitude utilise la personnalisation pour satisfaire l'appétit de réussite de Chik-fil-A