Pourquoi les systèmes de recommandation sont-ils utiles en dehors des géants du numérique ?
Les systèmes de recommandation comptent pour toute entreprise dont l’offre dépasse ce qu’un client peut parcourir, car ce que le système affiche en premier détermine largement ce qui est vu, acheté et réapprovisionné.
Prenez une boutique en ligne fictive de fournitures pour loisirs créatifs, Willowmere Crafts, qui propose environ 4,000 produits et compte une équipe de 15 personnes. Hana, la responsable du commerce en ligne, a reçu une réclamation de l’équipe des achats et un rapport de l’agence qui a mis en place l’encart 'Vous aimerez peut-être aussi'. Ses notes indiquent : 'les mêmes 40 produits sont recommandés sur presque toutes les pages. la nouvelle gamme de fils de printemps (220 articles) n’a pratiquement jamais été affichée dans les recommandations en 3 semaines. les clients qui reviennent reçoivent de bonnes suggestions, les nouveaux visiteurs des suggestions apparemment aléatoires. les marques d’artisans indépendants disent ne jamais apparaître.' Elle doit expliquer au fondateur ce qui se passe avant de demander des modifications à l’agence.
Comment les systèmes de recommandation décident-ils de ce qu’ils affichent ?
La plupart des systèmes de recommandation utilisent le filtrage fondé sur le contenu, le filtrage collaboratif ou un mélange des deux. La différence tient à ce qu’ils comparent : des éléments entre eux ou des personnes entre elles.
Filtrage fondé sur le contenu
Recommande des articles similaires à ceux qu’une personne aime déjà, à partir de leurs caractéristiques. Un client qui a acheté de la grosse laine mérinos bleu canard se voit proposer d’autres grosses laines et des fils bleu canard. Cette approche ne nécessite aucune donnée sur les autres clients, mais sa qualité dépend des caractéristiques définies pour les articles, et elle propose rarement quelque chose qui sort des goûts habituels de la personne.
Filtrage collaboratif
Recommande ce que des personnes au profil similaire ont aimé. Si les clients qui ont acheté un kit de tricot pour débutants ont souvent ensuite acheté des anneaux marqueurs et un livre de modèles, ces articles sont proposés à tout nouvel acheteur du kit. Cette approche peut trouver des suggestions inattendues mais utiles et ne nécessite aucune description des articles, mais elle dépend d’un historique d’interactions.
Systèmes hybrides
Combinez les deux, souvent à l'aide de règles simples comme l'exclusion des articles en rupture de stock, afin que chaque approche compense les points faibles de l'autre.
Qu’est-ce que le problème du démarrage à froid ?
Le problème du démarrage à froid tient au fait qu’un système de recommandation a du mal à traiter les nouveaux articles et les nouveaux utilisateurs, faute d’historique d’interactions les concernant. Le filtrage collaboratif, en particulier, ne peut pas situer un article que personne n’a encore acheté ni consulté : c’est exactement ce qui est arrivé à la gamme printanière de fils à tricoter de Willowmere. Il dispose aussi de peu d’éléments pour un visiteur qui vient pour la première fois.
Les solutions courantes consistent à utiliser la similarité fondée sur le contenu pour les nouveaux articles, à estimer les caractéristiques d'un nouvel article à partir d'autres articles de la même catégorie ou du même fabricant, à présenter aux nouveaux visiteurs une sélection volontairement variée d'articles populaires et à poser une ou deux questions rapides sur leurs préférences lorsque cela convient à la boutique.
Comment apparaissent les boucles de rétroaction et les problèmes d’équité ?
Une boucle de rétroaction apparaît lorsque le système apprend à partir des clics sur les articles qu’il a choisi d’afficher : les articles souvent affichés reçoivent davantage de clics, ce qui conduit à les afficher encore plus. Au fil du temps, un petit ensemble de produits populaires éclipse tous les autres, comme les 40 produits de Willowmere, tandis que les articles jamais affichés n’ont jamais l’occasion de faire leurs preuves.
Des questions d’équité se posent alors directement. Si les produits de fabricants indépendants disposent au départ de moins de données historiques, cette boucle peut les maintenir dans l’ombre, quelle que soit leur qualité, et réduire le choix des clients. Pour y remédier, on peut réserver quelques emplacements de recommandation aux articles plus récents ou moins visibles, mesurer la visibilité par fabricant et par catégorie plutôt que de se limiter au nombre total de clics, et renouveler les données d’entraînement du modèle pour qu’il n’apprenne pas uniquement de ses propres choix passés.
À quoi ressemble une demande à l’agence insuffisante ou améliorée ?
Une demande peu précise dit : 'Les recommandations ne fonctionnent pas, veuillez les améliorer.' L’agence risque simplement de réentraîner le modèle avec davantage de données de clics du même type, ce qui renforce la boucle.
Une demande améliorée indique : 'Notre module semble s’appuyer uniquement sur l’historique d’achat. Veuillez (1) utiliser les caractéristiques des produits, telles que la fibre, le poids, la couleur et la technique de fabrication, pour recommander les nouveaux articles tant qu’ils n’ont pas un historique suffisant ; (2) montrer aux nouveaux visiteurs une sélection variée couvrant plusieurs catégories plutôt qu’une seule liste des meilleures ventes ; (3) réserver deux des huit emplacements aux articles peu visibles au cours des 30 derniers jours ; (4) présenter chaque mois la part des affichages de recommandations par fabricant et par ancienneté du produit ; et (5) tester les changements par rapport au module actuel en répartissant les visiteurs entre les deux versions et en mesurant les commandes, pas seulement les clics.' Hana peut désormais juger si le travail a été fait.
Comment vérifier que les recommandations fonctionnent ?
Vérifiez les recommandations en examinant, au-delà des clics, les commandes, les retours et la répartition de la visibilité entre les produits et les fournisseurs. Un encart qui augmente les clics sur quelques meilleures ventes tout en masquant les nouvelles gammes peut nuire à l’entreprise. Comparez les changements à un groupe témoin de visiteurs qui voient l’ancienne version : les recommandations affichées pendant des soldes ou une période de fêtes sembleront plus performantes, quel que soit le modèle.
Quelles sont les erreurs courantes avec les systèmes de recommandation ?
L’erreur la plus courante est d’optimiser uniquement les clics, ce qui favorise les éléments accrocheurs et renforce la boucle de rétroaction. Autres erreurs : lancer une nouvelle gamme sans caractéristiques de contenu, ce qui la pénalise au démarrage faute de données ; mesurer la réussite en comparant l’avant et l’après sans groupe témoin ; ignorer quels fournisseurs ou catégories n’apparaissent jamais ; et utiliser des données personnelles pour les recommandations sans en informer les clients dans la notice de confidentialité.
Où se situe cette leçon dans Tosheo.ai ?
Cette leçon fait partie de la catégorie Apprentissage automatique du cours d’apprentissage automatique, après les leçons sur la manière dont les modèles apprennent et sont évalués. Dans Tosheo.ai, l’exercice pratique vous demande de rédiger un cahier des charges pour améliorer les recommandations d’une boutique fictive. Le retour fondé sur la grille d’évaluation vérifie la prise en compte du démarrage à froid, des boucles de rétroaction, de l’équité et d’un test sans biais. Elle apporte des bases professionnelles pour cadrer et évaluer ce travail ; la programmation d’un système de recommandation fait partie du parcours facultatif Programmation.