Article

12min lecture

Les différents types de systèmes de recommandation produits en e-commerce

La plupart des sites e-commerce intègrent des systèmes de recommandation produits. Cependant, lorsque l’on examine de plus près la manière dont ces recommandations sont présentées, on constate des différences significatives. Selon le fonctionnement du système de recommandation utilisé, différentes variables influencent la priorité des produits mis en avant pour offrir une expérience de personnalisation optimale.

Étant donné que les recommandations dépendent de la personnalisation et des données utilisateurs, il est possible de choisir différentes façons de proposer des produits. Dans cet article, vous découvrirez les différents types de systèmes de recommandation et comment sélectionner celui qui conviendra le mieux à votre site e-commerce.

Des recommandations pertinentes grâce à la personnalisation

Les recommandations produits sont les plus efficaces lorsqu’elles sont pertinentes pour le client. Pour obtenir des résultats optimaux, il est essentiel de s’assurer que les recommandations sont personnalisées et prennent en compte les préférences individuelles des utilisateurs.

À ce titre, il est important de souligner que le type de personnalisation le plus efficace dépend du système de recommandation de produits et de la stratégie e-commerce adoptés.

La personnalisation nécessite un dialogue

La personnalisation est un processus complexe qui peut être appliqué à différents points de contact et implémenté à l’aide de divers systèmes. Elle consiste à présenter aux visiteurs en ligne des recommandations de produits correspondant au mieux à leurs préférences.

Pour ce faire, la première étape consiste à collecter des données sur le comportement de navigation et d’achat des utilisateurs. Ces informations peuvent être recueillies à travers un dialogue avec le client, établi par ses interactions avec le site e-commerce. Une fois ces données collectées, elles peuvent être combinées aux informations produit ainsi qu’à l’expertise interne au sein d’une base de connaissances.

Dans cette base de connaissances, toutes les données sont traitées et analysées. Une approche courante est l’utilisation de l’intelligence artificielle (IA). Cela permet aux experts de transformer les données (comportement de clic et d’achat) en informations à l’aide de techniques de data mining. Ces informations sont ensuite converties en connaissances grâce à des algorithmes, tels que l’apprentissage par renforcement.

Ce savoir est ensuite exploité pour fournir aux clients des recommandations pertinentes. Les données produits, le comportement de navigation et d’achat, ainsi que les connaissances d’experts se rejoignent dans cette base de connaissances pour maximiser la pertinence des recommandations proposées.

IA basée sur le dialogue

Pour offrir aux clients les meilleures recommandations, un algorithme doit d’abord identifier les besoins de l’utilisateur. Le terme d’IA conversationnelle est utilisé pour désigner ces processus.

Un moteur de réponse, capable d’enregistrer et d’analyser le comportement de clic et d’achat à l’aide de capteurs, joue ici un rôle central. Ce moteur a pour mission d’identifier les objectifs et les centres d’intérêt du client à partir de ses interactions avec le site e-commerce.

Différentes possibilités de dialogue

Il existe de nombreuses façons de suivre l’engagement des clients avec un site e-commerce. Ces interactions peuvent être classées sous différentes formes :

  • Réactions

Lorsque le client navigue sur un site, plusieurs types de réactions peuvent se produire. En observant ses interactions avec le contenu (clics, choix de produits, achats, etc.), il est possible de comprendre ce qu’il recherche. Une fois ces informations obtenues, vous pouvez lui proposer des contenus personnalisés adaptés à ses attentes.

  • Langage

Nous pensons naturellement au langage lorsque nous évoquons le terme « dialogue ». Cependant, le dialogue entre les humains et les machines basé sur le langage présente certaines limites. De nombreux utilisateurs d’assistants vocaux en ont déjà fait l’expérience.

Dans le contexte des sites e-commerce, le dialogue homme-machine s’établit généralement via les termes de recherche utilisés. Cela permet d’exploiter le langage pour créer un moteur de recherche personnalisé. De ce fait, une recherche de produit peut être perçue comme un système de recommandation personnalisé déclenché par une saisie linguistique.

Cela soulève la question suivante : comment les acteurs du e-commerce peuvent-ils utiliser l’engagement des clients et le dialogue pour proposer des recommandations pertinentes ? Différents systèmes peuvent être mis en place.

Systèmes de recommandation classiques (statiques)

Il existe une distinction claire entre les différents types de systèmes de recommandation pour le e-commerce. Ils se différencient principalement par les données et les méthodes employées pour identifier les suggestions pertinentes destinées aux clients.

On distingue ainsi deux grandes variantes classiques : les systèmes collaboratifs et les systèmes basés sur le contenu. En complément, les systèmes de recommandation peuvent intégrer d’autres éléments, tels que les données démographiques ou le temps passé à naviguer sur le site. Voici un aperçu des deux approches « classiques » de recommandation.

Systèmes de recommandation collaboratifs

Lorsque les clients d’un site e-commerce partagent un comportement de clic et d’achat similaire, un système de recommandation collaboratif peut être utilisé. Ce système analyse les données de différents clients et identifie des similitudes pour suggérer des produits pertinents à un groupe de consommateurs.

Les recommandations générées par ce type de système peuvent être introduites par un titre du type : « Les clients intéressés par ce produit ont également trouvé ces articles pertinents. » Cela s’explique par le fait que le système recommande des produits à plusieurs clients présentant des schémas de comportement similaires. Les algorithmes qui génèrent ces listes de produits suivent ce que l’on appelle des techniques de filtrage collaboratif.

Les systèmes de recommandation collaboratifs sont utilisés par de grands détaillants comme Amazon, entre autres. Ils constituent une méthode privilégiée lorsqu’il existe peu ou pas d’informations de personnalisation disponibles pour un client. C’est également une solution idéale lorsque le catalogue de produits ne comporte que peu de caractéristiques distinctives.

  • Avantages des systèmes collaboratifs

Dans le e-commerce, l’un des principaux atouts des systèmes de recommandation collaboratifs est qu’ils peuvent révéler des relations entre les utilisateurs et les produits qui ne sont pas immédiatement apparentes. De plus, le filtrage collaboratif peut suggérer aux clients des produits différents de leurs préférences initiales, tout en restant susceptibles de les intéresser. Cela permet de surprendre vos clients avec des recommandations inattendues.

  • Inconvénient des systèmes collaboratifs

Cependant, ces systèmes ont un inconvénient majeur, souvent appelé le problème du démarrage à froid (« cold start problem »). Ce problème se pose surtout pour les nouveaux utilisateurs ou les nouveaux produits. En effet, pour que ce type de recommandation fonctionne efficacement, il est nécessaire de disposer d’un nombre important de clients ayant des comportements similaires. Si l’engagement des clients est faible, il peut s’avérer difficile de générer des recommandations pertinentes.

Systèmes de recommandation basés sur le contenu

Contrairement aux systèmes collaboratifs, les systèmes de recommandation basés sur le contenu ne s’appuient pas sur des utilisateurs présentant des comportements similaires. Au lieu de cela, ils utilisent les attributs des produits comme point de référence. L’engagement individuel du client joue également un rôle crucial.

Les systèmes de recommandation basés sur le contenu suggèrent des articles en fonction des produits auxquels un client a montré de l’intérêt. Pour calculer ce type de recommandations, une analyse du contenu est nécessaire pour déterminer les similitudes entre les produits.

Lorsqu’on propose de telles recommandations, une introduction comme « Produits similaires de votre marque préférée » peut être utilisée.

  • Avantages des systèmes basés sur le contenu

Les systèmes de recommandation basés sur le contenu présentent des avantages et des inconvénients. Un des principaux avantages est qu’ils peuvent proposer des produits même en l’absence de clics ou d’achats sur le site. Cela permet de contourner le problème du démarrage à froid auquel les systèmes collaboratifs sont confrontés.

  • Inconvénients des systèmes basés sur le contenu

Un inconvénient de ce type de système est qu’il peut s’avérer trop spécialisé. Il manque souvent l’élément de surprise dans les recommandations, car elles se basent uniquement sur les préférences spécifiques de chaque client.

Pour illustrer cela, reprenons l’exemple de « Produits similaires de votre marque préférée ». Un client pourrait rechercher des produits qui présentent uniquement une certaine couleur, par exemple.

Cela montre à quel point il est crucial de bien comprendre l’ensemble des préférences du client. En d’autres termes, il est important de proposer une gamme étendue de facteurs de recommandation. C’est la meilleure manière de déterminer quels produits parmi les similaires intéressent réellement le client.

Systèmes de recommandation contextuels (dynamiques)

La personnalisation ne se limite plus à proposer aux clients le contenu qu’ils désirent. Les utilisateurs s’attendent de plus en plus à ce que le contenu soit présenté dans le bon contexte, c’est-à-dire dans un environnement familier et pertinent. Cela représente un défi pour les services de personnalisation.

Pour offrir aux clients des recommandations pertinentes dans un contexte qui leur convient, des informations dynamiques sont nécessaires, en plus des informations statiques (telles que les similarités entre produits). Les systèmes de recommandation contextuels traitent et intègrent ces informations supplémentaires.

Dans ce type de système, le contexte devient une donnée d’entrée supplémentaire pour affiner la recommandation. Il permet de définir ce que le client est en train de faire et où les recommandations doivent être affichées. Les informations contextuelles dynamiques et leurs interconnexions contribuent de manière significative à améliorer la qualité des recommandations.

Multiples contextes de recommandation

Dans le domaine du e-commerce, les contextes de recommandation multiples font référence aux suggestions qui vont au-delà des simples produits. Ces recommandations apparaissent généralement dans une section personnalisée du site dédiée au client. Elles permettent de maintenir l’intérêt du consommateur même après un achat.

Il est possible de présenter une variété de recommandations dans divers contextes adaptés aux préférences du client. Cela inclut des éléments interactifs et un mélange d’inspirations allant de produits similaires à du contenu éditorial et du divertissement.

Si ces recommandations sont bien contextualisées, elles incitent les clients à revenir d’eux-mêmes sur le site, renforçant ainsi leur fidélité et leur engagement. En découvrant du contenu lié à leurs marques, styles et centres d’intérêt préférés, les utilisateurs peuvent être motivés à acheter davantage de produits.

Cette approche axée sur le divertissement s’appuie sur les données déjà collectées lors des interactions précédentes du client avec le site. Elle crée une expérience globale en adéquation avec ce que le consommateur connaît déjà, établissant un environnement familier propice à l’exploration.

Contextes de recommandation individuels

Si votre site ne peut pas héberger le contenu nécessaire pour un environnement de recommandations multiples, il est crucial de se poser la question : quels sont les besoins spécifiques de mes clients ? Cela vous aidera à proposer des recommandations individualisées et parfaitement adaptées à chaque profil.

Pour illustrer l’importance de développer un environnement de recommandation approprié, examinons quelques scénarios concrets.

  • Page produit

Un visiteur de site e-commerce consulte un produit (par exemple, une casserole) sur une page de détail produit. Le client est en phase de recherche d’informations et souhaite acheter une casserole. Pour l’orienter au mieux vers le bon choix, vous pouvez afficher des produits similaires ou des articles achetés par d’autres clients. Ces recommandations peuvent être présentées sous la description du produit, via un widget de recommandation.

Screenshot from fackelmann's product detail page that displayed recommendations.
  • Overlay de validation de panier

Dans cette situation, un client ajoute un produit (par exemple, un vélo) à son panier, et un pop-up apparaît avec des suggestions de produits. À ce stade, le client est à un pas de finaliser son achat.

Il est sur le point d’acheter un vélo et l’a déjà ajouté à son panier. Dans ce contexte, il ne faut surtout pas afficher des produits similaires, car cela risque de semer le doute chez le client et de ralentir le processus d’achat.

Pour éviter de le détourner de son intention initiale, il est préférable de proposer des produits complémentaires comme un casque ou un antivol. C’est ce qu’on appelle le cross-selling, une stratégie qui vise à inspirer le client et à augmenter la valeur de son panier.

Compromis pour les recommandations individualisées

Si vous ne pouvez afficher qu’une ou deux méthodes de recommandation sur une page de détail produit, il est crucial de choisir la plus pertinente. Un exemple classique est « des produits similaires que vous pourriez aimer ». Ici, le terme « similaire » doit être pris au sens strict.

« Similaire » signifie que les produits partagent les mêmes caractéristiques que l’article consulté par le client, en tenant compte de ses préférences personnelles. Lorsqu’elles sont correctement configurées, ces recommandations augmentent la pertinence des suggestions et stimulent les ventes.

Par exemple, si un client montre un intérêt marqué pour des articles de couleur noire, d’autres produits noirs seront perçus comme très similaires. Sans cette compréhension du comportement client, la couleur du produit ne serait pas un critère pertinent pour orienter les recommandations.

Systèmes de recommandation hybrides

Il peut être nécessaire de combiner ou de moduler plusieurs systèmes de recommandation. En associant des systèmes de recommandation basés sur le contenu et des systèmes collaboratifs, il est possible de minimiser leurs inconvénients respectifs. Cela permet de générer des recommandations de haute qualité et plus pertinentes pour les clients d’un site e-commerce, et ce, plus rapidement. Lorsque cette combinaison est utilisée, on parle de système de recommandation hybride, qui garantit de meilleurs résultats.

Cependant, des recommandations véritablement pertinentes ne peuvent pas être obtenues avec un algorithme universel. Elles nécessitent une interconnexion dynamique de plusieurs algorithmes de base intelligents. La condition préalable à cette approche est l’utilisation d’un système logiciel modulaire capable de supporter ces algorithmes de manière compatible. De plus, il est indispensable que des experts puissent configurer ces architectures dynamiques en ajustant les bons paramètres.

Choisir le bon système de recommandation

Nous avons passé en revue une large gamme de systèmes de recommandation de produits pour le e-commerce, ainsi que diverses méthodes et utilisations des données. Reste la question ultime : lequel choisir pour générer des recommandations pertinentes ?

Comprendre les besoins de vos clients

Il est difficile de répondre à cette question de manière générale. Le choix du bon système de recommandation pour votre plateforme e-commerce dépend de nombreux facteurs. Les évolutions récentes montrent que des structures autrefois statiques deviennent de plus en plus dynamiques.

En outre, l’environnement d’achat prend une importance croissante. Cela signifie qu’il est indispensable de disposer d’une large sélection de produits et de contenus à proposer. La bonne stratégie de recommandation dépend de la phase du parcours client et du contexte du produit. Explorer une combinaison de différents systèmes est souvent la meilleure approche pour offrir une expérience optimale.

La connaissance experte comme condition préalable

Pour fournir des recommandations personnalisées dans le bon contexte, votre site doit s’appuyer sur une architecture logicielle adéquate, capable de combiner dynamiquement un ensemble d’algorithmes variés. Une compréhension fine de l’environnement d’achat est alors nécessaire.

La configuration de ces architectures requiert une expertise spécifique. Seuls des professionnels formés peuvent identifier les besoins des différents points de contact afin de sélectionner le système de recommandation approprié.

Ces experts sauront comment choisir le meilleur type de personnalisation en fonction du contexte. En vous appuyant sur leur expertise, vous garantissez la génération de recommandations individualisées, réellement adaptées aux attentes de vos clients.

Combinaison ciblée de différents systèmes de recommandation

Comme nous l’avons vu dans cet article, il existe plusieurs types de systèmes de recommandation, chacun avec ses avantages et ses inconvénients. Les récentes évolutions du e-commerce montrent que les structures dynamiques gagnent en importance. Les clients s’attendent désormais à recevoir des recommandations de produits dans un environnement qui leur est familier.

Pour répondre à ces attentes, il est possible de combiner plusieurs processus de recommandation de manière ciblée, en s’appuyant sur des informations contextuelles.

Étant donné la complexité de ces systèmes hybrides, l’intervention d’experts est essentielle pour assurer leur succès. En effet, ces architectures dynamiques doivent être conçues et personnalisées pour générer des recommandations de produits pertinentes.

Dans cette optique, il est crucial de bien comprendre les préférences des clients et de s’assurer que les recommandations s’adaptent aux différentes phases du parcours d’achat. Suivre ces recommandations peut avoir un impact considérable sur la présentation de contenus optimisés et, par conséquent, sur l’augmentation du chiffre d’affaires grâce à une hausse des ventes.

Abonnez-vous à
notre Newsletter

bloc Newsletter FR

AB Tasty traite et stocke vos données personnelles pour vous envoyer des communications tel que détaillé dans notre politique de confidentialité ici.

Article

2min lecture

Élection tops campagnes clients AB Tasty : et si c’était vous ?

Vous souhaitez mettre en avant les résultats de votre travail tout au long de cette année ? Vous êtes au bon endroit : nous vous proposons de clôturer l’Experience Talks Winter Edition 2024 par une remise de prix des tops campagnes de l’année.

Découvrez vite comment postuler pour recevoir le trophée « Meilleure campagne de l’année » !

Voici les catégories :
🏆 1/ Campagne la + performante
Vous avez fait décoller votre taux de clic, taux d’inscription, complétion de formulaire ou nombre de pages vues grâce à une campagne ?

🏆 2/ Campagne la + ROIste
Votre campagne a augmenté considérablement vos revenus ?

🏆 3/ Résultat le + inattendu
Vous étiez persuadé que la variation allait surperformer et ce fut un flop ? ou au contraire vous ne pensiez pas que la variation allait fonctionner ?

🏆 4/ Campagne la + innovante
Vous avez mis en place une campagne originale et innovante ? avec l’aide de widgets AB Tasty (ou non) ?

🏆 5/ Client le + engagé avec AB Tasty
À découvrir lors de l’évènement ! Un petit peu de suspens…

Il vous suffit d’envoyer à sixtine@abtasty.com les informations suivantes en adaptant selon votre campagne :
Exemple :
Catégorie : 1 (Vous pouvez postuler pour plusieurs catégories)
Nom de la campagne : « Accès checkout »
Hypothèse : « Donner de la visibilité sur la disponibilité des produits selon les modes de livraison et ainsi augmenter le taux de passage vers le checkout »
Résultat : « +8% de taux de conversion » (AOV,CTR,PM, etc.)
Envoyer les visuels des variations

Le jury AB Tasty sélectionnera les meilleures campagnes et les présentera le 3 décembre prochain à 17h30 lors de l’Experience Talks. Il y aura 3 gagnants par catégorie !

L’Experience Talks est l’événement de référence dédié à l’experience client et est limité à 200 décisionnaires du digital, dans la limite de deux personnes par entreprise. Chaque profil sera validé selon ces critères.

Vous n’êtes pas encore inscrits ? Demandez votre place ici .