IA et Big Data

IA : comment mettre en place la recommandation client sur son site Web

Conseils pratiques pour mettre en place la recommandation client sur son site Web

Yohan Grember est Data Scientist chez ManoMano. Ce pure player s’est rapidement imposé sur le marché du bricolage, face à des concurrents beaucoup plus fortunés et prometteurs mais moins agiles et depuis disparus. Ce succès ils le doivent à une excellente connaissance du Web et du data marketing. Ainsi, pour connaître leur recettes sur la recommandation client en ligne, j’ai posé quelques questions à Yohan sur sa future présentation à Data Marketing 2019, qui a lieu le 21 novembre à 16 heures et dont Visionary Marketing est partenaire. Elle est intitulée « Intégrer la data IA dans sa réflexion utilisateur » . Dans cette interview je me suis focalisé sur la mise en place des algorithmes de recommandation en prenant le cas concret de ManoMano. Un petit spoiler, ce que j’ai préféré ce n’est pas la méthode, mais la manière dont on demande à tous les employés de se mettre dans les chaussures des clients. Voilà sans aucun doute, une des raisons de leur succès.

Comment se passe exactement un travail de recommandation client en ligne ?

Pour créer des moteurs de recommandation qui soient utiles aux clients, il faut répondre à leurs besoins. Et pour identifier ces besoins, on va faire ce que l’on appelle de la User Research. Il ressort de l’étude Research que les besoins de nos clients sont (1) de connaître la liste des produits qui sont nécessaires pour donner vie à leur projet, (2) de trouver ces produits une fois qu’ils les ont en tête, puis (3) de trouver facilement les produits qui leurs sont complémentaires.

recommandation client
La recommandation client sur le Web est souvent à l’ordre du jour mais comment la mettre en place ? Yohan Grembler de ManoMano nous a partagé son expérience – image en partenariat avec Jumpstory

Trois types de recommandation sur le Web

On peut décrire trois types de recommandations qui sont en regard de ces besoins. Par exemple, (1) en début de parcours, l’utilisateur cherche plutôt sa liste de produits. On va ainsi aller sur de l « inspirationnel », du conseil et pourquoi pas, recommander des catégories plutôt que des produits au milieu du parcours.

On va aider le client à trouver le bon produit, celui qu’il a en tête. Pour cela, le moteur de recherche a son mot à dire. Si quelqu’un tape des « perceuses 10 000 volts », on veut qu’il trouve les produits qu’il a en tête.

Mais (2) il peut aussi avoir des moteurs de similarité. En fonction de l’univers, la similarité sera différente. Par exemple, sur des perceuses, on va essayer de proposer des perceuses qui ont des niveaux de prix similaires, avec les mêmes caractéristiques techniques. Sur des univers de décoration, la recommandation client portera sur des produits qui sont du même style.

Et en fin de parcours (3), vous avez plutôt besoin de trouver des produits qui sont complémentaires. Vous avez une perceuse dans votre panier, et vous voulez trouver quelles sont les mèches adéquates, les batteries etc. C’est pour cela qu’on fait des recommandations qui sont plutôt basées sur le contenu du panier. Pour vous aider à trouver ces produits complémentaires, je vous propose de décrire les différentes étapes par lesquelles passe un projet de recommandation client.

recommendation client
Selon l’expert data de ManoMano, l’avenir est à la recommandation explicitée par l’algorithme

Les différentes étapes d’un projet recommandation sur son site Web

La première étape, comme on l’a dit, c’est l’identification du besoin concret. On cherche en fait le pourquoi. C’est l’équipe IA Research qui va travailler sur ce point. Ensuite, on va définir une solution fonctionnelle qui permette de répondre à ce besoin. C’est l’équipe produit qui va choisir une interface permettant pour un client de trouver, par exemple, le bon produit depuis une certaine page, et une fois qu’on a défini la solution fonctionnelle qu’on voulait mettre en place.

Il faut trouver une stratégie technique pour ça. Les équipes IT et data vont se mettre ensemble et réfléchir aux solutions data et techniques pour mettre en place la solution fonctionnelle. On est là sur le comment et les équipes techniques s’en chargent.

Le proof of concept

Une fois qu’on a validé la faisabilité du projet, les équipes data vont faire ce qu’on appelle un proof of concept, c’est à dire qu’ils vont créer un draft de l’algorithme de recommandation client qui va permettre de vérifier avec certaines métriques et aussi à l’œil que les recommandations sont cohérentes.

Une fois qu’on a validé que les algorithmes fonctionnaient, il est temps de le rendre accessible à des utilisateurs. Et là commence une phase importante qui s’appelle l’AB Testing.

L’A/B Testing

A partir de ces AB tests, on va définir l’impact positif du nouvel algorithme. Cinquante pour cent des utilisateurs vont voir l’ancienne version de l’algorithme, ou même une version du site sans l’algorithme, et 50% vont voir une version avec l’algorithme.

Et si on a assez d’utilisateurs au bout de quelques semaines, on peut mesurer des différences d’impact entre la version A et la version B.

Par exemple, peut être que 10% des utilisateurs de la version A auront trouvé leur produit, et 8% seulement sur la version B. Cela va nous aider à savoir si on a apporté un élément positif. De cette phase de test on va en sortir avec des apprentissages qui vont nous permettre de mieux comprendre les besoins des clients pour repartir sur un cycle d’itération où on améliore le site Internet.

Comment on identifie le besoin concret du client : se mettre dans les chaussures du client

Chez ManoMano, Il existe un atelier qui s’appelle Customer Shoes où tout nouvel arrivant va se voir donner un projet de bricolage, par exemple refaire sa salle de bain avec une douche à l’italienne, un lavabo d’angle. Chaque nouvel arrivant se met dans les chaussures d’un client qui doit acheter l’ensemble des produits nécessaires pour réaliser son projet de bricolage et, grâce à l’œil neuf de ces nouveaux arrivants, nous pouvons détecter des problèmes dans les expériences et ensuite proposer des solutions.

Product analytics

Ensuite, il y a aussi ce qu’on appelle la product analytics qui sont les données qui sont récoltées via notre plan de tracking et qui permettent de comprendre ce que font effectivement les clients sur le site. Là aussi, on peut identifier certains besoins clients et trouver des idées.

Les enquêtes utilisateurs

Et enfin, des enquêtes d’utilisateurs peuvent être faites pour identifier là où les clients ont du mal, permettant ainsi de trouver des solutions pour eux.

Quelles sont les perspectives d’avenir dans le secteur des recommandations pour le commerce ?

Je vois principalement deux perspectives d’avenir.

La première est peut être un peu plus axée moteur de recherche. Aujourd’hui, c’est compliqué d’arriver sur un site de e-commerce avec un projet en tête. Si j’arrive sur un site d’e commerce avec le besoin de refaire ma salle de bain, cela reste compliqué de trouver la liste exacte des produits nécessaires. La preuve, c’est que l’usage n’existe même pas encore.

Personne ne tape « Je veux refaire ma salle de bain » dans une barre de recherche de site e-commerce. La recommandation a son rôle à jouer pour trouver des solutions qui sont clés en main pour répondre à un projet. Et pour moi, la réponse à cette question sera à la croisée entre le savoir-faire humain et le Machine learning.

La deuxième chose qui va arriver, et qu’on ne voit pas encore beaucoup, c’est l’explication des recommandations. Si vous allez dans une grande surface de bricolage et qu’on vous dit « je vous conseille de prendre cette perçeuse », vous avez confiance dans le vendeur, donc vous allez le croire. Mais qu’est ce qui vous donne confiance?

C’est assez compliqué de le savoir et l’algorithme fait un peu la même chose aujourd’hui. A mes yeux nous devons aller vers un monde où l’algorithmique vous dit « je vous propose d’acheter cette perceuse parce que c’est la meilleure du marché, ou qu’elle convient à votre usage ». Ensuite, « je vous propose d’acheter cette batterie parce qu’elle est compatible et a une autonomie excellente » etc.

Cela générera davantage de confiance dans les algorithmes et dans leurs recommandations. Groupon a commencé à expliquer l’origine de ses recommandations. Ils sont passés de messages tels que « inspiré de votre navigation » à des choses un peu plus spécifiques tels que « inspiré de votre historique de recherche » ou « autour de chez vous, des restaurants chinois », etc.

Avec ce type d’explications, ils ont augmenté leur taux de clics de 50 %. En fait, vous pouvez passer des années à essayer d’optimiser un algorithme BlackBox, vous n’aurez pas les mêmes résultats que si vous améliorez effectivement l’interface utilisateur et l’explication des recommandations. Je pense qu’il est important pour les sites de e-commerce de se diriger vers cela.

Yann Gourvennec
Follow me

Yann Gourvennec

Yann Gourvennec created visionarymarketing.com in 1996. He is a speaker and author of 6 books. In 2014 he went from intrapreneur to entrepreneur, when he created his digital marketing agency. ———————————————————— Yann Gourvennec a créé visionarymarketing.com en 1996. Il est conférencier et auteur de 6 livres. En 2014, il est passé d'intrapreneur à entrepreneur en créant son agence de marketing numérique. More »
Bouton retour en haut de la page