Nous savons ce que vous aimez ! Avantages des systèmes de recommandation en entreprise

Lorsque les gens achètent, ils achètent des produits qu'ils aiment ou que d'autres leur recommandent, car ils font confiance à leur opinion. À l'ère numérique d'aujourd'hui, les magasins en ligne proposent des centaines de milliers de produits à leurs clients. Pour les aider à rechercher parmi ces produits et à acheter le plus adapté d'entre eux, les boutiques en ligne utilisent des systèmes de recommandation.

De plus, les fournisseurs de contenu (musique, films, par exemple) et les services de réseaux sociaux utilisent des systèmes de recommandation pour gérer le contenu et créer des recommandations efficaces pour les utilisateurs.

En termes simples, les systèmes de recommandation agissent comme une forme automatisée d'assistant client qui montre non seulement le produit que vous avez demandé, mais également ceux qui sont liés d'une manière ou d'une autre ou que vous pourriez également aimer. Ils font partie des technologies d'apprentissage automatique les plus populaires utilisées dans les entreprises pour personnaliser le contenu pour les clients.

Quels sont les avantages des systèmes de recommandation ?

L' objectif le plus évident d'un système de recommandation est de recommander des produits pertinents à l'utilisateur . Steve Jobs a dit : « Souvent, les gens ne savent pas ce qu'ils veulent jusqu'à ce que vous le leur montriez » [1]. En se référant aux mots de Job, nous pouvons dire que l'un des objectifs secondaires d'un système de recommandation est de montrer aux utilisateurs des produits qu'ils n'ont pas vus dans le passé et qu'ils pourraient aimer. Une bonne correspondance des recommandations peut contribuer à améliorer la satisfaction globale des utilisateurs , ce qui les rend plus susceptibles d'utiliser à nouveau le site Web ou l'application.

L'un des utilisateurs les plus connus et des pionniers des systèmes de recommandation est Amazon.com. Amazon utilise des recommandations pour personnaliser la boutique en ligne pour chaque client, ce qui représente 35 % des revenus d'Amazon [2].

Un autre exemple célèbre de système de recommandation est l'algorithme utilisé par Netflix. Selon McKinsey, 75 % de ce que les utilisateurs regardent sur Netflix proviennent de recommandations de films [3]. Dans l'article « The Netflix Recommender System: Algorithms, Business Value, and Innovation » [4] écrit par les dirigeants de Netflix (Carlos A. Gomez-Uribe et Neil Hunt), les auteurs déclarent que le système de recommandation permet à l'entreprise d'économiser environ 1 milliard de dollars chaque année.

Selon Spotify, la mise en place du nouvel algorithme de recommandation a permis de faire passer leur nombre d'utilisateurs mensuels de 75 millions à 100 millions [5].

Quel type de données les systèmes de recommandation utilisent-ils ?

L'élément le plus important dans la construction d'un système de recommandation sont les données. Il existe trois types de données : les données explicites, les données implicites et la description du produit.

Les données explicites ont généralement la forme d'un nombre (par exemple, une note de 5 étoiles) attribué par un utilisateur à un produit. Des exemples de données explicites sont les évaluations des produits données par les clients sur Amazon ou les évaluations des cours des cours par les utilisateurs de la plateforme d'apprentissage Udemy. Ce type de données est difficile à collecter car elles nécessitent une contribution supplémentaire de la part des utilisateurs. Il faut donc plus de temps pour obtenir un pool d'évaluations suffisamment large pour créer un modèle d'apprentissage automatique utile.

Les données implicites sont faciles à collecter. Il s'agit de toutes les données axées sur la façon dont l'utilisateur interagit avec les produits/contenus disponibles. Le principal problème avec ce type de données est de savoir comment convertir le comportement de l'utilisateur en préférences de l'utilisateur. Mais il existe des moyens efficaces de le faire. Des exemples de données implicites sont le nombre de fois qu'une chanson est lue sur Spotify, le nombre de clics sur les liens de produits ou l'historique des achats sur Amazon.

Le dernier type de données est le descriptif du produit . Étant donné que ce type de données est souvent non structuré (par exemple, a une forme de texte libre), nous devons mettre en œuvre un prétraitement supplémentaire pour extraire les informations pertinentes et les mettre sous une forme structurée. Des exemples de descriptions de produits sont une liste d'acteurs d'un film sur Netflix, un auteur-compositeur sur Spotify ou la description du produit sur Amazon.

Quels types de systèmes de recommandation existe-t-il ?

Une fois les données collectées, nous pouvons commencer à construire un système de recommandation. Il existe quatre types principaux :

Basé sur la popularité

Le type de système de recommandation le plus simple est basé sur la popularité des articles. Ce système calcule les notes des produits à l'aide de données explicites ou implicites. Vous trouverez ci-dessous deux exemples de systèmes de recommandation basés sur la popularité pour un fournisseur de films :

• en utilisant des données explicites - suggère des films populaires basés sur la moyenne des évaluations 5 étoiles de l'utilisateur,
• utilisant des données implicites - suggère des films populaires sur la base du nombre de fois où les utilisateurs les ont lus.

Les avantages les plus importants des systèmes de recommandation basés sur la popularité sont :

• Il est résistant au démarrage à froid de l'utilisateur . Le système peut suggérer des produits sans aucune information sur l'utilisateur.
• Il peut être utilisé dans des environnements avec un petit nombre d'utilisateurs.

L'inconvénient le plus important est :

• Chaque utilisateur a la même liste de recommandations.
• Problème de démarrage à froid de l'article. Le système ne peut pas proposer un élément qui n'a jamais été sélectionné ou une évaluation par d'autres utilisateurs auparavant.  

Filtrage basé sur le contenu

Les méthodes de filtrage basées sur le contenu sont basées sur les descriptions de produits et les préférences de l'utilisateur. Ce type de système recommande des produits similaires aux produits que l'utilisateur a aimés dans le passé. Ce type de système de recommandation repose sur trois étapes :

1. Analyseur de description de produit - dans cette étape, les descriptions de produit sont analysées à l'aide d'une technique d'extraction de caractéristiques pour transformer les descriptions originales en un vecteur d'articles. À l'aide de vecteurs d'articles, le système calcule les similitudes entre les produits.
2. Analyseur de profil utilisateur - dans la deuxième étape, le système collecte les préférences de l'utilisateur, les données d'historique de l'utilisateur et construit le profil de l'utilisateur qui est représenté par le vecteur utilisateur. Les caractéristiques décrites dans le vecteur utilisateur sont les mêmes que les caractéristiques dans les vecteurs d'éléments.
3. Filtrage des composants - dans la dernière étape, le système choisit des recommandations basées sur les vecteurs utilisateur et éléments (par exemple en utilisant la similarité cosinus).

Les avantages du filtrage basé sur le contenu sont :

• Aucun problème de démarrage à froid. Le système peut recommander des produits avant que les utilisateurs ne les essaient.
• C'est adaptatif. Capture les changements dans les centres d'intérêt des utilisateurs .
• Les éléments recommandés pour un utilisateur ne dépendent pas des autres utilisateurs.
• Recommande des produits impopulaires .

Les inconvénients de cette solution sont :

• Les informations sur le produit sont nécessaires.
• Problème de démarrage à froid de l'utilisateur. Le système ne peut pas produire de recommandations lorsqu'il n'y a pas suffisamment d'informations pour créer un profil d'utilisateur.

Filtrage collaboratif

Dans le filtrage collaboratif, le système analyse les informations sur les préférences, le comportement et les activités de tous les utilisateurs pour prédire ce que vous pourriez aimer. En termes simples, le système recommande des articles que d'autres utilisateurs ayant des goûts et un comportement similaires ont aimés. L'hypothèse principale de cette méthode est que les personnes qui ont aimé des produits similaires dans le passé aimeront également des produits similaires à l'avenir.

Les avantages les plus importants du filtrage collaboratif sont :

• Le contenu du produit ne doit en aucune façon être compris ou décrit ni par le créateur du système ni par le système lui-même . Cela signifie que le système peut recommander des produits sans aucune analyse du produit lui-même.
• C'est adaptatif. Le système capture les changements d'intérêts des utilisateurs .

Les inconvénients les plus importants sont :

• Problème de démarrage à froid de l'utilisateur. Le système ne peut pas recommander de produits aux nouveaux utilisateurs qui n'ont pas encore eu d'interaction.
• Problème de démarrage à froid de l'article . Le système ne peut pas non plus recommander un élément que les utilisateurs n'ont jamais sélectionné auparavant.

Hybride

Les systèmes de recommandation hybrides combinent des méthodes basées sur le contenu et collaboratives . Cette solution peut être plus efficace en pratique que n'importe laquelle des deux méthodes séparément.

Un système hybride est utilisé sur Netflix , où les recommandations de films sont le résultat à la fois de la comparaison des habitudes de visionnage d'utilisateurs similaires (filtrage collaboratif) et de la recherche de films qui ont des caractéristiques similaires comme les films que l'utilisateur a aimés dans le passé (filtrage basé sur le contenu) .

Sommaire

Aujourd'hui, de plus en plus d'entreprises en ligne utilisent les systèmes de recommandation pour accroître l'interaction des utilisateurs avec les services qu'elles fournissent. Les systèmes de recommandation sont des solutions d'apprentissage automatique efficaces qui peuvent contribuer à accroître la satisfaction des clients et la fidélisation des utilisateurs, et entraîner une augmentation significative des revenus de votre entreprise.

Intéressé par les systèmes de recommandation ?

Êtes-vous intéressé par la mise en œuvre d'une solution basée sur l'IA - telle que Recommendation Systems - dans votre stratégie commerciale ? Si oui, vous êtes au bon endroit. Contactez notre équipe pour discuter de votre idée et obtenir un devis en 48 heures.

Sources

[1] Edson, J., 2012. Concevoir comme Apple : sept principes pour créer des produits, des services et des expériences incroyablement géniaux. John Wiley et fils. p. 47

[2] Jones, SS et Groom, FM eds., 2019. Intelligence artificielle et apprentissage automatique pour les entreprises pour les non-ingénieurs . CRC Press, p. 86

[3] Alex Castrounis, 2019. IA pour les personnes et les entreprises. Un cadre pour de meilleures expériences humaines et la réussite commerciale . (ebook)

[4] Gomez-Uribe, CA et Hunt, N., 2015. Le système de recommandation de netflix : algorithmes, valeur commerciale et innovation . ACM Transactions on Management Information Systems (TMIS), 6(4), pp.1-19.

[5] Leonard, D, 2016. Spotify perfectionne l'art de la playlist sur Bloomberg Businessweek