In Tribune expert

Avec une augmentation de 32% des ventes de produits sur internet en 2020, accélérée par la crise sanitaire, les systèmes de recommandations sont une brique importante pour proposer une expérience utilisateur optimale et booster ses ventes. Ils peuvent intervenir dans plusieurs situations comme pour proposer une meilleure gestion des produits indisponibles ou en proposant un produit complémentaire suite à un ajout au panier. Cependant, un système de recommandations n’est pas toujours évident à mettre en place malgré les nombreuses solutions, plus ou moins haut niveau, disponibles sur le marché. Pour obtenir des recommandations de qualité, vous serez amenés à réaliser une suite d’étapes importantes : obtenir des données propres, tester différents modèles, choisir et optimiser le bon algorithme, mesurer ses performances et industrialiser le processus. Toutes ces étapes demandent un haut niveau d’expertise, ainsi qu’une certaine maturité en termes de Data et d’implémentation de systèmes d’information.

 

Alors, comment se lancer dans la création d’un modèle de recommandation ?

 

Pour faciliter l’accès à ces outils, Google a récemment déployé sa nouvelle solution nomméeGoogle Recommandations AI. Il s’agit d’un service de recommandations prêt à l’emploi, qui se sert non seulement de toute l’expertise Google en termes d’Intelligence Artificielle, mais aussi de l’infrastructure technologique disponible dans Google Cloud Platform. Alors, avant de voir plus en détails le fonctionnement de Google Recommendations AI, faisons un rappel de ce que c’est le cloud computing, en particulier Google Cloud Platform.

La puissance et l’intelligence du Cloud Computing de Google

Soutenu par Google Brain et Google Research, cette dernière solution de recommandations bénéficie des dernières avancées en matière d’Intelligence Artificielle. La puissante infrastructure de Google Cloud Platform permet d’entrainer des modèles complexes de Deep Learning, d’offrir des recommandations en temps réel et de les adapter au plus vite selon le comportement utilisateur sur le site. L’ensemble de la solution est dites serverless, permettant de déléguer les tâches complexes de gestion de l’infrastructure à Google, pour que vous puissiez vous concentrer sur la partie business.

Google Recommendations AI

Les fonctionnalités de GCP sont déjà connues et reconnues par toutes les grandes entreprises, mais qu’est-ce que Google Recommendations AI, en particulier, peut vous apporter ?

La principale différence entre utiliser le moteur de Google et en créer un from scratch s’appuie sur la simplicité de mise en place. Avec une solution clé-en-main, vous pouvez simplement nourrir l’outil avec vos données de navigation (provenants de Google Analytics, par exemple) et contourner la complexité habituellement rencontrée de créer des modèles bons et exploitables en temps réel. Cela signifie une durée et des coûts d’implémentation très réduits en comparaison avec une solution “faite maison”.

Pourtant, ce n’est pas parce qu’on parle d’une solution clé-en-main que l’on ne peut pas l’adapter à ses besoins. Ici vous avez la possibilité de créer plusieurs modèles, adaptés à vos principaux besoins, et ce à partir des mêmes sources de données.

Fonctionnement de Google Recommendations AI

Quelles sont les types de recommandations proposées ? 

Google Recommendations AI propose aujourd’hui 3 types de recommandations optimisées selon l’objectif souhaité : le taux de clic ou le taux de conversion. Selon vos besoins et via les explications ci-dessous, vous pourrez choisir l’une ou l’autre des méthodes :

  • Recommandation personnalisée (‘Recommended for You’) : Cette recommandation prédit le prochain produit susceptible d’intéresser l’utilisateur. Elle se base, principalement, sur l’historique de navigation et d’achat de cet utilisateur. Il est tout à fait possible d’obtenir une liste de produits à recommander et de la filtrer au fur et à mesure de l’avancement de l’utilisateur parmi les catégories de produits du site.
  • Autres articles susceptibles de vous intéresser (‘Others You May Like’) : Là encore, la recommandation va prédire le prochain produit pouvant intéresser l’utilisateur. En revanche, elle va dépendre de la pertinence du nouveau produit présenté par rapport à un produit préalablement visité ou acheté.
  • Articles souvent achetés ensemble (‘Frequently Bought Together’) : Cette méthode va proposer un nouveau produit à l’utilisateur, dès lors qu’il aura montré une intention d’achat (Visite sur une page produit, ajout au panier…). Ce nouveau produit sera défini via l’historique des sessions contenant une transaction. 

Une fois la recommandation définie, il faudra fixer l’objectif d’optimisation. Il sera déterminé selon les besoins métiers et permettra une construction plus aboutie du modèle. Deux possibilités sont proposées :

  • Le taux de clics : pour maximiser l’engagement de l’utilisateur,
  • Le taux de conversion : pour augmenter le nombre d’articles ajoutés au panier par session

Et les données nécessaires dans tout ça ? 

Selon la recommandation et l’objectif choisi, les données nécessaires et optionnelles pourront varier. Voici un tableau récapitulant les besoins des différentes méthodologies :

Données Google Recommendations AI

Données Nécessaires à l’utilisation de Google Recommendations AI

Seulement 2 sources de données sont nécessaires pour utiliser Google Recommendations AI : le catalogue produit et certains événements web.  Un minimum requis d’historique de données, dépendant du choix de la recommandation mais aussi du trafic de votre site, est nécessaire au bon fonctionnement de l’outil. Cela peut varier d’une semaine à 2 mois de données. Plus l’historique sera conséquent, plus l’algorithme sera précis et consistant dans ces recommandations. On notera également que l’utilisation des outils Google, tels que Google Tag Manager et Google Merchant Center, facilitera et accélérera l’utilisation des recommandations issues de Recommandation IA.

Après avoir choisi votre méthode, défini votre objectif et chargé vos données, le module lancera un entraînement et un ajustement du modèle (comptez entre 2 et 5 jours, selon la volumétrie de vos données). Une fois cette étape passée, il vous sera possible de valider le modèle, grâce à un aperçu des recommandations. Si les résultats vous conviennent, vous pourrez alors utiliser ces recommandations directement sur votre site web via l’API fournis par la solution. Il ne vous reste plus qu’à valider la pertinence de ce nouveau modèle via une série d’A/B test par exemple ; Et le tour est joué.

Pour la suite ?

La vente en ligne prenant de plus en plus d’ampleur dans nos vies quotidiennes, il devient nécessaire, pour les acteurs du E-commerce, de mettre en avant le bon produit au bon moment. Grâce à son module Recommendations AI, Google propose et facilite la mise en place d’un système de recommandation, sous condition d’un bon paramétrage. 

Si vous avez besoin d’être accompagnés sur ce type de sujet, nous pouvons mettre à profit nos expertises, validées par des certifications Google Cloud Platform et de nombreux retours d’expériences chez nos clients.

Recommended Posts
AVISIA