La recommandation de produits, partie intégrante de la stratégie de personnalisation de l’expérience utilisateur, permet aux e-commerçants de démontrer leur connaissance approfondie des préférences et besoins des consommateurs, ainsi que leur capacité à leur fournir les produits qui leur conviennent parfaitement.
Cette compétence à comprendre et à anticiper les attentes des clients repose sur des systèmes de recommandation de produits sophistiqués. Avant d'explorer comment ces systèmes parviennent à proposer des produits pertinents à chaque utilisateur, il est essentiel de définir ce qu'ils sont.
En anglais, le concept de système de recommandation se déploie sous diverses expressions, mais celle qui capte particulièrement l'attention est "recommender system". Il s'agit d'un système informatique holistique, conçu pour intégrer et déployer divers modes de recommandation, algorithmes et cas d'utilisation. Ce système complexe combine des techniques avancées pour offrir des suggestions personnalisées, répondant ainsi de manière précise aux attentes de chaque utilisateur. Parmi ces techniques, on trouve :
Le "content-based filtering"
Le « content-based filtering » se distingue par son approche centrée sur les caractéristiques intrinsèques des produits. Ce mode de filtrage est largement utilisé dans la recommandation de produits, en proposant des articles similaires en termes d'attributs aux produits que l'utilisateur explore – comme leur couleur, leur matière ou d'autres spécificités.
Sensefuel utilise le "content-based filtering" depuis plus de 5 ans, via une stack vectorielle, élément clé de sa solution. Cette technologie permet d'assigner à chaque produit des vecteurs sémantiques, facilitant le calcul de similarités entre produits. Grâce à ces vecteurs, nous pouvons identifier quels produits sont proches, basé sur leurs attributs.
Cette approche est appliquée dans divers aspects de la plateforme Sensefuel, notamment pour le moteur de recherche, le classement des résultats, la sélection de produits, et bien d'autres applications. Ces mêmes vecteurs sont également utilisés pour générer des recommandations personnalisées.
Le "collaborative-based filtering"
Contrairement au "content-based filtering", qui se concentre sur les attributs des produits, le "collaborative-based filtering" extrait du sens à partir des comportements des utilisateurs. En suivant le parcours de chaque utilisateur, il est possible de déduire des préférences ainsi que des corrélations potentiellement significatives entre différents produits.
Ainsi, lorsqu’un « utilisateur A » visite des fiches produits de manière successive et qu’un « utilisateur B » suit le même chemin, ces produits sont considérés comme étant liés, indépendamment de leur nature. Peu importe qu'il s'agisse de livres ou de chaussures, le "collaborative-based filtering" se base sur la moyenne statistique des comportements d’une communauté d’utilisateurs pour en déduire des corrélations et recommander un produit lorsqu'un utilisateur en consulte un autre.
Les données sont collectées de deux manières :
Explicite : l'utilisateur fournit directement des informations, en notant un produit ou en l'ajoutant à une liste de favoris.
Implicite : chaque visite de fiche produit, ajout au panier et achat final sont traités pour détecter des tendances et des préférences de consommation.
Il apparaît donc clairement que le e-merchandiser dispose d'une multitude d'informations, et que les algorithmes jouent un rôle indispensable dans la recommandation de produits. Cependant, leur efficacité dépend largement des cas d'usage auxquels ils sont appliqués.
Ces recommandations peuvent être intégrées à divers emplacements d'une boutique en ligne (page d’accueil, listes de produits, résultats de recherche...) Voyons quelques exemples concrets.
- La recommandation depuis une fiche produit
Sur une fiche produit, plusieurs scénarios d'utilisation sont envisageables.
La première approche consiste à suggérer au consommateur des produits présentant des attributs similaires, comme la couleur et la texture, à ceux qu'il consulte. Par exemple, si l'utilisateur se trouve sur la fiche d'un jean, le site e-commerce lui proposera d'autres jeans de la même teinte, texture et taille mais de la gamme de prix supérieur, dans une optique d’upsell.
Une autre stratégie d'utilisation repose sur les comportements d'achat : suggérer des articles fréquemment achetés par d'autres consommateurs, en complément de celui actuellement consulté. Cette méthode permet de recommander des produits validés par d'autres, au moment de l'achat. Par exemple dans le secteur du bricolage, cette analyse permet de recommander, pour un meuble de cuisine, des meubles de la même gamme ou des accessoires compatibles, sans que l'information soit qualifiée en amont.
Il est également envisageable de s'appuyer sur le parcours d'achat : identifier les autres produits consultés par les utilisateurs au cours de la même session. "Les utilisateurs qui ont vu ce produit ont également consulté ces autres articles." Bien que ce type de recommandation de produits soit plus bruité, il encourage l'utilisateur à découvrir d'autres produits.
De plus, il est possible de combiner ces différentes approches : analyser les produits visités avant l'acquisition d'un article en particulier pour proposer des alternatives potentielles, même si ces produits n'ont pas été achetés. Par exemple, lorsqu'un utilisateur envisage l'achat d'une veste en velours, il est pertinent de noter que les acheteurs de cette veste ont également exploré d'autres vestes en velours. En présentant ces vignettes de produits, cela favorise la diversification des choix et ouvre de nouvelles perspectives d'exploration.
- La recommandation depuis la page d’accueil, basée sur le contenu du panier de l'utilisateur
L’e-merchandiseur pourrait envisager de recommander des articles supplémentaires en se basant sur le contenu actuel du panier de l'utilisateur et ses récents achats. Par exemple, si l'utilisateur a déjà ajouté cinq ou six articles, quel pourrait-être le septième article à recommander, en alignement avec les comportements observés dans la communauté d'acheteurs ? En s'appuyant sur l'analyse des divers articles présents dans le panier de l'utilisateur, cette méthode va au-delà de la simple recommandation basée sur une fiche produit spécifique via un algorithme.
Dans l’exploration des stratégies de recommandation sur les plateformes e-commerce, il est essentiel de souligner que Sensefuel ne se limite pas aux méthodes traditionnelles telles que le "collaborative-based filtering" ou le "content-based filtering". Sensefuel intègre ces approches avec son IA « cœur » et son système de personnalisation avancé pour améliorer la pertinence de ses recommandations.
Par ailleurs, son approche de la recommandation de produits ne repose pas exclusivement sur des algorithmes d’IA. Sensefuel met également à disposition des recommandations basées sur la sélection de produits. Les clients e-commerçants peuvent créer des assortiments spécifiques pour promouvoir des produits phares, soutenir des campagnes promotionnelles, et plus encore. L’algorithme de recommandation ne se contente pas de sélectionner les premiers articles de la sélection, mais analyse minutieusement les préférences individuelles des utilisateurs pour choisir parmi les assortiments de produits, ceux qui correspondent le mieux à leurs goûts spécifiques. Cette approche tire parti du système de personnalisation intégré à l'ensemble de la solution Sensefuel, offrant à l’e-merchandiseur une totale liberté de configuration, grâce à une solution clé en main et des widgets intégrables directement à l'emplacement désiré sur une page.
Sensefuel propose des modes de déploiement en Plug & Play et via APIs, conçus pour permettre à l’e-merchandiseur de contrôler facilement ce qui est affiché à chaque endroit du site, sans dépendre nécessairement d’une équipe technique.
Conclusion
La recommandation de produits représente bien plus qu'une simple fonctionnalité technique sur les plateformes de e-commerce. C'est un outil stratégique qui permet aux commerçants de démontrer leur compréhension profonde des besoins individuels des consommateurs.
En intégrant des approches variées comme le "content-based filtering" et le "collaborative-based filtering", combinées à des méthodes de sélection personnalisées, Sensefuel présente une solution flexible et puissante pour optimiser l'expérience d'achat en ligne. Cette approche permet non seulement de stimuler les ventes en proposant des produits pertinents, mais aussi de renforcer la fidélisation client en assurant une expérience d'achat personnalisée et engageante.