Blog

Personnalisation : les 20 erreurs à ne pas faire - Erreur n°5 Ne pas exploiter la sérendipité

Posted by Netwave on 12/11/20 08:30

Les20erreurs-personnalisation-ecommerce-N5-Netwave

Pour être pertinente, la recommandation produit doit s’appuyer sur la connaissance à la fois de la situation dans laquelle se trouve l'utilisateur au moment présent, quand il est sur le site et sur ses centres d’intérêt. Sans cette connaissance de la situation, elle reste un exercice statistique moyenné et non personnalisé qui ne fait que raccrocher le visiteur à l’un des quelques segments pré-paramétrés ne rendant compte que très partiellement de sa situation.

Cette connaissance peut être induite de manière indirecte par un processeur d’IA spécifiquement dédié à cela, grâce à un ensemble de signaux faibles calculés en temps réel à partir de sa navigation et, pour faire simple,  comparés aux navigations des autres internautes. C’est la technologie que nous avons développé chez Netwave et qui montre une sur-performance constante - pour ce type d’usage- face au machine learning.

Cette connaissance peut également être complétée par des données déclaratives. 

Dans la majorité des cas, ces données déclaratives sont limitées aux choix que fait l'utilisateur sur les listes de produits à facette : genre, intervalle de prix, choix de marque, taille ou tout autre attribut signifiant. 

Tenir compte de ces données déclaratives comme une valeur absolue est une double erreur :

  • le déclaratif n’est pas obligatoirement la réalité, surtout concernant le prix,
  • cela ne permet pas d’ouvrir le champ des possibles et d’exploiter la sérendipité.

Pour faire simple, la sérendipité est définie par l’action de trouver ce que l’on ne cherche pas. Appliqué aux sites marchands, cela se traduit pour le marketeur, par la découverte (en temps réel) , via une association non volontaire de signaux faibles, d'une situation qu'il n'avait jamais identifiée auparavant. Qui ne rentrait pas dans ses modèles repérés. Et de s'y adapter, bien sûr toujours en temps réel, en l'absence de tout modèle auquel se référer.

Pour le visiteur, cela se traduira par le fait de faire quelque chose de différent que ce que les sacro-saints modèles probabilistes du marketeur prévoient, d’acheter quelque chose de différent de ce que l’on recherchait initialement ou de ce que l’on déclarait chercher. 

En fait, dans l'immense majorité des situations, les visiteurs d'un site marchand échappent aux modèles pré-définis:

  • soit ils n'ont pas d’idée définitivement arrêtée concernant leur achat, 
  • soit ils n’ont pas exactement déclaré ce qu'ils recherchaient et restent sensibles à une large gamme d’options,
  • soit ils peuvent être influencés par votre offre sur la base d'une idée initiale pourtant bien établie.

Pour répondre à cela, pour laisser la sérendipité agir, il est nécessaire de distinguer dans les données déclaratives récoltées celles qui représentent des contraintes fortes de celles qui représente des préférences. 

L’exemple type dans l'habillement sont les données taille et couleur. Autant la taille est une contrainte : si je sélectionne une taille 38, il y a très peu de chances que j’achète une taille 42 ; autant la couleur est une option, une préférence : il est fort possible que j’achète un vêtement dans une autre couleur si je flashe sur le style.

L’identification de la règle à appliquer - et de son caractère contraignant ou optionnel - peut se faire à priori en indiquant pour les attributs signifiants celle qui doit être appliquée. Vous imaginez le travail de bénédictin que cela représente rapporté à des dizaines voire des centaines de sous-sous catégories…

Mais elle peut également être définie en temps réel par une IA conçue pour l’exploitation des signaux faibles telles que l’IA Inductive, sur la simple base de la navigation de l’internaute : lorsque les articles consultés par un internaute sont à 100% de la marque Apple, la marque pourra être considérée comme une contrainte pour cet internaute.

En conclusion, contrairement au merchandising classique piloté par des arbres de décisions, qui propose des offres produit en fonction de critères sélectionnés par l’internaute (catégories, filtres), ou à la recommandation-produit contextuelle pilotée par des algorithmes de machine learning, la recommandation produit personnalisée pilotée par une IA Inductive permet d'exploiter la sérendipité en orientant vers des options d’achat différentes de celles prévues par des modèles devenus inopérants, du fait de la situation du visiteur à l’instant T.

Pour cela il faut être capable, bien sûr, d'identifier l’instant où une information devient une règle qui doit être appliquée strictement de l’instant où cette information est utilisée pour ouvrir le champ des options d’achat. Cela implique une IA intégrant une dimension différenciative là où les arbres de décision (outils d'e merchandising) se contentent d’une dimension proportionnelle et les outils de recommandation basés sur du machine learning d’une dimension intégrative.

The Netwave Success Team

 

Nous espérons que cet article vous a intéressé. N’hésitez pas à le partager.

Nous vous donnons rendez-vous dans quelques jours pour décoder ensemble l’erreur N°6.


Vous avez un projet de stratégie de personnalisation pour votre site e-commerce ? Demandez une demo de notre technologie de personnalisation. 

Demandez une démo

 

Cette série vous intéresse ? Abonnez-vous au flux d’actualité Netwave, vous serez tenu au courant des nouvelles parutions.

Topics: E-commerce, Personnalisation