Algorithmes de recommandation

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 :

  • Content Based Recommandation : on cherche des produits similaires à ceux qui ont été consultés par les utilisateurs
  • Collaborative Filtering : on cherche des produits qui ont été appréciés ou achetés par des utilisateurs qui ont, historiquement, des goûts proches des votres

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

  • Les algorithmes de types CBR sont généralement les premiers que l’on met en place car ils ne nécessitent pas l’existence de base importante d’utilisateurs et ils permettent d’amorcer les recommandations. Les CBR sont très utilisés en Cross Selling.
  • Les algorithmes de type collaborative filtering sont plus longs et plus complexes à mettre en oeuvre : ils nécessitent une connaissance fine de l’utilisateur, de son historique de navigation, de ses achats, éventuellement de son réseau de connaissance. En contrepartie les recommandations sont souvent plus précises et plus individualisées.

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

Besoins d'infos supplémentaires ?
Vous pouvez me contacter

Projets associés