Optimisez les recommandations de produits grâce à l'IA

Grâce à l'abondance de données et aux algorithmes d'apprentissage automatique sophistiqués, les outils de recommandation de produits ont connu des progrès fulgurants. Les recommandations de l'IA sont aujourd'hui bien plus dynamiques, précises et prédictives qu'il y a quelques années.

Et ces progrès portent leurs fruits. Une étude de McKinsey montre que les sites qui ont investi dans la personnalisation génèrent des revenus supérieurs de 40 % à ceux qui ne l'ont pas fait.

À mesure que de plus en plus de sites web exploitent l'IA pour personnaliser l'expérience de chaque client, les visiteurs s'attendent de plus en plus à des recommandations à chaque étape de leur recherche et de leur découverte.

Le même rapport McKinsey indique que
71 % des clients partagent cette attente. Lorsque les expériences ne sont pas personnalisées, 76 % des acheteurs expriment leur frustration.

Cela signifie que les sites qui tardent à adopter le système de recommandations – ou dont les recommandations sont erronées – risquent d'éroder la confiance des clients ou de perdre des clients au profit d'un site concurrent.

Aujourd'hui, les entreprises ne peuvent se permettre de perdre des clients, quelle qu'en soit la raison. La personnalisation, grâce à des recommandations de produits de qualité, est le meilleur moyen de fidéliser les visiteurs d'un site web, de les engager et de les convertir.

Dans cet e-book, nous vous proposons un aperçu des recommandations basées sur l'IA et expliquons comment elles génèrent des prédictions de contenu personnalisées. Nous levons le voile sur les modèles de recommandation et démontrons comment l'IA améliore leurs capacités de reconnaissance des formes et de prédiction. Enfin, nous vous montrerons comment le déploiement de recommandations pilotées par l'IA renforce les liens entre les marques et leurs clients, ce qui se traduit par une augmentation des conversions et des commandes plus importantes.

Systèmes recommandés : anciens et actuels

Lorsqu'on navigue sur des sites web et des applications, on a généralement une idée de ce qu'on cherche. Mais personne n'a le temps de tout regarder. Les systèmes de recommandation ont été conçus pour aider les clients et stimuler l'activité commerciale en ciblant les options d'achat pour chaque visiteur.

Les modèles de recommandation fonctionnent en créant des profils d'utilisateurs basés sur leurs habitudes de navigation et leurs préférences, à partir de leur activité passée. Ces profils sont ensuite comparés et associés aux attributs des articles et à d'autres interactions avec le site afin de prédire les besoins de l'utilisateur.

Historiquement, les modèles de recommandation évaluaient les actions et les évaluations immédiates des utilisateurs : par exemple, ce sur quoi ils cliquaient ou non et comment ils évaluaient les produits.

Si un utilisateur visitait un site d'actualités proposant des dizaines d'articles ou une librairie en ligne avec des milliers de références, un système de recommandation lui indiquerait les articles ou les livres les plus appréciés. Bien que ce modèle prenne en compte l'activité de l'utilisateur, il s'agissait souvent d'un simple concours de popularité. Certains articles se démarquaient, mais sans être adaptés aux goûts individuels.

Cette technique incitait les visiteurs à explorer le site, mais était difficile à généraliser. Un site web a toujours un article « le plus populaire », mais tous les acheteurs ne le recherchent pas. Avec le développement d'Internet et l'essor du e-commerce, les recommandations ont évolué. Amazon a fait une entrée fracassante sur ce marché avec l'un des systèmes de recommandation les plus connus – et les plus lucratifs.

Lorsqu'un client recherchait un nouvel article, le système analysait ses achats précédents et établissait une liste d'articles « associés » en fonction des probabilités différentielles. L'article B était associé à l'article A si les personnes ayant acheté A étaient plus susceptibles d'acheter B que le client Amazon moyen.

Suite à leur première expérience d'achat, lorsqu'ils retournaient sur Amazon, les clients découvraient de nouvelles suggestions en lien avec leurs recherches précédentes. Cette technique a profondément transformé le commerce électronique, si bien que, des décennies plus tard, les recommandations sont devenues un élément incontournable des sites web, applications et autres plateformes de services numériques.

Les données à l'origine des suggestions de l'IA

L'intelligence artificielle (IA) atteint chaque jour de nouveaux sommets et nous émerveille par ses capacités. Si le principe fondamental des anciens systèmes de recommandation demeure inchangé, ils sont désormais enrichis par des techniques d'apprentissage automatique sophistiquées qui traitent davantage de données et de paramètres grâce à des réseaux neuronaux conçus pour imiter les schémas d'apprentissage humains.

Les données alimentent les recommandations. Lorsqu'un utilisateur consulte des sites web ou des applications, il clique, regarde, fait une pause, réfléchit et décide de consulter ou d'acheter. Ces actions se traduisent par des habitudes comportementales et révèlent ses centres d'intérêt et ses préférences, autant d'éléments qui permettent une analyse plus approfondie, une comparaison et une mise en relation optimales.

Grâce aux données collectées auprès d'un maximum de points de contact, des profils clients individuels et de groupe sont établis, servant de base à des recommandations de haute qualité.

Outre les données démographiques, les données essentielles relatives à l'activité des utilisateurs comprennent :

• Clics
• Historique de navigation
• Historique des achats
• Parcours de navigation
• Termes de recherche
• Durée totale de la session
• Temps passé à parcourir les articles individuels
• Nombre de fois où l'on retourne au même contenu

Les données produits font également partie de l'analyse. Afin de compléter les profils clients et de formuler des recommandations pertinentes, l'IA analyse les descriptions de produits, les catégories sur lesquelles les utilisateurs cliquent le plus souvent et prend en compte les prix habituels.

Les meilleurs systèmes de recommandation recueillent et analysent également des informations contextuelles. L'heure, la saisonnalité, les détails géographiques et la météo locale sont des attributs importants qui indiquent ce que les utilisateurs recherchent et permettent de personnaliser les suggestions de produits. Une personne cherchant un parapluie un jour de pluie a besoin de recommandations pour les articles en stock et disponibles à proximité.

Les données relatives aux appareils peuvent également fournir des indications sur les intentions d'achat et permettre d'élaborer des recommandations plus pertinentes. Les recherches mobiles sont associées à des achats plus rapides et impulsifs, tandis que la navigation sur ordinateur tend à impliquer des recherches plus approfondies et plus longues pour les articles plus chers.

Les avantages des recommandations de l'IA

Le pouvoir prédictif mis à profit pour la personnalisation a un impact durable sur la relation client. Lorsqu'un site web propose automatiquement du contenu susceptible de vous intéresser, vous avez l'impression que la marque vous comprend. Une librairie en ligne peut analyser des milliers de sessions de navigation et d'achats antérieurs pour déterminer que les fans de 1984 de George Orwell apprécieront sans doute une recommandation pour Fahrenheit 451 de Ray Bradbury. Ce pouvoir prédictif contribue à fidéliser durablement la clientèle.

De plus, une expérience personnalisée est une exigence croissante des clients. Selon une enquête, 45 % des répondants ont déclaré qu'ils quitteraient un site en raison d'un manque de personnalisation.

 Les recommandations de l'IA fournissent :

• Meilleure implication
  Lors d'une visite ultérieure, si un client découvre un carrousel d'images intitulé « D'après les articles récemment consultés », cela l'incite à passer plus de temps à parcourir le site. Ce carrousel l'amène à explorer des produits complémentaires à ses achats précédents, augmentant ainsi la probabilité d'une nouvelle conversion.
• Amélioration de la fidélisation de la clientèle
  Les statistiques montrent que 56 % des clients sont susceptibles de revenir sur un site web qui leur propose des recommandations de produits. Lorsque l'IA personnalise ces recommandations en fonction des goûts uniques de chaque client, la fidélité de ce dernier s'en trouve renforcée.
• Amélioration continue
  La collecte de données utilisateur profite non seulement aux algorithmes d'apprentissage automatique et améliore les recommandations, mais elle permet également d'optimiser les processus commerciaux et de merchandising. Elle vous aide ainsi à affiner votre offre de produits, à concevoir des campagnes marketing plus efficaces et à prendre des décisions éclairées concernant vos stocks.
• Découverte plus approfondie
  Les consommateurs ne savent pas toujours ce qui est disponible. Les recommandations de l'IA optimisent la découverte du catalogue. Lorsqu'ils découvrent de nouveaux articles et des informations pertinentes, leur expérience est mémorable. Ils fidéliseront un site ou une application qui leur offre une plateforme de découverte fiable.

Recommandations de l'IA au-delà du e-commerce

Bien que l'utilisation de l'IA pour personnaliser les recommandations soit surtout connue sur les sites de vente au détail, cette technique est facilement applicable à d'autres contextes B2C, B2B et d'entreprise.

• FAQ et ressources pédagogiques : Aidez les utilisateurs à trouver plus rapidement des informations sur les sujets qui les intéressent grâce aux recommandations de l’IA.
• Navigation multimédia : Utilisez les recommandations de l’IA pour trouver des suggestions de lecture, de streaming ou d’écoute.
• Plateformes sociales : Aidez les visiteurs de votre site à naviguer sur les plateformes sociales en leur suggérant des comptes à suivre ou des sujets à explorer, grâce à l’analyse par IA de leurs mentions « J’aime », vues et interactions passées.
• Recherche d'entreprise : analysez l'activité du site pour prédire les besoins de vos employés et formuler des recommandations basées sur l'IA afin de les aider à travailler plus efficacement.

L'IA booste vos résultats

Le succès d'Amazon sur le marché depuis des décennies démontre l'impact positif des recommandations en constante amélioration sur le chiffre d'affaires. Plus récemment, une étude de Barilliance a révélé que les recommandations basées sur l'IA représentaient un impressionnant 31 % des revenus du e-commerce. Grâce à un système de recommandation basé sur l'apprentissage automatique, l'ajout d'une barre latérale « Articles de votre liste de souhaits » ou d'une fenêtre « Produits fréquemment achetés ensemble » au moment du paiement peut transformer radicalement la rentabilité de votre site.

Des recommandations de meilleure qualité se traduisent concrètement par une augmentation des profits grâce à une hausse des conversions et du panier moyen. Si votre plateforme propose une suggestion pertinente, elle augmente la probabilité que votre client achète des articles supplémentaires.

• « Tu achètes un sweat-shirt du campus ? Les étudiants comme toi achètent aussi des pantalons de survêtement ! »
• « Vous aimez le beurre de cacahuète ? Essayez notre gelée artisanale en petites quantités. »
• « Vous achetez une serviette de plage ? N’oubliez pas la crème solaire à large spectre. »

À l'instar de ces exemples, les recommandations constituent des opportunités de vente croisée. Plus vos recommandations génèrent de conversions en ventes croisées, plus votre marge bénéficiaire augmente.

Lorsqu'un client s'attarde sur un article ou l'ajoute à son panier, c'est le moment idéal pour lui présenter davantage de produits de votre catalogue. Les recommandations basées sur l'IA lui suggèrent des articles similaires ou complémentaires achetés par d'autres clients, des produits qui élargissent sa recherche au-delà de ses critères initiaux, ainsi que des articles pertinents qui s'accordent avec ceux déjà présents dans son panier.

Il a été démontré que les recommandations basées sur l'IA génèrent un engagement significatif. Sur Netflix, 80 % du temps de visionnage est généré par les recommandations. Les chercheurs de Netflix attribuent un chiffre d'affaires annuel d'un milliard de dollars à la combinaison unique de personnalisation et de recommandations. En tirant parti des capacités d'IA existantes grâce aux recommandations, votre organisation peut obtenir des résultats similaires.

Prochaine étape : recommandations IA d’un leader de la recherche sur site

À mesure que l'IA évolue et que les entreprises exploitent ses avantages, cette technologie est passée d'une tendance à un impératif commercial. De même, les recommandations basées sur l'IA ne peuvent plus être considérées comme un luxe superflu pour un site web ou une application, mais comme une fonctionnalité essentielle pour garantir la satisfaction client à chaque étape de son parcours de recherche et de découverte.

Les recommandations IA de la plateforme API-first d'Algolia offrent une découverte de produits quasi instantanée, évolutive au rythme de la croissance et de l'évolution de votre catalogue et de votre clientèle. Nous accompagnons plus de 17 000 organisations à travers le monde dans le traitement de 1 700 milliards de recherches.

Les utilisateurs de nos outils de recommandation dynamiques ont constaté une amélioration spectaculaire des indicateurs clés de performance suivants :

+150% de la valeur d'achat
+13 % de conversion globale du site
-24 % de taux de rebond

Comment l'IA améliore les recommandations de contenu

Les systèmes de recommandation basés sur l'IA utilisent des algorithmes pour générer des modèles statistiques prédictifs qui anticipent le comportement des utilisateurs. L'apprentissage automatique identifie des tendances dans l'activité des consommateurs et fournit des informations sur les liens entre les personnes et les produits. Plus les modèles statistiques sont précis et détaillés, plus ils permettent de cerner et de prédire avec exactitude les intérêts et les besoins de chaque client.

L'IA tient compte du contexte et n'arrête jamais d'apprendre.

Les systèmes de recommandation basés sur l'IA ne se contentent pas de traiter des données complexes et de fournir des résultats pertinents ; ils s'améliorent également au fil du temps. L'intégration constante de nouvelles données utilisateur permet aux algorithmes d'IA de prendre en compte le contexte et d'apprendre et de s'adapter en permanence. Les modèles prédictifs évoluent sans cesse pour tenir compte des intérêts changeants des utilisateurs, des tendances et des différents contextes d'achat.

Conscience du contexte

Lorsqu'une cliente canadienne recherche des maillots de bain en hiver, l'IA peut corréler sa recherche avec des articles liés aux vacances et lui suggérer des accessoires de voyage, comme des sacs ou des oreillers de voyage. Si une cliente à Hawaï recherche des maillots de bain, l'IA génère un modèle statistique tenant compte du climat tropical et recommande des produits complémentaires tels que de la crème solaire, des tongs ou des lunettes de soleil.

Apprentissage continu

Lorsqu'un client qui achetait auparavant des pantalons et des blazers de style décontracté chic commence à s'intéresser aux combinaisons décontractées, le moteur de recommandation basé sur l'IA détecte instantanément son nouveau centre d'intérêt. Le modèle prédictif s'adapte alors automatiquement pour inclure des combinaisons et des salopettes parmi les suggestions de produits.

L'IA découvre des informations que vous ne pouvez pas voir.

Un système de recommandation basé sur l'IA peut instantanément détecter qu'un nombre important de personnes achetant un article achètent également des articles similaires. Mais les algorithmes d'IA ne se contentent pas d'identifier plus rapidement les interactions de qualité. Ils peuvent révéler des tendances surprenantes et des corrélations inattendues que même les équipes marketing les plus expérimentées ne parviennent pas à déceler.

L'IA comprend l'intention de l'utilisateur

L'un des principaux atouts de l'IA réside dans sa capacité à comprendre le langage naturel. Les grands modèles de langage (LLM) peuvent identifier les sentiments et les thèmes des utilisateurs dans leurs requêtes de recherche, quels que soient les mots employés et malgré les fautes de frappe. Trois acheteurs pourraient tout aussi bien avoir en tête un t-shirt à manches courtes lorsqu'ils saisissent respectivement « haut mignon », « t-shirt décontracté » ou « t-shirt femme » dans la barre de recherche. Malgré ces différences de formulation, les systèmes de recommandation basés sur l'IA savent ce que chaque utilisateur souhaite voir et lui proposent un contenu pertinent.

À l'inverse, il arrive que les utilisateurs sachent ce qu'ils cherchent, mais n'aient pas les mots pour le décrire. Les modèles d'apprentissage automatique, entraînés sur l'historique de recherche et les données démographiques des clients, permettent aux algorithmes d'IA de prédire leurs besoins et de leur faire des suggestions, même à partir de descriptions textuelles vagues et incomplètes.

Que contient un système de recommandation hybride basé sur l'IA ?

Lorsque des données abondantes sont disponibles, les systèmes de recommandation utilisent un filtrage précis et efficace. Les modèles de recommandation peuvent aborder le problème selon deux axes différents, en privilégiant différentes catégories de données. Le premier modèle, le filtrage collaboratif, collecte des données sur l'activité et les préférences d'un utilisateur et effectue des prédictions en se basant sur des comparaisons avec des groupes d'utilisateurs similaires. Si un nouvel utilisateur partage les mêmes préférences et comportements que les acheteurs du groupe A, et que ces derniers ont tous acheté une certaine paire de boucles d'oreilles créoles en or, il y a de fortes chances que ce nouvel utilisateur souhaite également voir ces boucles d'oreilles.

Le second modèle, le filtrage par contenu, se concentre sur les articles du catalogue eux-mêmes, ainsi que sur leurs descriptions et leurs caractéristiques. Ce type de filtrage organise les articles en groupes selon des caractéristiques similaires, telles que la catégorie, le genre, la couleur, le style, l'auteur, etc. Les recommandations sont basées sur les interactions des utilisateurs avec les articles présentant des mots-clés descriptifs ou des attributs de métadonnées similaires.

 « Si vous aimez La Reine des neiges de Walt Disney, vous pourriez aussi aimer Vaiana » est un exemple de filtrage basé sur le contenu .

Ces modèles présentent le même inconvénient lors du « démarrage à froid », à savoir le manque d'informations sur les nouveaux utilisateurs. Pour formuler des recommandations personnalisées, il est nécessaire de disposer de données préliminaires. Afin de pallier ce problème, de nombreuses marques collectent des données initiales simples dès l'arrivée d'un utilisateur sur leur site, dans le but de l'intégrer à un groupe cible et de lancer l'analyse d'apprentissage automatique.

Les moteurs de recommandation d'IA les plus performants adoptent une approche hybride. Ils combinent filtrage collaboratif, filtrage basé sur le contenu et IA. Les modèles hybrides personnalisent les suggestions en fonction des préférences et de l'historique d'activité de l'utilisateur afin de recommander des contenus pertinents. Netflix est un exemple emblématique de cette approche hybride. Parmi des milliers de programmes disponibles, la plateforme formule des recommandations qui mettent en relation l'historique de visionnage de l'abonné (filtrage collaboratif) avec des regroupements de contenus selon leurs similarités (filtrage basé sur le contenu).