Exploiter pleinement la recommandation produit
 
On définit un système de recommandation comme une forme spécifique de filtrage de l'information visant à présenter les éléments qui sont susceptibles d'intéresser l'utilisateur. Dans le cadre de l’e-commerce, un système de recommandation cherche à prédire la valorisation ou la préférence qu'un utilisateur attribuerait à un produit qu'il n'avait pas encore considéré.
 
Aujourd'hui, les principaux moteurs de recommandation du marché ne peuvent pousser de la recommandation que sur une page produit et une page panier, et se limitent à des produits similaires ou complémentaires.
Pour exploiter toute la puissance de la recommandation, il faut aller plus loin, en intégrant de la recommandation sur une page listing, sur la home page… et en faisant des mises en avant de produits ou de contenus qui sont les plus susceptibles de plaire aux internautes.
 
Comment éviter le phénomène du « coldstart » ?
 
Filtrage collaboratif, filtrage sur le contenu, filtrage hybride… différentes approches peuvent être mises en œuvre, mais toutes ont la particularité de requérir un minimum de données de départ sur lesquelles les algorithmes vont pouvoir s’appuyer. Or, ces données ne sont pas toujours disponibles, ou pas en assez grande quantité, surtout quand le système de recommandation vient d’être mis en place ou que l’assortiment évolue régulièrement.
En effet, la plupart des solutions statistiques reposent sur le calcul de score des relations entre les produits (produits vus, achetés…). Ce système présente ses limites.
Prenons par exemple une basket montante bleue Nike Ref AAA qui possède toutes les statistiques avec les autres produits du catalogue, mais qui est remplacée par une basket montante bleue Nike Ref BBB. Ce dernier article ne sera jamais préconisé tant qu’il n’aura pas eu suffisamment de visites ou de ventes pour le mettre en évidence dans la recommandation statistique.
 
Ce phénomène appelé coldstart peut être évité : En mettant en œuvre une nouvelle approche qui s’appuie non pas sur le produit au niveau le plus fin, mais sur ses caractéristiques (couleur, marque, style…) permettant d’avoir les statistiques de relation à un niveau supérieur.
 
Ce système est particulièrement adapté aux sites marchands pratiquant la vente de collections saisonnières ou cycliques, les ventes privées…etc.
 
Intégrer de nouvelles règles à la recommandation produit
 
La problématique de la recommandation doit tenir compte de la fréquence de visite d’un internaute, pour adapter la pertinence en proposant une recommandation plus proche du comportement du groupe ou plus proche du comportement de l’individu.
En effet, pour un primovisiteur, il semble plus pertinent, n’ayant que peu d’éléments de navigation, de recommander des produits basés sur les préférences globales. Pour un utilisateur fréquent, la recommandation doit tenir compte de ses préférences détectées.
Pour intégrer cette règle simplement, l’utilisateur métier doit pouvoir jouer sur un curseur indiquant les pondérations : visites-achat, navigation, facettes… à prendre en compte.
 
De la recommandation statistique à la recommandation Merchandisée
 
Nous avons tous vécu, sur des sites web proposant une recommandation statistique, des recommandations peu efficaces, aberrantes, inadaptées, incohérentes, sans relation avec notre navigation, voire contradictoires ou, pire encore, proposant des produits non disponibles.
 
« Il faut utiliser les mécaniques de merchandising dans la recommandation statistique afin d’augmenter la pertinence et la cohérence de cette dernière, pour maximiser le taux de conversion en tenant compte des éléments financiers (marge, stock, % promotion…) et des stratégies commerciales ou d’animation promotionnelle en cours » déclare Raphael FETIQUE directeur associé de Converteo.
 
Ce que confirme Pascal Morvan, Directeur solution de Compario « Sur la recommandation statistique, il faut impérativement appliquer des filtres à la fois sur la sélection des produits éligibles à la recommandation mais aussi sur la façon de trier les produits issus de la recommandation comme dans le merchandising » par exemple :
 
-Avec la famille A ne proposer que des recommandations des familles D, N, P
-Ne sélectionner que des produits en promotion
-Trier sur les stocks, sur la marge, sur le % de promotion…
-Trier ou sélectionner sur des marques ou des familles qui font l’objet d’une animation commerciale en cours.
….
 
Analyser en permanence les performances
 
Un site e-commerce évolue en permanence. Le comportement des clients aussi. Pour vérifier que les dispositifs de recommandation merchandisée sont toujours pertinents, une solution décisionnelle intégrée est nécessaire.
 
Elle permet d’analyser le comportement des visiteurs et d’affiner les KPIs, pour adapter en permanence les règles de recommandation.

Par Pascal Morvan, Directeur solution de Compario.