{"id":34028,"date":"2019-11-07T08:45:02","date_gmt":"2019-11-07T07:45:02","guid":{"rendered":"https:\/\/visionarymarketing.com\/?p=34028"},"modified":"2024-04-05T15:02:10","modified_gmt":"2024-04-05T13:02:10","slug":"ia-recommandation-client","status":"publish","type":"post","link":"https:\/\/visionarymarketing.com\/fr\/2019\/11\/07\/ia-recommandation-client\/","title":{"rendered":"IA : comment mettre en place la recommandation client sur son site Web"},"content":{"rendered":"

<\/b>Conseils pratiques pour mettre en place la recommandation client sur son site Web<\/h2>\n

<\/b>Yohan Grember est Data Scientist chez<\/i> ManoMano<\/a>. Ce pure player s’est rapidement impos\u00e9 sur le march\u00e9 du bricolage, face \u00e0 des concurrents <\/i>beaucoup plus fortun\u00e9s et prometteurs mais moins agiles et depuis disparus<\/a>. Ce succ\u00e8s ils le doivent \u00e0 une excellente connaissance du Web et du data marketing. Ainsi, pour conna\u00eetre leur recettes sur la recommandation client en ligne, j’ai pos\u00e9 quelques questions \u00e0 Yohan sur sa future pr\u00e9sentation \u00e0 Data Marketing 2019, qui a lieu le 21 novembre \u00e0 16 heures et dont Visionary Marketing est partenaire. Elle est intitul\u00e9e \u00ab\u00a0<\/i>Int\u00e9grer la data IA dans sa r\u00e9flexion utilisateur<\/strong>\u00a0\u00bb . Dans cette interview je me suis focalis\u00e9 sur la mise en place des algorithmes de recommandation en prenant le cas concret de ManoMano. Un petit spoiler, ce que j’ai pr\u00e9f\u00e9r\u00e9 ce n’est pas la\u00a0m\u00e9thode, mais la mani\u00e8re dont on demande \u00e0 tous les employ\u00e9s de se mettre dans les chaussures des clients.\u00a0Voil\u00e0 sans aucun doute, une des raisons de leur\u00a0succ\u00e8s.<\/i><\/p>\n

<\/b>Comment se passe exactement un travail de recommandation client en ligne ?<\/h3>\n

<\/b>Pour cr\u00e9er des moteurs de recommandation qui soient utiles aux clients, il faut r\u00e9pondre \u00e0 leurs besoins. Et pour identifier ces besoins, on va faire ce que l’on appelle de la User Research. Il ressort de l’\u00e9tude Research que les besoins de nos clients sont (1) de conna\u00eetre la liste des produits qui sont n\u00e9cessaires pour donner vie \u00e0 leur projet<\/strong>, (2)\u00a0de trouver ces produits<\/strong> une fois qu’ils les ont en t\u00eate, puis (3) de trouver facilement les produits qui leurs sont compl\u00e9mentaires<\/strong>.<\/span><\/p>\n

\"recommandation
La recommandation client sur le Web est souvent \u00e0 l’ordre du jour mais comment la mettre en place ? Yohan Grembler de ManoMano nous a partag\u00e9 son exp\u00e9rience – image en partenariat avec Jumpstory<\/a><\/figcaption><\/figure>\n

Trois types de recommandation sur le Web<\/h3>\n

On peut d\u00e9crire trois types de recommandations qui sont en regard de ces besoins. Par exemple, (1)<\/strong>\u00a0en d\u00e9but de parcours, l’utilisateur cherche plut\u00f4t sa liste de produits<\/strong>. On va ainsi aller sur de l \u00ab\u00a0inspirationnel\u00a0\u00bb, du conseil et pourquoi pas, recommander des cat\u00e9gories plut\u00f4t que des produits au milieu du parcours.<\/p>\n

On va aider le client \u00e0 trouver le bon produit, celui qu’il a en t\u00eate. Pour cela, le moteur de recherche a son mot \u00e0 dire. Si quelqu’un tape des \u00ab\u00a0perceuses 10 000 volts\u00a0\u00bb, on veut qu’il trouve les produits qu’il a en t\u00eate.<\/p>\n

Mais (2) il peut aussi avoir des moteurs de similarit\u00e9.\u00a0<\/strong>En fonction de l’univers, la similarit\u00e9 sera diff\u00e9rente. Par exemple, sur des perceuses, on va essayer de proposer des perceuses qui ont des niveaux de prix similaires, avec les m\u00eames caract\u00e9ristiques techniques. Sur des univers de d\u00e9coration, la recommandation client portera sur des produits qui sont du m\u00eame style.<\/p>\n

Et en fin de parcours (3), vous avez plut\u00f4t besoin de trouver des produits qui sont compl\u00e9mentaires<\/strong>. Vous avez une perceuse dans votre panier, et vous voulez trouver quelles sont les m\u00e8ches ad\u00e9quates, les batteries etc. C’est pour cela qu’on fait des recommandations qui sont plut\u00f4t bas\u00e9es sur le contenu du panier. Pour vous aider \u00e0 trouver ces produits compl\u00e9mentaires, je vous propose de d\u00e9crire les diff\u00e9rentes \u00e9tapes par lesquelles passe un projet de recommandation client.<\/p>\n

\"recommendation
Selon l’expert data de ManoMano, l’avenir est \u00e0 la recommandation explicit\u00e9e par l’algorithme<\/figcaption><\/figure>\n

Les diff\u00e9rentes \u00e9tapes d’un projet recommandation sur son site Web<\/h3>\n

La premi\u00e8re \u00e9tape, comme on l’a dit, c’est l’identification du besoin concret. On cherche en fait le pourquoi.<\/em> C’est l’\u00e9quipe IA Research qui va travailler sur ce point. Ensuite, on va d\u00e9finir une solution fonctionnelle qui permette de r\u00e9pondre \u00e0 ce besoin. C’est l’\u00e9quipe 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 d\u00e9fini la solution fonctionnelle qu’on voulait mettre en place.<\/p>\n

Il faut trouver une strat\u00e9gie technique pour \u00e7a. Les \u00e9quipes IT et data vont se mettre ensemble et r\u00e9fl\u00e9chir aux solutions data et techniques pour mettre en place la solution fonctionnelle. On est l\u00e0 sur le comment<\/em> et les \u00e9quipes techniques s’en chargent.<\/p>\n

Le proof of concept<\/h3>\n

Une fois qu’on a valid\u00e9 la faisabilit\u00e9 du projet, les \u00e9quipes data vont faire ce qu’on appelle un proof of concept<\/em>, c’est \u00e0 dire qu’ils vont cr\u00e9er un draft de l’algorithme de recommandation client qui va permettre de v\u00e9rifier avec certaines m\u00e9triques et aussi \u00e0 l’\u0153il que les recommandations sont coh\u00e9rentes.<\/p>\n

Une fois qu’on a valid\u00e9 que les algorithmes fonctionnaient, il est temps de le rendre accessible \u00e0 des utilisateurs. Et l\u00e0 commence une phase importante qui s’appelle l’AB Testing.<\/p>\n

L’A\/B Testing<\/h3>\n

A partir de ces AB tests, on va d\u00e9finir l’impact positif du nouvel algorithme. Cinquante pour cent des utilisateurs vont voir l’ancienne version de l’algorithme, ou m\u00eame une version du site sans l’algorithme, et 50% vont voir une version avec l’algorithme.<\/p>\n

Et si on a assez d’utilisateurs au bout de quelques semaines, on peut mesurer des diff\u00e9rences d’impact entre la version A et la version B.<\/p>\n

Par exemple, peut \u00eatre que 10% des utilisateurs de la version A auront trouv\u00e9 leur produit, et 8% seulement sur la version B. Cela va nous aider \u00e0 savoir si on a apport\u00e9 un \u00e9l\u00e9ment positif. De cette phase de test on va en sortir avec des apprentissages<\/strong> qui vont nous permettre de mieux comprendre les besoins des clients<\/strong> pour repartir sur un cycle d’it\u00e9ration o\u00f9 on am\u00e9liore le site Internet.<\/p>\n

Comment on identifie le besoin concret du client : se mettre dans les chaussures du client<\/h3>\n

Chez ManoMano, Il existe un atelier qui s’appelle Customer Shoes<\/strong> o\u00f9 tout nouvel arrivant va se voir donner un projet de bricolage<\/strong>, par exemple refaire sa salle de bain avec une douche \u00e0 l’italienne, un lavabo d’angle. Chaque nouvel arrivant se met dans les chaussures d’un client qui doit acheter l’ensemble des produits n\u00e9cessaires pour r\u00e9aliser son projet de bricolage et, gr\u00e2ce \u00e0 l’\u0153il neuf de ces nouveaux arrivants, nous pouvons d\u00e9tecter des probl\u00e8mes dans les exp\u00e9riences et ensuite proposer des solutions<\/strong>.<\/p>\n

Product analytics<\/h3>\n

Ensuite, il y a aussi ce qu’on appelle la product analytics<\/strong> qui sont les donn\u00e9es qui sont r\u00e9colt\u00e9es via notre plan de tracking et qui permettent de comprendre ce que font effectivement les clients sur le site. L\u00e0 aussi, on peut identifier certains besoins clients et trouver des id\u00e9es.<\/p>\n

Les enqu\u00eates utilisateurs<\/h3>\n

Et enfin, des enqu\u00eates d’utilisateurs peuvent \u00eatre faites pour identifier l\u00e0 o\u00f9 les clients ont du mal, permettant ainsi de trouver des solutions pour eux.<\/p>\n

<\/b>Quelles sont les perspectives d’avenir dans le secteur des recommandations pour le commerce ?<\/h3>\n

<\/b>Je vois principalement deux perspectives d’avenir.<\/p>\n

La premi\u00e8re est peut \u00eatre un peu plus ax\u00e9e moteur de recherche.<\/strong> Aujourd’hui, c’est compliqu\u00e9 d’arriver sur un site de e-commerce avec un projet en t\u00eate. Si j’arrive sur un site d’e commerce avec le besoin de refaire ma salle de bain, cela reste compliqu\u00e9 de trouver la liste exacte des produits n\u00e9cessaires. La preuve, c’est que l’usage n’existe m\u00eame pas encore.<\/p>\n

Personne ne tape \u00ab\u00a0Je veux refaire ma salle de bain\u00a0\u00bb dans une barre de recherche de site e-commerce. La recommandation a son r\u00f4le \u00e0 jouer pour trouver des solutions qui sont cl\u00e9s en main pour r\u00e9pondre \u00e0 un projet. Et pour moi, la r\u00e9ponse \u00e0 cette question sera \u00e0 la crois\u00e9e entre le savoir-faire humain et le Machine learning.<\/p>\n

La deuxi\u00e8me chose qui va arriver, et qu’on ne voit pas encore beaucoup, c’est l’explication des recommandations<\/strong>. Si vous allez dans une grande surface de bricolage et qu’on vous dit \u00ab\u00a0je vous conseille de prendre cette per\u00e7euse\u00a0\u00bb, vous avez confiance dans le vendeur, donc vous allez le croire. Mais qu’est ce qui vous donne confiance?<\/p>\n

C’est assez compliqu\u00e9 de le savoir et l’algorithme fait un peu la m\u00eame chose aujourd’hui. A mes yeux nous devons aller vers un monde o\u00f9 l’algorithmique vous dit \u00ab\u00a0je vous propose d’acheter cette perceuse parce que c’est la meilleure du march\u00e9, ou qu’elle convient \u00e0 votre usage\u00a0\u00bb. Ensuite, \u00ab\u00a0je vous propose d’acheter cette batterie parce qu’elle est compatible et a une autonomie excellente\u00a0\u00bb etc.<\/p>\n

Cela g\u00e9n\u00e9rera davantage de confiance dans les algorithmes et dans leurs recommandations. Groupon a commenc\u00e9 \u00e0 expliquer l’origine de ses recommandations. Ils sont pass\u00e9s de messages tels que \u00ab\u00a0inspir\u00e9 de votre navigation\u00a0\u00bb \u00e0 des choses un peu plus sp\u00e9cifiques tels que \u00ab\u00a0inspir\u00e9 de votre historique de recherche\u00a0\u00bb ou \u00ab\u00a0autour de chez vous, des restaurants chinois\u00a0\u00bb, etc.<\/p>\n

Avec ce type d’explications, ils ont augment\u00e9 leur taux de clics de 50 %<\/strong>. En fait, vous pouvez passer des ann\u00e9es \u00e0 essayer d’optimiser un algorithme BlackBox, vous n’aurez pas les m\u00eames r\u00e9sultats que si vous am\u00e9liorez 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.<\/p>\n