Recommandez-vous les moteurs de recommandation ?

Dans les entreprises, le problème de l’aiguille dans la botte de foin est un défi constant. Les moteurs de recommandation sont là pour aider à relever ce défi. 

Dans le commerce électronique et la vente au détail, vous offrez des centaines ou des milliers de produits. Lequel de ces produits est le plus adapté à vos clients?

Dans les ventes et le marketing, vous avez un grand nombre de prospects dans votre pipeline. Cependant, vous n’avez que quelques heures par jour. Vous êtes donc confronté au défi de décider où concentrer vos efforts.

Il existe une technologie spécialisée alimentée par l’IA et les Big Data, qui rend ces défis beaucoup plus faciles à gérer, les moteurs de recommandation.

Qu’est-ce qu’un système de recommandation?

Dans ses termes les plus simples, un moteur de recommandation trie à travers de nombreux éléments et prédit la sélection la plus pertinente pour l’utilisateur. Pour les consommateurs, le moteur de recommandation de produits d’Amazon (AMZN ) est un exemple familier. Dans le monde du divertissement, Netflix (NFLX ) a travaillé dur pour développer son moteur. Le moteur de recommandation de Netflix a apporté des bénéfices significatifs :

« [Le système de recommandation sophistiqué de Netflix] et l’expérience utilisateur personnalisée lui ont permis d’économiser 1 milliard de dollars par an grâce à la réduction des annulations de service. » – Le ROI des moteurs de recommandation pour le marketing

Du point de vue de l’utilisateur final, il est souvent difficile de comprendre comment fonctionnent les moteurs de recommandation. Nous allons lever le rideau et expliquer comment ils fonctionnent, en commençant par l’ingrédient clé : les données.

Moteurs de recommandation : Quelles données utilisent-ils?

Les données nécessaires pour un moteur de recommandation dépendent de votre objectif. Supposons que votre objectif soit d’augmenter les ventes dans une entreprise de commerce électronique. Dans ce cas, les données minimales requises tomberaient dans deux catégories : une base de données de produits et le comportement de l’utilisateur final. Pour illustrer comment cela fonctionne, regardons cet exemple simple.

• Entreprise : USB Accessories, Inc. L’entreprise se spécialise dans la vente d’accessoires et de produits USB tels que des câbles, des clés USB et des concentrateurs à des consommateurs et des entreprises.
• Données de produit. Pour garder le moteur de recommandation initial simple, l’entreprise le limite à 100 produits.
• Données utilisateur. Dans le cas d’un magasin en ligne, les données utilisateur incluront des informations d’analyse de site Web, de marketing par e-mail et d’autres sources. Par exemple, vous pouvez constater que 50 % des clients qui achètent un disque dur externe achètent également des câbles USB.
• Sortie de recommandation. Dans ce cas, votre moteur de recommandation peut générer une recommandation (ou un code de réduction) pour les acheteurs de disques durs pour les inciter à acheter des câbles USB.

Dans la pratique, les meilleurs moteurs de recommandation utilisent beaucoup plus de données. En règle générale, les moteurs de recommandation produisent de meilleurs résultats commerciaux lorsqu’ils disposent d’un grand volume de données à utiliser.

Comment les moteurs de recommandation utilisent-ils vos données?

De nombreux moteurs de recommandation utilisent une poignée de techniques pour traiter vos données.

Filtrage basé sur le contenu

Ce type d’algorithme de recommandation combine les préférences de l’utilisateur et tente de recommander des éléments similaires. Dans ce cas, le moteur se concentre sur le produit et met en évidence des éléments associés. Ce type de moteur de recommandation est relativement simple à construire. Il constitue un bon point de départ pour les entreprises disposant de peu de données.

Filtrage collaboratif

Avez-vous déjà demandé à quelqu’un d’autre une recommandation avant de faire un achat ? Ou avez-vous considéré des avis en ligne dans votre processus d’achat ? Si c’est le cas, vous avez déjà expérimenté le filtrage collaboratif. Les moteurs de recommandation plus avancés analysent les avis des utilisateurs, les évaluations et d’autres contenus générés par les utilisateurs pour produire des suggestions pertinentes. Cette stratégie de moteur de recommandation est puissante car elle exploite la preuve sociale.

Recommandateurs hybrides

Les moteurs de recommandation hybrides combinent deux méthodes de recommandation ou plus pour produire de meilleurs résultats. En revenant à l’exemple de commerce électronique ci-dessus, supposons que vous ayez acquis des avis et des évaluations des utilisateurs (par exemple, 1 à 5 étoiles) au cours de la dernière année. Vous pouvez maintenant utiliser à la fois le filtrage basé sur le contenu et le filtrage collaboratif pour présenter des recommandations. Combiner avec succès plusieurs moteurs de recommandation ou algorithmes nécessite généralement des expériences. C’est pourquoi il est préférable de le considérer comme une stratégie relativement avancée.

Un moteur de recommandation n’est réussi que si vous le nourrissez avec des données de haute qualité. Il ne peut pas non plus fonctionner efficacement si vous avez des erreurs ou des informations obsolètes dans votre base de données d’entreprise. C’est pourquoi vous devez investir des ressources dans la qualité des données de manière continue.

Études de cas : 

Hiring Automated : notation des candidats

Il y a plus de 50 candidats en moyenne par offre d’emploi, selon les recherches de Jobvite. Pour les services des ressources humaines et les managers, ce volume de candidats crée une énorme quantité de travail. Pour simplifier le processus, Blue Orange a mis en œuvre un moteur de recommandation pour un fonds spéculatif Fortune 500. Ce projet d’automatisation des ressources humaines a aidé l’entreprise à classer les candidats de manière standardisée. En utilisant dix ans de données sur les candidats et les CV, l’entreprise dispose maintenant d’un modèle de notation sophistiqué pour trouver des candidats adaptés.

Un fonds spéculatif de New York City devait analyser des CV qui étaient incohérents et nécessitaient une amélioration du processus de recrutement. Même la meilleure analyse de CV laisse des données désorganisées et non structurées. Ensuite, à mesure qu’un candidat progresse dans le processus de candidature, les humains interviennent. Ajoutez aux données des textes libres d’examen du candidat et des biais linguistiques et personnels. De plus, chaque source de données est cloisonnée, ce qui limite les opportunités d’analyse.

Approche : Après avoir évalué les processus de recrutement de plusieurs entreprises, nous avons trouvé trois opportunités constantes pour améliorer systématiquement les résultats du recrutement en utilisant l’apprentissage automatique NLP. Les domaines problématiques sont : la structuration correcte des données de CV des candidats, l’évaluation de l’adéquation au poste et la réduction des préjugés de recrutement humain. Avec un ensemble de données nettoyé et structuré, nous avons pu effectuer à la fois l’analyse des sentiments sur le texte et la détection de la subjectivité pour réduire les préjugés des candidats dans l’évaluation humaine.

Résultats : En utilisant des classifyeurs de détection de mots clés, la reconnaissance optique des caractères et les moteurs NLP basés sur le cloud, nous avons pu nettoyer le texte et le convertir en données relationnelles. Avec des données structurées, nous avons fourni un tableau de bord d’analyse commerciale interactif et recherchable dans AWS QuickSight.

Commerce électronique : Zageno Medical Supplies

Un autre exemple de mise en œuvre de moteurs de recommandation dans le monde réel vient de Zageno. Zageno est une entreprise de commerce électronique qui fait pour les scientifiques de laboratoire ce qu’Amazon fait pour le reste d’entre nous. La particularité est que les besoins des scientifiques de laboratoire sont précis, donc les fournitures achetées pour leurs recherches doivent l’être également. Les citations ci-dessous sont de notre entretien avec Zageno et mettent en évidence comment ils utilisent les moteurs de recommandation pour livrer les fournitures les plus précises aux scientifiques de laboratoire. 

Q&A : Blue Orange Digital interviewe Zageno

Question :
Comment votre entreprise a-t-elle utilisé un moteur de recommandation et quels résultats avez-vous constatés ?

Réponse :

Il existe deux exemples de moteurs de recommandation que ZAGENO emploie pour ses clients scientifiques. Pour les expliquer, nous avons estimé qu’il était préférable de les énumérer.

• ZAGENO’s Scientific Score:
  • Le Scientific Score de ZAGENO est un système d’évaluation de produits complet, spécifiquement développé pour évaluer les produits de recherche. Il intègre plusieurs aspects des données de produit, provenant de multiples sources, pour équiper les scientifiques d’une évaluation de produit sophistiquée et impartiale pour prendre des décisions d’achat précises.
  • Nous appliquons des algorithmes d’apprentissage automatique sophistiqués pour associer, regrouper et catégoriser avec précision des millions de produits. Le Scientific Score prend en compte ces catégorisations, car la note de chaque produit est calculée par rapport à celles de la même catégorie. Le résultat est un système d’évaluation que les scientifiques peuvent faire confiance — l’un qui est spécifique à la fois au type de produit et à son application.
  • Les évaluations de produits standard sont utiles pour évaluer rapidement les produits, mais elles sont souvent biaisées et peu fiables, en raison de leur dépendance à l’égard d’avis inconnus ou d’une seule métrique (par exemple, les publications). Elles fournissent également peu de détails sur le contexte expérimental ou l’application. Le Scientific Score utilise une méthodologie scientifique pour évaluer de manière objective et complète les produits de recherche. Il combine toutes les informations de produit nécessaires et pertinentes en une seule note de 0 à 10 pour aider nos clients à décider quel produit acheter et utiliser pour leur application — ce qui leur permet d’économiser des heures de recherche de produits.
  • Pour nous assurer qu’aucun facteur unique ne domine, nous ajoutons des points de coupure et donnons plus de poids aux contributions récentes. Le grand nombre de facteurs que nous prenons en compte élimine virtuellement toute opportunité de manipulation. En conséquence, notre note est une mesure objective de la qualité et de la quantité des informations de produit disponibles, ce qui soutient les décisions d’achat de nos clients.
• Produits alternatifs :
  • Les produits alternatifs sont définis par les mêmes valeurs pour les attributs clés ; les attributs clés sont définis pour chaque catégorie pour tenir compte des caractéristiques de produit spécifiques.
  • Nous travaillons à l’augmentation des données et des attributs sous-jacents et à l’amélioration de l’algorithme pour améliorer les suggestions
  • Les suggestions de produits alternatifs sont destinées à aider à la fois les scientifiques et les services d’approvisionnement à considérer et à évaluer des produits potentiels qu’ils n’auraient peut-être pas considérés ou connus autrement
  • Les produits alternatifs sont définis uniquement par les caractéristiques de produit et sont indépendants des fournisseurs, de la marque ou d’autres données commerciales

Recommandez-vous les systèmes de recommandation ? 

« Oui, mais assurez-vous d’utiliser les bonnes données pour baser vos recommandations sur la qualité et la quantité qui reflètent les attentes réelles des utilisateurs. Créez de la transparence, car personne, en particulier les scientifiques, ne fera confiance ou ne se fiera à une boîte noire. Partagez avec vos utilisateurs les informations utilisées, comment elles sont pondérées et continuez à apprendre pour améliorer continuellement. Enfin, complétez le cycle en collectant les commentaires des utilisateurs que vous avez collectés et en les réintégrant dans le système. » – Zageno

Le pouvoir des moteurs de recommandation n’a jamais été plus grand. Comme le montrent des géants comme Amazon et Netflix, les recommandateurs peuvent être directement responsables de l’augmentation des revenus et des taux de rétention des clients. Des entreprises comme Zageno montrent que vous n’avez pas besoin d’être une entreprise massive pour exploiter le pouvoir des recommandateurs. Les avantages des moteurs de recommandation s’étendent à de nombreuses industries, du commerce électronique aux ressources humaines. 

La façon rapide d’apporter les moteurs de recommandation à votre entreprise

Développer un moteur de recommandation nécessite une expertise en données. Votre équipe IT interne peut ne pas avoir la capacité de le développer. Si vous voulez profiter des avantages de rétention des clients et d’efficacité des moteurs de recommandation, vous n’avez pas à attendre que l’IT soit moins occupé. Laissez-nous un message et faites-nous savoir. L’équipe de sciences des données de Blue Orange Digital est heureuse de faire fonctionner les recommandateurs pour votre bénéfice également !

source d’image principale : Canva