Personnalisation et moteurs de recommandation

# Personnalisation et moteurs de recommandation

Imaginez deux acheteurs qui ouvrent la page d'accueil du même distributeur au même instant. L'un vient de devenir parent et a acheté une poussette la semaine dernière. L'autre est étudiant et regarde des sneakers. Si les deux voient la même bannière, les mêmes « produits mis en avant » et le même email demain, le distributeur laisse de l'argent sur la table. Cette uniformité est le problème que résout la personnalisation.

Amazon attribue depuis longtemps une part importante de ses ventes aux recommandations, et le chiffre le plus souvent cité (environ 35 %) est une estimation du secteur, pas un chiffre audité. C'est la direction qui compte : des suggestions pertinentes génèrent du chiffre d'affaires réel.

Construisons pièce par pièce le moteur derrière le « les clients ont aussi acheté », les emails personnalisés et le next-best-offer.

Ce que « personnalisation » veut dire concrètement

La personnalisation consiste à montrer des contenus différents à des acheteurs différents, en fonction de ce que vous savez d'eux. Cela va du plus grossier au plus sophistiqué :

• Par segment : regrouper les acheteurs dans des cases (jeunes parents, acheteurs de sneakers) et montrer à chaque case un contenu différent.
• Individualisée : prédire ce qu'une personne précise veut à l'instant présent.
• Temps réel : ajuster pendant la session, au fil des clics, des recherches et des temps d'arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êt.

La plupart des distributeurs font tourner les trois en même temps. La bannière de la page d'accueil peut être par segment, la ligne « recommandé pour vous » individualisée, et le classement des résultats de recherche en temps réel.

Le collaborative filtering : le cheval de trait

Le collaborative filtering est la technique de recommandation classique. L'idée de fond : les gens qui ont été d'accord par le passé le seront encore à l'avenir. Si les acheteurs du produit A ont aussi tendance à acheter le produit B, recommandez B aux nouveaux acheteurs de A.

Il en existe deux variantes.

Le filtrage item-based

C'est ce qui alimente le « les clients qui ont acheté ceci ont aussi acheté ». Vous calculez, pour chaque paire de produits, la fréquence à laquelle ils sont achetés ou consultés par les mêmes personnes. Achetez une tente, on vous suggère des sacs de couchage et des réchauds.

L'item-based est populaire parce que les relations produit à produit sont stables. Une tente va avec un sac de couchage aujourd'hui comme le mois prochain. Vous pouvez précalculer ces associations et les servir instantanément.

Le filtrage user-based

Ici, vous cherchez les acheteurs similaires à l'utilisateur courant, puis vous recommandez ce que ces acheteurs similaires ont aimé. Utile, mais plus difficile à passer à l'échelle : les goûts évoluent, et trouver des « utilisateurs similaires » parmi des millions de comptes coûte cher.

Les maths, brièvement

Sous le capot, une approche courante est la factorisation matricielle. Imaginez une grille géante : les lignes sont les acheteurs, les colonnes les produits, les cellules contiennent des notes ou des achats. La plupart des cellules sont vides (personne n'achète tout). La factorisation matricielle comble les trous en apprenant des « facteurs » cachés qui décrivent à la fois les acheteurs et les produits.

# Conceptual sketch, not production code
# Ratings matrix R (users x items), mostly empty
# Factorize into two smaller matrices:
#   U (users x k factors), V (items x k factors)
# Prediction for user u, item i:
predicted_rating = U[u] @ V[i].T   # produit scalaire des deux vecteurs de facteurs

# k might be 50 to 200 "latent factors"
# Training minimizes error on the known ratings,
# then predicts the empty cells.

Ces facteurs cachés ne sont pas étiquetés, mais ils capturent souvent des choses intuitives : un facteur peut représenter vaguement « premium contre entrée de gamme », un autre « extérieur contre intérieur ». Le modèle les découvre à partir du seul comportement.

Pour un parcours clair et gratuit sur les idées sous-jacentes, le crash course Recommendation Systems de Google est une bonne référence.

Le problème du cold start

Le collaborative filtering a une faiblesse bien connue : le cold start. Un produit tout neuf n'a pas d'historique d'achat, il n'est donc jamais recommandé. Un acheteur tout neuf n'a pas d'historique, vous ne savez donc pas quoi lui montrer.

Les distributeurs règlent cela avec le content-based filtering : recommander des articles aux attributs similaires (catégorie, marque, gamme de prix, couleur, matière) plutôt qu'aux acheteurs similaires. Une nouvelle chaussure de running peut être remontée à ceux qui consultent d'autres chaussures de running parce que les attributs correspondent, même sans aucune vente.

La plupart des systèmes réels sont hybrides : content-based pour les articles froids et les nouveaux visiteurs, collaborative filtering une fois qu'assez de comportement s'est accumulé.

Modèles comportementaux en temps réel

L'historique d'achat vous dit qui quelqu'un a été. Les signaux temps réel vous disent qui il est maintenant.

Un acheteur qui prend d'habitude des produits d'entrée de gamme mais consulte trois fois de suite un casque premium signale une intention. Un bon moteur réagit dans la session.

Les signaux clés :

• Clickstream : ce sur quoi il a cliqué, dans quel ordre.
• Dwell time : le temps passé sur un produit.
• Requêtes de recherche : l'intention explicite, avec ses propres mots.
• Actions sur le panier : ajouts et retraits.
• Récence : ce qui s'est passé dans les dernières minutes pèse plus que le mois dernier.

Recommandations basées sur la session

Les moteurs modernes utilisent souvent des modèles de séquence : au lieu de traiter l'historique d'un acheteur comme un sac d'articles, ils le traitent comme une séquence ordonnée, comme les mots d'une phrase. Le modèle apprend que « a vu un téléphone, a vu une coque, a vu un protège-écran » prédit une étape suivante probable (chargeur, garantie). Ce sont les mêmes familles de réseaux de neurones que celles des outils de langage, appliquées aux parcours de navigation.

Le mettre au travail sur tous les canaux

Le moteur n'a de valeur que s'il alimente des points de contact précis. Trois des plus impactants :

1. Le « les clients ont aussi acheté » on-site

Pages produit et pages panier. Le filtrage item-based excelle ici. Attention au piège évident : ne recommandez pas un produit quasi identique à ce que la personne vient d'ajouter (recommander un second blender presque identique, c'est de la place perdue). Filtrez pour les compléments, pas les substituts.

2. L'email personnalisé

L'email est l'endroit où la personnalisation gagne discrètement sa vie. Au lieu d'une newsletter unique pour tous, le moteur assemble une grille de produits par destinataire. Un acheteur qui a abandonné son panier reçoit ces articles plus des compléments. Un client inactif reçoit des sélections de réactivation basées sur ses achats passés.

Le timing compte autant que le contenu : l'optimisation de l'heure d'envoi prédit le moment où chaque personne a tendance à ouvrir.

3. Next-best-offer

Le next-best-offer (NBO) est l'action la plus pertinente à présenter ensuite à un acheteur : un produit, un bundle, une remise ou une incitation fidélité. Les modèles NBO arbitrent entre deux objectifs : ce que l'acheteur est susceptible d'accepter, et ce qui a le plus de valeur pour l'entreprise. Pousser un accessoire à forte marge ne fonctionne que si l'acheteur en veut vraiment : probabilité d'acceptation et marge sont donc pondérées ensemble.

Mesurer si ça marche

Ne faites pas confiance à un modèle parce qu'il « a l'air malin ». Mesurez-le.

Les métriques offline testent le modèle sur des données historiques avant le lancement. Les plus courantes :

• Precision at K : parmi les KKLe nombre moyen de nouveaux utilisateurs que chaque utilisateur existant génère par recommandation. Au-dessus de 1,0, la croissance s'auto-alimente et devient exponentielle.Voir la définition complète → premiers articles recommandés, combien étaient pertinents.
• Recall at K : parmi tous les articles pertinents, combien le top KKLe nombre moyen de nouveaux utilisateurs que chaque utilisateur existant génère par recommandation. Au-dessus de 1,0, la croissance s'auto-alimente et devient exponentielle.Voir la définition complète → en a capturé.

Les métriques offline sont peu coûteuses mais imparfaites. Elles ne peuvent pas vous dire comment les acheteurs réagissent à des recommandations qu'ils n'avaient jamais vues.

Le test online est le vrai juge. Lancez un A/B testA/B testL'A/B testing est une expérimentation contrôlée qui compare deux versions d'un même élément (A et B) en répartissant le trafic de façon aléatoire, pour savoir laquelle performe le mieux sur une métrique choisie.Voir la définition complète → : séparez le trafic, montrez le nouveau moteur à un groupe et l'ancienne expérience à l'autre, et comparez les résultats business. Les métriques qui comptent pour l'entreprise :

• Chiffre d'affaires par visiteur
• Taux de clic sur les lignes de recommandation
• Taux de conversionTaux de conversionLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →
• Panier moyen

Un moteur de recommandation qui augmente le taux de clic mais pas le chiffre d'affaires ne fait peut-être que déplacer des articles bon marché. Ramenez toujours à l'argent et à la marge.

Garde-fous : vie privée et équité

La personnalisation tourne sur des données personnelles, elle relève donc du droit de la vie privée. Dans l'UE, le RGPD (Règlement général sur la protection des données) exige une base légale pour traiter les données comportementales et donne des droits aux acheteurs sur celles-ci. Aux États-Unis, des lois d'État comme le CCPA (California Consumer Privacy Act) accordent des droits similaires, dont celui de refuser certaines ventes de données. Concevez pour le consentement et la transparence dès le départ ; rattraper après coup est douloureux.

Deux risques pratiques à gérer :

• Filter bubbles : si vous ne montrez jamais que ce que quelqu'un aime déjà, vous ne l'aidez jamais à découvrir de nouvelles catégories, et vous plafonnez sa lifetime valuelifetime valueLifetime Value : le revenu total (ou le profit) qu'un client génère sur toute la durée de sa relation avec votre entreprise.Voir la définition complète →. Injectez délibérément de la diversité.
• Effet malaisant : un ciblage hyper précis peut sembler intrusif. Recommander des produits pour bébé le lendemain du jour où un acheteur s'est renseigné sur la grossesse, avant qu'il l'ait dit à quiconque, est un risque de réputation, pas une victoire. La retenue est une fonctionnalité.

Une trajectoire de construction réaliste

Vous n'avez pas besoin de construire une factorisation matricielle de zéro. Les fournisseurs cloud et les plateformes retail proposent des services de recommandation que vous configurez avec votre propre catalogue et vos données comportementales. L'avantage concurrentielavantage concurrentielUn avantage durable sur les concurrents : une ressource, une capacité ou une position qu'ils ne peuvent pas répliquer facilement, et qui permet à une entreprise de dégager des rendements supérieurs à la moyenne dans la durée.Voir la définition complète → tient rarement à l'algorithme ; il tient à la qualité de vos données, à la rapidité de vos signaux temps réel et à la discipline de vos tests.

Points clés

• Le collaborative filtering (« les clients ont aussi acheté ») est le cheval de trait, mais combinez-le avec le content-based filtering pour traiter les nouveaux produits et les nouveaux acheteurs (le problème du cold start).
• Les signaux comportementaux temps réel (clickstream, dwell time, recherche, actions panier) permettent au moteur de réagir dans la session, souvent via des modèles de séquence qui traitent la navigation comme une phrase.
• Déployez sur tous les canaux : lignes on-site, email personnalisé et next-best-offer, en pondérant toujours probabilité d'acceptation et marge.
• A/B testez contre le chiffre d'affaires et la marge, pas seulement le taux de clic. Un modèle qui a l'air malin mais ne fait que déplacer des articles bon marché ne fonctionne pas.
• Intégrez vie privée et retenue dès le premier jour : respectez le RGPD et le CCPA, injectez de la diversité pour éviter les filter bubbles, et rappelez-vous que la précision sans tact abîme la confiance.