Storefront est une plateforme proposant la location d'espaces de vente à court terme. L'intérêt de vous présenter leur approche de la personnalisation repose sur la richesse des détails technique qu'ils partagent sur Medium. Il s'agit d'une passionnante rétrospective sur la conception et l'implémentation de leur système pour tirer profit des comportements utilisateurs dans leurs recommandations d'espaces.
Notre article n'a pas vocation à être technique, néanmoins, si vous souhaitez en savoir plus, nous vous invitons à lire Using Graph Theory to Build a Simple Recommendation Engine in JavaScript.
La théorie des graphes en une phrase
L'étude mathématique des connexions entre des données. La théorie des graphes est un domaine extrêmement important et diversifié des mathématiques.
Que peut faire la théorie des graphes
Toutes sortes de choses. Les plus grandes applications sont en informatique et en mathématiques, mais vous pouvez l'utiliser partout où vous avez des connexions — comme dans un système de recommandations de produits par exemple :-).
C'est un objet mathématique idéal pour jouer au détective : trouver des connexions entre des choses et résoudre des énigmes à coup d'algorithmes bien ficelés. Si on devez illustrer grossièrement la théorie des graphes, on prendrait la "toile d'araignée" de John Nash (Russell Crowe) dans le film A Beautiful Mind (2001).
Et la théorie des graphes dans le ecommerce...
Et bien selon Storefront, cela donne une augmentation de 5 à 10% des vues sur les espaces à louer attribuées au seul moteur de recommandation.
Les recommandations ou les suggestions sont un moyen fantastique pour une plateforme d'encourager les utilisateurs à rester et continuer à naviguer. Le problème est que les recommandations peuvent être difficiles à mettre en oeuvre. Storefront a privilégié une approche simple afin de ne pas faire un trait sur l'expérience utilisateur (performance et latence de l'interface) et l'aspect évolutif du système.
Cartographier & pondérer le comportement de l'utilisateur
Storefront capitalise sur les 3 interactions majeures que peut avoir l'utilisateur : 1) voir une annonce, 2) l'ajouter aux favoris et 3) demander une réservation.
Avant d'être prêts à émettre des recommandations, le système doit attribuer des poids (ou plutôt des distances dans le cas de graphes) à chacun des comportements utilisateur. Les actions les plus importantes sont ainsi pondérées plus favorablement.
Storefront part du principe que la théorie des graphes permet de mieux anticiper les recommandations à froid — lorsque l'algorithme dispose d'un nombre insuffisant d'informations sur un utilisateur pour être pertinent dans la recommandation.
Accompagner le démarrage à froid par "l'intelligence collective"
Storefront donne une grande importance dans son algorithme de recommandation aux actions effectuées par des utilisateurs qui ont réservé le même espace que vous dans le passé. Cela permet d'introduire une personnalisation prédictive permettant de favoriser l'exploration du catalogue d'offres sans avoir suffisamment de données sur un utilisateur.
D'autres interactions effectuées par des tierces personnes dans le passé viennent compléter le modèle prédictif. Par exemple, la consultation d'annonce ou l'ajout aux favoris. Mais ces interactions n'auront pas autant de priorité dans la recommandation d'annonces.
Nous vous laissons le loisir d'explorer les subtilités du système de recommandations de Storefront en réservant un espace pour votre prochaine vente privée.
On en parle ?!
Avez-vous des commentaires, des questions, de l'amour ou de la haine ? Envoyez tout ça à contact@netwave.eu 💌, ou, envoyez un tweet à @netwavecorp
Rédigé par : @GillaumePalayer - Magazine du Webdesign.