Amazon, star des entreprises de e-commerce est un modèle de réussite pour beaucoup. Son succès grandissant depuis sa création en 1994 est impressionnant, notamment avec son taux de transformation atteignant plus de 6%,soit le double du score moyen des sites e-commerce français et le triple de Pixmania (Source: Internet retailer). Un de ses points forts les plus remarqués ? Incontestablement son système de recommandation. 30% du CA total d’Amazon est généré grâce à lui.
Il est frappant dès les premières visites. A peine le premier produit consulté sur le site que des suggestions très précises nous sont proposés.
Souvent bluffés, les utilisateurs naviguent sur le site au gré des recommandations basées sur les achats réalisés précédemment par des acheteurs intéressés par des produits similaires. Nos meilleurs conseils ne viennent donc plus de notre libraire mais d’un algorithme de recommandation qui n’a plus à faire ses preuves.
Mais comment Amazon a-t-il développé un outil aussi sophistiqué et performant ?
Les consommateurs aiment être conseillés et avisés par des personnes partageant leurs goûts. C’est sur cette théorie qu’Amazon a développé son système de recommandation automatique.
Misant ainsi sur du contenu (2 produits peuvent être plus en moins liés en fonction du nombre de mots similaires dans leur description par exemple.) et sur le filtrage collaboratif (la construction d’une matrice de relation entre les différents achats des consommateurs), Amazon a développé son mystérieux algorithme item-to-item collaborative filtering. La priorité est clairement la personnalisation des produits recommandés en fonction des intérêts de CHAQUE consommateur. La tendance serait de recommander les produits similaires entre des clients ayant des similitudes (âge, ville, sexe, CSP,…) mais Amazon a préféré faire le choix de recommander des produits en fonction d’une liste établie avec les consultations de produits, achats et classements réalisés par les consommateurs eux-mêmes.
La valorisation et l’exploration de données sont donc primordiales dans l’algorithme. Bien que très protégé, il contient probablement plusieurs facteurs en plus de la matrice des achats : l’historique des achats et des consultations, le temps passé sur une page, comment l’utilisateur est arrivé sur Amazon, le parcours de la découverte à l’achat, les habitudes et les goûts en fonction de son pays, son climat,… Chaque critère a son coefficient d’importance.
L’outil va donc logiquement s’affiner avec les visites des consommateurs : plus un utilisateur consulte, achète et recommande des produits, plus le système disposera d’informations pour offrir des suggestions personnalisées et précises. Le récent achat du réseau social Goodreads (spécialisé dans la recommandation de livres) – au détriment d’Apple, on s’en souvient – par Amazon associé au Kindle promet une personnalisation encore plus affinée.
Les réseaux sociaux, richesse incomparable d’informations sur les consommateurs, deviennent de véritables accélérateurs de résultats pour les systèmes de recommandation. Les consommateurs potentiels se voient proposer des produits adaptés à leurs goûts, voire leurs envies plus rapidement et face à cette facilité de recherche, le passage à l’achat est plus évident comme le montrent le taux de conversion des adeptes des outils de recommandation sociale.