Recommandation basée sur le contenu/Filtrage collaboratif
Recommandation/Cross Selling, tout le monde peut apprécier (ou pas) la pertinence des recommandations de sites comme Netflix ou Amazon et c’est naturellement que l’on souhaite ajouter de telles fonctionnalités dans son propre site Web.
C’est en effet un des moyens pour satisfaire ses utilisateurs, pour créer de nouvelles opportunités de consommation et de vente.
Cela augmente la légitimité de votre site et en conséquence participe à la fidélisation de vos clients.
De plus, les recommandations sont spécifiques à l’utilisateur et évite l’effet pervers que l’on observe souvent avec des outils marketing plus classiques comme la segmentation : ”arrêtez de me mettre dans une case, je suis unique”.
Dans une société de plus en plus égocentrée, les recommandations individualisées constituent donc une réponse marketing logique aux attentes explicites ou implicites des utilisateurs.
Les principes de base des algorithmes de recommandation sont généralement les suivants :
Ces deux principes de base peuvent être panachés : on peut chercher des produits qui sont similaires à ceux que vous regardez actuellement et qui en plus semblent proches de vos goûts
Si les algorithmes CBR peuvent s’appuyer sur une pile applicative Web classique (serveur web, langage web, base de données relationelles) et peuvent être mis en place au fil de l’eau, c’est plus complexe pour les algorithmes de filtrage collaboratif qui nécessitent la collecte de plus de données autour de l’utilisateur et induisent souvent le besoin en base de données schemaless et généralement de base graphes.
J’ai développé en 2014 ma propre base graphe open source pour des besoins réels de production et pour implémenter des algorithmes de recommandation
2015 © Nidus. Tous droits réservés. En savoir plus