Si vous souhaitez offrir des recommandations précises à vos clients, il faut absolument baser son algorithme sur un maximum de données, et il serait dommage de ne pas prendre en considération les réseaux sociaux, base naturellement riche en données.
On peut probablement attribuer le mérite de la popularisation du terme « moteur de recommandation » à Amazon.com. Cependant, de nombreux sites vont plus loin et développent des algorithmes encore plus précis.
En effet, devenus courants dans de nombreux domaines, de l’assurance/finance au B2B, de véritables stratégies se mettent en place pour utiliser ces moteurs au mieux. On combine de plus en plus fréquemment 2 approches: le filtrage collaboratif (analyse des choix passés de plusieurs utilisateurs) et le filtrage de contenu (analyse des similarités entre 2 contenus).
Au cours de l’ACM RecSys (une conférence internationale annuelle sur les systèmes de recommandation qui a eu lieu du 12 au 16 octobre dernier à Hong Kong), Dan Mallinger, data science lead chez Think Big Analytics a expliqué que « les entreprises ont appris à capturer et utiliser plusieurs sources de données ». En effet, grâce à toutes ces informations, les moteurs de recommandation analysent les options de similarité et déterminent quelles suggestions conviendraient le mieux aux consommateurs du service.
La start-up Suede Lane souhaite par exemple « mettre au point une nouvelle façon de développer le goût pour l’art sans pour autant maîtriser les jargons du domaine. Ces recommandations aideront les acheteurs à trouver une peinture impressionniste qu’ils apprécient, sans qu’ils ne connaissent forcément ce terme ». Leur but est d’utiliser le moteur de recommandation pour « éduquer » les utilisateurs.
Pour les sites e-commerce, les données peuvent également s’avérer très intéressantes car analysées, elles décrivent de véritables comportements d’achat. Afin d’assurer un bon taux de conversion, il est important de repérer les facteurs de communication qui provoquent des visites, cela peut aller des offres d’emploi du site aux activités sur les médias sociaux en passant par les retombées dans la presse,… et de les inclure dans le moteur de recommandation (pour savoir comment ont ils connu le site et ce qui les a fait cliquer par exemple).
Il faut tout de même faire attention à ne pas prendre en compte trop de données et à associer les bonnes informations pour garantir une analyse prédictive performante. Lors de la conférence, il a par ailleurs été souligné que le premier obstacle au lancement d’un moteur était le lancement de projet à l’envers: « beaucoup de services démarrent la collecte de données seulement une fois que la conception du moteur est lancée ». Il est préférable de rassembler les données, d’observer celles qui sont conséquentes, pertinentes, voire surprenantes et de décider ensuite en fonction de cela las bases de calcul du moteur.
Jeu de briques
Snake
Pacman
Bubble