Livre Blanc. Comment la recommandation prédictive et personnalisée booste le business des sites marchands?

Transcription

1 Get more business with personalized recommendation Livre Blanc Comment la recommandation prédictive et personnalisée booste le business des sites marchands? octobre 2014

2 SOMMAIRE Edito : la seconde vie de l e-commerce 3 1. Le contexte autour de la recommandation personnalisée Les challenges des marchands en ligne L opportunité du data marketing et de la recommandation personnalisée L apparition des technologies «big data» Les bénéfices de la recommandation personnalisée Pour les internautes Pour les e-commerçants Les différentes approches de la recommandation personnalisée La segmentation ou les débuts de la recommandation Les nouvelles approches avec l essor du web Comment faire de la recommandation personnalisée? Les éléments clés d une solution de recommandation La recommandation sous toutes ses formes Solution de recommandation : en interne ou avec un partenaire? Une ou plusieurs solutions? 38 Ce qu il faut retenir! 39

3 Edito : la seconde vie de l e-commerce

4 Jusqu à il y a peu, les nouveaux internautes et a fortiori les nouveaux acheteurs en ligne arrivaient chaque année en masse, permettant aux e-marchands de connaître des croissances fulgurantes et insolentes. C était la ruée vers l or. L e-commerce devait supplanter tous les autres canaux. Mais ça, c était avant! L e-commerce a entamé sa seconde vie. Celle d une certaine maturité, celle où le développement est moins fluide, moins évident. La situation actuelle est beaucoup plus «challenging» pour les marchands en ligne. Plusieurs raisons à cela : 1. LA concurrence s intensifie Plus de nouveaux sites marchands ont vu le jour en 2013! En parallèle, le nombre de nouveaux internautes augmente très peu dorénavant, tout comme celui des e-acheteurs. Il devient plus difficile et plus onéreux d acquérir de nouveaux clients. 2. Les clients sont plus que jamais des zappeurs Les faire venir via une offre attractive mais peu rentable dans l objectif de se rattraper par la suite sur les autres commandes est très dangereux car les internautes sont très peu fidèles. 3. Les clients sont des professionnels de la comparaison Le concurrent n est qu à un clic. De ce fait, la guerre des prix fait rage et le panier moyen baisse, mois après mois (-4% en un an au 1er trimestre 2014 d après la FEVAD). En conséquence la plupart des e-marchands doivent maintenant aller chercher la croissance et la rentabilité avec leurs tripes. Une lueur d espoir cependant : il reste encore beaucoup à faire en matière d expérience client! De plus en plus de marchands se rendent compte que l expérience proposée sur leur site peut encore largement évoluer en intégrant notamment de la recommandation personnalisée. La grande majorité a compris que proposer les mêmes sélections de produits à tous les utilisateurs n est plus suffisant. Prenons l exemple de Léa, une internaute lambda (et qui nous suivra durant ce livre blanc) qui ne comprend toujours pas pourquoi on lui propose un cardigan homme sur son site de mode. Proposer les bons produits à la bonne personne au bon moment permet, à l évidence, de remonter le taux de transformation qui demeure désespérément bas sur le digital vs une boutique physique (1 à 3 % sur un site web vs 20 à 30 % en boutique). 4

5 Si on parle de personnalisation et de recommandation depuis des lustres, les technologies sont enfin mûres et adéquates pour offrir des expériences riches et efficaces aux internautes. Il est temps pour les marchands de profiter des bénéfices apportés par la recommandation personnalisée : L expérience de l utilisateur est largement enrichie et se rapproche de celle vécue grâce aux conseils prodigués par un personal shopper dans un grand magasin ou par un libraire de quartier connaissant parfaitement les goûts de ses meilleurs clients Les indicateurs de performance sont significativement améliorés : augmentation des taux de clic et de transformation sur les sélections de produits personnalisées, hausse du montant du panier, ré-achat plus fréquent, etc. et in fine augmentation de la valeur de chaque client pour une meilleure rentabilité Se lancer dans la recommandation paraît particulièrement évident. Cependant de nombreuses questions apparaissent rapidement : quelle technologie adopter? Doit-on le faire en interne ou collaborer avec un partenaire? Où intégrer les recommandations? Doit-on en proposer sur le site web uniquement ou sur tous les points de contacts? À travers ce livre blanc, nous allons tenter de vous accompagner sur ce sujet stratégique afin de vous donner toute la mesure du potentiel de la recommandation personnalisée et les clés d une mise en place réussie. Bonne lecture! Alban Pelltier CEO d AntVoice 5

6 1. Le contexte autour de la recommandation personnalisée

7 Le contexte autour de la recommandation personnalisée 1.1 Les challenges des marchands en ligne Un nouveau consommateur En quelques années seulement, le consommateur, pourtant héritier d un demi-siècle d apprentissage de la consommation de masse, s est transformé grâce au digital. D un statut de spectateur, dans lequel il écoutait passivement les «réclames» des marques, il est devenu acteur de sa consommation. Grâce aux moteurs de recherche, aux comparateurs de prix, aux blogs, aux sites d avis consommateurs, aux réseaux sociaux, aux places de marché, il se renseigne, il compare, il demande, il teste, il rebondit de site en site, il achète puis retourne le produit ou le note. Il a repris sa consommation en main. Tous ces outils digitaux lui permettent d avoir un accès à des dizaines de milliers de boutiques en un clic et à un catalogue infini de produits. Illustration Votre cliente Léa publie sur Facebook qu elle vient de découvrir une nouvelle série sur Netflix, se fait recommander des livres sur Amazon, contribue à la fiche Wikipédia de Pharrell Williams, découvre sur Doctissimo que son rhume cache peut-être une allergie, demande à la communauté Sephora quel make-up adopter pour son weekend à Venise booké sur TripAdvisor, rédige un avis sur AlloCiné sur le film vu hier soir en replay ou en VOD, Léa est une consommatrice active mais finalement assez classique! Sur le web, le consommateur est zappeur et pressé. Il veut le bon produit et tout de suite si possible et a besoin de reconnaissance. CONFidentialité des données Internet a développé un paradoxe : les consommateurs savent que leurs données sont utilisées par les marchands. Qui n a pas fait l expérience d être reciblé quelques jours après une visite sur une page produit? Pourtant peu d internautes font réellement attention et encore moins effectuent les démarches pour ne laisser aucune trace. En fait le consommateur veut un deal équilibré. Oui à l utilisation de ses données mais uniquement s il peut en tirer un bénéfice : gain de temps, expérience enrichie et personnalisée, etc. Ainsi 59% des internautes sont prêts à céder leurs données en l échange d une contrepartie, selon Microsoft dans son infographie des 8 tendances digitales de C est la raison pour laquelle la personnalisation est appréciée : les données collectées permettent d enrichir vraiment l expérience du shopping en proposant le bon produit au bon moment! 7

8 Le contexte autour de la recommandation personnalisée Un marché plus mature et une concurrence plus rude Le second challenge auquel sont confrontés les marchands en ligne est la maturité du marché français. Durant plus de 10 ans, des millions de nouveaux internautes et de nouveaux consommateurs en ligne arrivaient les uns après les autres, année après année. Taux de pénétration 85% Avec un taux de pénétration de 85% (Médiamétrie - mai 2014), l usage d Internet est devenu mature. Les prochains millions d internautes, plus hermétiques au changement, seront indéniablement plus difficiles à convaincre. C est la même chose pour les cyber-consommateurs. Toujours selon Médiamétrie, 34 M d internautes achètent déjà sur Internet, soit plus de 60% de pénétration et seulement 1 M de cyberacheteurs en plus sur un an! Par contre, si la croissance du nombre de clients potentiels n augmente que faiblement, celle du nombre de nouveaux sites marchands est bien plus importante : +17% entre le premier trimestre 2013 et le premier trimestre 2014 avec nouveaux sites lancés en 12 mois, portant le total à sites actifs selon la Fevad. Nombre de sites e-commerce +17% Et cette concurrence est protéiforme. Elle est bien sûr internationale, avec Amazon en super champion qui est présent sur de plus en plus de catégories de produits, mais aussi avec de nombreux concurrents étrangers puissants sur chacune des catégories de produits (Zalando et Asos sur la mode par exemple). Et enfin, elle est locale, avec les sites les plus importants qui deviennent de plus en plus généralistes grâce aux places de marché (Cdiscount, FNAC, PriceMinister, etc.) et des dizaines de milliers de sites qui sont certes plus petits (mille seulement dépassent les 10 M de CA selon la Fevad) mais souvent spécialisés et donc potentiellement très pointus. Emerger dans cet océan rouge (le contraire du blue ocean ) devient ainsi de plus en plus complexe Une rentabilité qui s érode Le consommateur devenant plus rare et moins fidèle, la concurrence se renforçant, les marchands ont dû rentrer dans des guerres de prix, de services et d acquisition très impactantes pour leurs marges. Montant du panier moyen -4% Ainsi, le panier moyen baisse constamment, trimestre après trimestre depuis 2012: -4% au 1er trimestre 2014 (par rapport au 1er trimestre 2013) pour s établir à 81,5, soit le niveau le plus bas jamais enregistré selon la Fevad. Fin 2012, ce panier moyen était encore de 87,5 euros. Les marchands ont dû également s aligner dès qu ils le pouvaient sur Amazon concernant les frais de livraison. Il n est plus rare d avoir ces frais offerts dès quelques dizaines d euros d achat, ce qui peut représenter un pourcentage important de la commande elle-même! 8

9 Le contexte autour de la recommandation personnalisée Enfin, les budgets d acquisition sont de plus en plus complexes à gérer avec la multiplication des techniques d acquisition et l explosion du reciblage. De récentes solutions permettent maintenant aux marchands de connaître plus précisément les impacts de chaque technique et le coût réel d acquisition, puisqu un internaute ne devient un acheteur qu après de multiples contacts publicitaires (combinaison du display, des mots clés, de l affiliation, de l ing, du retargeting,...). Les marchands se sont ainsi rendus compte que le coût d acquisition réel d un client pouvait représenter jusqu à 50% ou plus de la marge. Un panier en baisse, des frais de livraison offerts, des coûts d acquisition importants, il est devenu très difficile pour un marchand de préserver un semblant de marge en 2014! 1.2 L opportunité du data marketing et de la recommandation personnalisée L émergence du data marketing Face à ces enjeux, il existe de belles opportunités pour améliorer le business de chaque e-commerçant. Le data marketing est l une d elles. En effet, les internautes n ont jamais laissé autant de données aux sites marchands sur lesquels ils se rendent : données comportementales (pages ou vidéos vues, mises en favoris, achats, etc.), sociales (likes partages, etc.) ou déclaratives (âge, sexe, etc.), sur les sites mais également via les CRM, les pages Facebook, les applications mobiles, etc. Le saviez vous Selon Eric Schmidt, président exécutif du conseil d administration de Google, «tous les deux jours, nous produisons autant d informations que nous en avons générées depuis l aube des civilisations jusqu en 2003». Pendant longtemps, ces données ont été stockées mais très peu utilisées. De récentes technologies permettent de commencer à en exploiter pleinement le potentiel en vue d augmenter la valeur de chaque internaute. 9

10 Le contexte autour de la recommandation personnalisée Les principaux types d exploitation de la data sont les suivants : 1. L analyse des data via des solutions de data visualisation Ces outils permettent de transformer des millions de lignes et d informations en représentations graphiques permettant une meilleure connaissance client : typologie de consommateurs, fréquence d achat, jours et heures de pointe, etc. 2. L acquisition ciblée et automatisée de clients De nombreuses solutions ont vu le jour ces dernières années permettant d automatiser l acquisition de nouveaux clients en exploitant les données qu ils laissent sur Internet, comme les DSP, les trading desks, le RTB, etc. L idée est d identifier un internaute correspondant au bon profil et de l acheter au meilleur prix 3. La vente de contacts publicitaires segmentés Les données laissées par les internautes sur un site donné permettent à son éditeur via des DMP (data management platform) d insérer chaque visiteur au sein de segments qui permettent de mieux valoriser un internaute auprès des annonceurs et de mieux le vendre. 4. La recommandation personnalisée L analyse des données comportementales permet également d accélérer la conversion et d optimiser la fidélisation des clients en proposant à chaque internaute les produits correspondants à ses besoins et à son comportement Globalement, le data marketing permet de tirer davantage de valeur d un internaute, en le connaissant mieux, en l achetant moins cher et en le monétisant mieux, que cela soit via la publicité ou la vente de produits. 10

11 Le contexte autour de la recommandation personnalisée La recommandation personnalisée, une des tendances fortes en 2014 Dans ce contexte de difficultés et d opportunités, le fait de pouvoir recommander des produits de façon personnalisée à chacun des clients et des visiteurs est devenu en 2014 un enjeu d une extrême importance pour chaque marchand en ligne. De nombreux acteurs innovants du digital ont annoncé en début d année 2014, que la recommandation personnalisée était une tendance incontournable : Microsoft indique dans son cahier de tendances que le consommateur a compris la valeur et l intérêt que représentent ses données personnelles pour les annonceurs. Il attend donc des marques qu elles valorisent la transmission de ces données, notamment en lui offrant une expérience utilisateur irréprochable et personnalisée. Ventre-Privée, via son lab de tendances e-commerce (Vente-Privée Consulting), classe la recommandation comme l une des 5 tendances de 2014 en évoquant l idée d une boutique online unique pour chaque personne. Selon eux, la recommandation est la technologie adaptée pour répondre à la question suivante Quel meilleur moyen pour un e-commerçant de faire sentir aux internautes qu ils sont uniques qu en leur proposant des pages, des produits et des services complètement adaptés à leurs besoins?. D après le CCM Benchmark, dans le cadre de son étude e-commerce annuelle (juillet 2014), la recommandation est le second levier de croissance pour 56% des marchands interrogés, juste derrière le Mcommerce et ex-aequo avec le multicanal. Le saviez vous 78% des marketeurs envisagent d utiliser la collecte de données en tempsréel pour pouvoir personnaliser leur communication sur tous les canaux, selon l étude «Digital Marketing Insight Report 2014» de Teradata. Ils sont seulement 44% à le faire aujourd hui. Principal frein à la mise en place de stratégie d analyse des données : le temps, le manque de ressource et/ou leur manque de qualification. 11

12 Le contexte autour de la recommandation personnalisée 1.3 L apparition des technologies «big data» Face à l arrivée de cette masse de données et aux nouveaux besoins de traitement, l approche du big data a émergé peu à peu. C est en 1997 que le terme «big data» fait son apparition dans la bibliothèque numérique de l ACM (Association for Computing Machinery). Les volumes de données augmentant considérablement à cette époque, de nouveaux défis techniques apparaissent et les prémices du big data sont mis en place. Le big data prend son envol avec l explosion des données collectées et utilisées par des sociétés comme Facebook, Google ou Amazon dans les années Google, Pionnier du Big data Google est l exemple illustrant le mieux l essor du big data. A sa création en 1998, on estime à un peu plus d un million le nombre de sites web. L idée originelle était d analyser les relations entre ces sites pour mettre en valeur ceux qui présentaient le plus de liens pointant vers eux. Larry Page, a donc créé un algorithme spécifique : le PageRank. Il nécessite de modéliser les données récoltées sous une forme de graphe dont les nœuds représentent les pages du web, et les branches, les liens entre elles, pour ensuite effectuer une analyse mathématique des différents chemins existants. Le challenge était de taille compte tenu de la capacité de stockage limité ainsi que la puissance des ordinateurs disponibles à l époque. La légende veut que les créateurs de Google aient pu modéliser toutes ces données en 1997 sur un espace de 1 téraoctet. Concrètement, le big data répond à 3 problématiques principales : VOLUME Traiter une quantité de données de plus en plus importante. VARIÉTÉ Traiter des données dénormalisées, déstructurées ou semi-structurées. VéLOCITÉ Traiter et analyser l ensemble de ces données dans un temps limité 12

13 Le contexte autour de la recommandation personnalisée La combinaison de 3 technologies a permis de faire tomber les limites liées au traitement de données en très gros volumes et a permis l émergence rapide du data marketing en général et de la recommandation personnalisée en particulier. MAP REDUCE Une architecture permettant de décomposer un problème complexe en calculs répartissables de façon homogène sur plusieurs machines. Ensuite, le résultat est ré-agrégé. Cloud Computing Des milliers de serveurs, disponibles à la demande, avec un stockage illimité. Les bases NoSQL Une nouvelle génération de base de données démocratisée par Google. Les données sont accessibles plus simplement et plus rapidement. Quelques chiffres clés du big data Un marché de 24 Md de dollars en 2016, avec un taux de croissance annuel de 32% Pourcentage d entreprises lançant des projets big data : Royaume-Uni 33%, Allemagne 18%, France 10%. En France, le big data pourrait générer 2,8 Md d euros et emplois directs (selon l AFDEL) 13

14 2. Les bénéfices de la recommandation personnalisée

15 Les bénéfices de la recommandation personnalisée La recommandation personnalisée et prédictive combine de nombreux avantages pour les internautes comme pour les e-commerçants. 2.1 Pour les internautes Pour les internautes, la recommandation personnalisée répond d abord à un besoin de vivre une expérience améliorée grâce à une aide à l achat simple et efficace. Les consommateurs prêtent de moins en moins attention au discours promotionnel des marques et exigent de plus en plus vivre une expérience d achat simple, fluide et personnalisée. C est ce qu apporte un système de recommandation en proposant le bon produit à la bonne personne. En proposant des produits pertinents, un site e-commerce engendre de l intérêt et crée un sentiment positif chez l internaute. C est ainsi qu un site e-commerce devient un des sites de référence du consommateur. Amazon, malgré un catalogue énorme, offre une expérience d achat simplifiée en aidant l internaute à trouver le produit recherché avec des recommandations de produits placées tout au long du parcours sur son site. Illustration L apport de la recommandation personnalisée s apparente au service apporté par un libraire de quartier qui connaît les goûts de Léa et qui lui recommandera les bons thrillers à lire sur la plage ou par un personal shopper dans un grand magasin qui est capable de lui faire une sélection de quelques fringues en fonction de ses goûts. Cela contribue à satisfaire vos clients et à les fidéliser. 15

16 2.2 Pour les e-commerçants La recommandation personnalisée apporte de nouveaux avantages aux e-marchands. D une part, la recommandation personnalisée permet de booster leur business et au final de créer de la valeur supplémentaire pour chaque client. AUGMENTATION du chiffre d affaires généré Augmentation du taux de transformation Hausse du panier moyen Fidélisation des clients existants Augmentation du taux de ré-achat Hausse du taux d ouverture et du taux de clic sur les campagnes ing Diminution du taux de désinscription des newsletters amélioration de la rentabilité Maximisation de la marge en bonifiant les produits à forte valeur ajoutée Push de produits disponibles en stock D autre part, la génération automatisée de recommandations permet de ne pas avoir à paramétrer manuellement les sélections de produits présentées aux internautes. Sans système automatique, à chaque nouvelle référence dans un catalogue, il est nécessaire de paramétrer les produits similaires et/ ou complémentaires à recommander. Ce qui est immensément chronophage lorsque l on doit importer plusieurs centaines ou millions de nouveaux produits tous les mois. Au global, grâce à la recommandation personnalisée, un internaute doit acheter plus vite, plus de produits et/ou des produits à plus forte marge, et plus régulièrement. Bref, il doit rapporter plus au marchand en ligne! 16

17 3. Les différentes approches de la recommandation personnalisée

18 Les différentes approches de la recommandation personnalisée Pas de bonnes recommandations sans de bons algorithmes! À l origine, ceux-ci étaient directement inspirés de ce qui se pratiquait dans le marketing classique et étaient donc principalement basés sur la segmentation de clientèle. Avec l avènement de l Internet, de nouvelles approches ont vu le jour et ont permis aux algorithmes de progresser grandement. 3.1 La segmentation ou les débuts de la recommandation La personnalisation commence bien avant l arrivée du web. Dès les années 1960, les entreprises segmentent leur clientèle pour affiner leurs actions marketing, en fonction de critères définis plus intuitivement que mathématiquement. Peu à peu les techniques de segmentation automatiques apparaissent. L algorithme du K-Means, conçu à la fin des années 60 par James McQueen, permet de construire des portions de populations homogènes selon plusieurs critères définis à l avance. La population-cible est divisée en plusieurs groupes ayant des points communs et pour lesquels les besoins sont assez similaires. On va proposer à chaque groupe des produits différents. Au sein de chaque groupe, on va proposer les mêmes produits à tous. Le choix des critères déterminants repose : Soit sur des considérations intuitives Un produit de luxe est supposé plaire aux clients aux plus hauts revenus Soit sur des critères mathématiques La construction de segments est réalisée pour optimiser le succès des recommandations qui seront proposées. Par exemple, un vendeur de vêtements choisit de segmenter sa clientèle pour distinguer les cibles de ses collections «Trendy», «Chic» et «Streetwear». Léa étant une jeune adulte de 24 ans, étudiante et vivant dans un quartier branché de Paris, on lui propose en priorité des articles de la collection «Trendy». 18

19 Les différentes approches de la recommandation personnalisée 3.2 Les nouvelles approches avec l essor du web C est avec l essor d Internet que vont naître la personnalisation et la recommandation. D une part parce que le nombre de produits disponibles explose, et d autre part parce que la collecte de données sur le web est beaucoup plus simple et que tout peut se mesurer : une visite de la page-produit, une mise au panier, un achat, une durée de visite... Ces informations constituent une mine d or pour comprendre ce que veut le client et lui faire des propositions pertinentes. C est dans ce contexte qu ont émergé deux approches : le content-base et le filtrage collaboratif pour succéder à l approche simple de la segmentation Le content-base ou le rapprochement par les caractéristiques de l objet Plutôt que de segmenter de manière stricte les produits disponibles, le rapprochement de contenu se propose de les noter selon les diverses caractéristiques. Ainsi, en fonction du profil du client et de l importance qu il accorde à chaque caractéristique, on propose les produits les plus compatibles avec ses affinités. Illustration Exemple : un loueur de film permet de noter chaque film selon les styles suivants : Action Romantisme Humour Thriller Léa est fan de comédies romantiques. Ainsi lorsque le loueur de films lui demande de donner son appétence sur les 4 critères précédents, elle indique la note de 2, 8, 7 et 10. En conséquence, on lui proposera Love Actually très compatible avec ses goûts cinématographiques. 19

20 Les différentes approches de la recommandation personnalisée La puissance de cette approche de recommandation est néanmoins limitée par la faible proportion d utilisateurs qui prend la peine de noter les produits qu ils ont consommés. Et même lorsqu elles existent, ces notes ne reflètent pas forcément leurs véritables goûts. Carlos Gomez-Uribe, responsable de la personnalisation de Netflix, indique que beaucoup de gens nous disent qu ils aiment regarder des films étrangers et des documentaires, mais ne le font pas dans la pratique. Pour contourner ce problème, la radio Pandora préfère se baser sur la notation implicite de l utilisateur. L utilisateur lance une radio à partir d un morceau choisi à l avance. Ensuite, s il passe la plupart des morceaux qui lui sont proposés à l écoute, Pandora interprète cette action et attribue une note négative à cette radio. 20

21 Les différentes approches de la recommandation personnalisée Le filtrage collaboratif ou la recommandation par le comportement de ses pairs Le filtrage collaboratif propose d analyser le comportement d un individu au travers de ses actions. Puis, en comparant avec l historique du groupe, on lui propose des contenus adaptés. Et on propose à l utilisateur concrètement l ensemble des produits achetés par les utilisateurs ayant consommé les mêmes produits que lui. C est ce que l on voit fréquemment sur les sites marchands : Les personnes qui ont acheté ce produit ont également acheté ces autres produits. Illustration Par exemple, une librairie en ligne a associé tous ses produits via l historique d achats. «Crimes et Châtiments» et «Guerre et Paix» sont des classiques de la littérature russe, fréquemment achetés par les mêmes utilisateurs. On recommandera donc à Léa, qui a récemment acheté «Crimes et Châtiments», le livre «Guerre et Paix». L algorithme séduit par sa simplicité apparente. Mais dans la pratique cet algorithme a tendance à favoriser uniquement des produits très populaires et reproduit alors les relais classiques du type «Meilleures ventes», apportant assez peu de valeur ajoutée. 21

22 Les différentes approches de la recommandation personnalisée Le graphe ou la prise en compte de l ensemble des relations Les approches précédentes exploitent exclusivement les liens directs entre l utilisateur, d un côté, et, de l autre côté, les produits en vente. Or, la sophistication progressive des sites marchands et l avènement des réseaux sociaux ont multiplié les opportunités de collecte de données. Par exemple : Un site marchand de vêtements peut donner à l utilisateur la possibilité de mettre une marque en favoris, elle-même associée à plusieurs produits On peut aussi collecter la consultation de contenu d un blog lié à une e-boutique. Si un client lit toujours les articles d une même rubrique, il pourra se voir recommander des articles correspondant à cette rubrique. Par exemple, Le Figaro possède des sites médias et e-commerce. A partir des contenus lus par les internautes, il peut leur proposer une sélection personnalisée de spectacles pertinents sur son site web Ticketac Enfin, les sites disposant d un connecteur social (type Facebook Connect) ont, en plus, accès à de nombreuses informations provenant des réseaux sociaux (éventuels liens d amitié entre les utilisateurs, centres d intérêts, etc.) Toutes ces données permettent de générer des interactions entre les produits eux-mêmes, entre les utilisateurs eux-mêmes et entre les utilisateurs et les produits en grand nombre. Le graphe est une approche complète pour gérer et exploiter l ensemble de ces relations. 22

23 Les différentes approches de la recommandation personnalisée Facebook et le graphe C est Facebook qui a rendu célèbre l approche en graphe. Chaque seconde, Facebook collecte des millions de relations : amitiés entre utilisateurs, créations, partages et «likes» de statuts, de photos, de vidéos Seule une infime partie de tous les éléments du graphe Facebook seront proposés à l utilisateur dans son fil d actualité. Proposer les contenus les plus pertinents pour l utilisateur est d une importance cruciale pour Facebook s il veut maintenir l intérêt des utilisateurs sur le réseau social. Pour cela, Facebook a développé un algorithme de recommandation spécialement conçu pour fonctionner sur des données de Graphe : le EdgeRank. L algorithme attribue un score à tous les contenus du voisinage de l utilisateur, en fonction de l affinité entre l utilisateur et l émetteur du contenu. Cette affinité se renforce à mesure que l utilisateur interagit avec les contenus émis. Toutes les interactions n ont pas la même importance. Par exemple, Facebook estime qu un commentaire a plus d importance qu un like. Par ailleurs, l ancienneté de la relation joue en sa défaveur. Les relations les plus récentes auront plus de poids dans l algorithme EdgeRank. A l instar de Facebook, un e-marchand doit réussir à détecter l univers de l utilisateur pour lui proposer l offre la mieux adaptée. Léa a laissé plusieurs empreintes numériques au cours de son activité sur un site de prêt-à-porter et sur les réseaux sociaux. Sur Facebook, elle a recommandé à ses amies un article de Glamour sur les tendances de l été. Sur le site, elle a mis en favoris les marques Mango, Zara, Repetto. Elle vient de consulter les pages de plusieurs robes de style «Liberty» et de chaussures légères. On va alors lui proposer des ballerines à pois de la marque Repetto. La recommandation tient compte à la fois de son profil (les likes et les mises en favoris) et du contexte (la recherche d une tenue pour l été). Le graphe est l approche qui permet de prendre en compte un maximum d éléments car il prend en considération les liens directs entre un utilisateur et un produit mais aussi les liens indirects via les caractéristiques inhérentes aux produits/contenus. Cette approche permet de cerner au mieux l internaute pour ainsi lui proposer une recommandation efficace. C est la raison pour laquelle Facebook mais aussi LinkedIn (pour les recommandations de contacts) ou Youtube (recommandations de vidéos) ont choisi cette approche. 23

24 4. Comment faire de la recommandation personnalisée?

25 Comment faire de la recommandation personnalisée? L efficacité d un système de recommandation personnalisée est directement liée au type d algorithme utilisé comme nous venons de le constater mais pas seulement. Il existe d autres facteurs clés de succès : certains sont directement liés à la solution elle-même, d autres à l intégration qui est réalisée sur le site. 4.1 Les éléments clés d une solution de recommandation Le processus de recommandation Le processus de recommandation est généralement structuré en trois étapes incontournables représentées par le schéma suivant : Ce fonctionnement doit permettre de recommander le bon produit au bon moment à la bonne personne. 25

26 Comment faire de la recommandation personnalisée? La gestion du profil utilisateur pour recommander à la bonne personne Une recommandation ne peut être efficace sans la constitution d un profil utilisateur complet. L identité, les centres d intérêts et le comportement d un visiteur sont autant d indices qui permettront de générer une recommandation précise. L identification systématique d un visiteur n est pas possible car peu d internautes sont connectés durant leur navigation. Une identité anonyme est donc créée à partir des informations de leur navigateur. Le profil d un utilisateur se constitue ensuite d une multitude d informations de natures différentes, comme un mille-feuille se construisant au fur et à mesure, caractérisant de manière unique un visiteur. Parmi ces éléments caractéristiques, notons les familles suivantes : Les données comportementales : les pages ou les vidéos vues lors de la navigation, les achats effectués, le mode de navigation, les clics réalisés sur les ings CRM Les données sociales : les centres d intérêt ou les relations d amitiés provenant des réseaux sociaux (en cas de connexion à un réseau social) Les données retraitées comme les données provenant d une base CRM ou d une DMP (appartenance à un segment Sport, CSP+, Femme, Senior, etc.) Les données déclaratives : (âge, sexe, lieu d habitation, centres d intérêts, etc.) Les données provenant du monde physique comme les cartes de fidélité en boutiques qui apportent une information d une extrême importance La richesse et la diversité de ces informations permettent d enrichir un profil utilisateur pour lui proposer les produits les plus appropriés dans sa démarche d achat. 26

27 Comment faire de la recommandation personnalisée? Le temps réel pour recommander au bon moment Il est important d intégrer deux éléments essentiels pour cerner les besoins d un visiteur : qui il est (analyse de son profil et de son historique) et ce qu il veut (ses intentions, ce qu il cherche à un instant précis). Chaque chargement de page, chaque clic, chaque like, chaque mise en favoris ou ajout dans le panier est un nouvel indice sur le type de produit apprécié et / ou recherché par un visiteur. Il est donc indispensable de collecter et d exploiter ces données en temps réel. L intégration des dernières actions du visiteur, lors de la même session, permet de lui proposer au fil de sa navigation des recommandations plus précises et plus efficaces, s approchant de plus en plus de ce qu il recherche. Les algorithmes de recommandation doivent donc être pensés pour pouvoir être exécutés en quelques dizaines de millisecondes tout en exploitant la totalité des informations connues sur un visiteur, aussi bien récentes qu anciennes. L approche technique employée pour effectuer des recommandations pertinentes au bon moment est donc cruciale. Savoir exploiter des quantités de données importantes peut être complexe. Le faire en temps réel l est encore plus. Une bonne solution de recommandation saura combiner en temps réel des données historiques et les toutes dernières informations. 27

28 Comment faire de la recommandation personnalisée? Le scoring pour identifier le bon produit En interprétant intelligement de nombreuses données, la solution va déterminer la probabilité d achat de chaque produit du catalogue. Les produits ayant la probabilité la plus élevée seront les produits affichés à l internaute. Tout l art de l algorithme est d analyser et de pondérer le plus justement l ensemble des relations existantes entre un utilisateur et les produits du catalogue. 2 types de relations sont analysés pour proposer les meilleures recommandations : Les relations entre l utilisateur et le produit : à partir des informations connues, on détecte un niveau d intérêt pour chaque produit. Les relations entre les produits eux-mêmes : en déterminant le niveau d association entre les produits, on dispose d une information très utile notamment pour réaliser des recommandations cross-sell. A titre d exemple, le dernier produit consulté va ainsi être un élément déterminant pour la recommandation. C est la prise en compte du contexte, en temps-réel. L historique aussi peut révéler des informations très utiles, par exemple sur le niveau de gamme que la personne consomme habituellement Le machine learning pour affiner les recommandations Un véritable système de recommandation ne peut pas se passer d une mécanique de machine learning. Ce processus d apprentissage automatisé est crucial pour assurer la pertinence et l optimisation des recommandations dans le temps. Cette phase d apprentissage automatisé correspond à l analyse des réactions des visiteurs sur les recommandations qui leur sont proposées afin d en déterminer la pertinence et dans le but de les améliorer au fur et à mesure. Concrètement les algorithmes de machine learning classent les réactions des visiteurs en deux catégories. Une recommandation peut être un succès (se concrétisant par un clic sur le produit voire une action plus engageante comme un achat) ou un échec (caractérisé par l indifférence du visiteur envers une recommandation). Ces succès et échecs sont mis en relation avec la raison pour laquelle une recommandation a été effectuée afin de permettre un ajustement automatisé des règles de recommandations. Ces données sont autant d éléments à collecter en complément des autres données qu il va falloir traiter le plus rapidement possible et dans la durée afin d ajuster les recommandations en permanence. 28

29 Comment faire de la recommandation personnalisée? L automatisation face à la gestion manuelle L un des attraits d un système de recommandation efficace est que la collecte, l analyse, la génération de recommandations et l optimisation se font de manière complétement automatisée. Nombreux sont encore les sites marchands procédant à un merchandising manuel dont l objectif est de faire comme de la recommandation. Ainsi, à partir de l analyse globale du comportement des utilisateurs et des top ventes et également sur la base de l instinct, des sélections et des associations de produits vont être réalisées. Cette approche se veut peu rationnelle et peu efficace car très liée à la capacité humaine de créer des associations pertinentes. Mais c est surtout intenable à maintenir dans la durée compte tenu de l explosion du volume des catalogues produits. L automatisation des associations de produits est un point fondamental. Très rapidement, il peut y avoir des millions de combinaisons proposés même avec un catalogue de quelques milliers de produits. Toutes ces associations vont être créées en temps réel et en permanence. Ainsi en plus d être plus efficace, une bonne solution va faire gagner un temps important aux équipes marketing. Certaines solutions proposent de piloter manuellement les règles de recommandation. C est à éviter pour plusieurs raisons : le pilotage humain D une part parce que le pilotage humain sera toujours moins efficace et moins puissant qu une série d algorithmes complétée par l apprentissage automatisé (machine learning) la gestion manuelle Ensuite, la gestion manuelle impose d avoir des ressources humaines pour effectuer cette tâche, considérant qu un homme sera toujours moins disponible qu une machine fonctionnant 24/24 et 7/7 un algorithme Enfin un algorithme ne peut pas travailler correctement si on lui impose des règles différentes en permanence, car tout son processus d apprentissage sera remis en cause en permanence dans le cas d une solution hybride Si ne pas modifier les règles à travers une intervention manuelle est un point important, cela n impose pas l absence de prise en compte de certaines règles métiers. 29

30 Comment faire de la recommandation personnalisée? La prise en compte des règles métiers et des stratégies spécifiques Chaque secteur, chaque catégorie de produits, chaque marchand possède des contraintes qu il convient de respecter dans l intérêt du marchand. C est un travail à effectuer en phase de mise en œuvre de la solution. Il s agit de définir un cadre dans lequel les algorithmes de recommandation pourront évoluer librement. Il existe une multitude de règles possibles puisque chaque business est différent, chaque objectif propre à chacun. Cependant, en pratique, on retrouve souvent les mêmes : La gestion des stocks : on ne recommande un produit que s il est disponible ou le sera sous moins de 48h par exemple. On pourra aussi éviter de recommander un spectacle ou une chambre d hôtel qui ne possède plus que quelques dates disponibles La marge : on peut décider de favoriser les produits qui ont une marge plus importante même si la probabilité de succès de la recommandation (l achat) est plus faible afin de mettre l accent sur la rentabilité vs le chiffre d affaires Les contraintes liées aux fournisseurs : certaines marques ne peuvent ou ne veulent pas être associées les unes aux autres par exemple Les contraintes liées aux produits : certains produits ne peuvent être recommandés que dans certaines conditions (par exemple pour les pièces automobiles, il faudra avoir déterminé le type de véhicule en amont de la recommandation pour être pertinent) quand d autres ne doivent pas être recommandés du tout (les films adultes pour un service de VOD grand public par exemple) 30

31 Comment faire de la recommandation personnalisée? A ces règles peuvent s ajouter des stratégies spécifiques en fonction des objectifs de chaque marchand impactant le type de recommandations à générer, comme par exemple : La longue traîne : il est assez courant de vouloir éviter de valoriser les best-sellers à travers la recommandation car il est assez aisé de relayer les meilleures ventes sur un site ou sur une newsletter via un bloc «top ventes» par exemple. Une des contraintes fixée au système de recommandation peut être de favoriser les produits moins vendus, ceux de la longue traîne La similarité : l objectif est assez simple, c est éviter que l internaute ne quitte le site simplement parce qu une des caractéristiques du produit ne lui convient pas. Il faut alors lui proposer une recommandation prenant en compte ses attentes eu égard à son comportement L up sell : dans ce cas, la recommandation va favoriser des sélections de produits qui peuvent répondre aux besoins du client mais dont le prix est plus élevé afin de faire croître le CA La complémentarité : un des rôles de la recommandation peut également être de favoriser la promotion de produits complémentaires afin d optimiser le nombre de produits achetés et donc le montant du panier L ouverture totale : une autre tactique consiste à ouvrir complétement la recommandation. Ainsi à un acheteur d un VTT, on ne lui proposera pas un autre VTT ou un bidon d eau mais un maillot de bain parce que le comportement le plus fréquent est d acheter ces 2 produits Le cross sell vers un autre site : il n est pas rare que les marchands possèdent différents sites, avec chacun une offre spécifique. Un des enjeux de la recommandation peut être de pousser des sélections de produits du site B sur le site A. Dans cette optique il s agit d optimiser la circulation d un client d un site vers un autre pour amortir le coût d acquisition par exemple Le «content to store» : de plus en plus de marchands développent des stratégies de contenus afin d optimiser leur SEO (webzine, chaîne de vidéos explicatives, forum d échanges, etc.). La partie éditoriale peut représenter une part significative de l audience (jusqu à 30% ou plus) qu il convient de monétiser. Le rôle de la recommandation va être alors d analyser le comportement des utilisateurs sur ces espaces afin de leur proposer des sélections de produits adéquates. C est le «content to store». La technologie du graphe est particulièrement adaptée à cette problématique. C est la stratégie par exemple adoptée par Orange qui propose des recommandations de films en VOD sur sa rubrique Cineday dédiée à l actualité du cinéma 31

32 Comment faire de la recommandation personnalisée? Le suivi des performances avec l A/B testing L objectif d une solution de recommandation personnalisée est de générer davantage de valeur qu une sélection standard de produits, faite à la main ou via une règle simple. La meilleure approche pour mesurer l amélioration apportée est l A/B testing. Cela consiste à mettre en concurrence une sélection standard de produits proposée à un échantillon représentatif d internautes (10-20 %) et une sélection générée par la solution de recommandation personnalisée, proposée au reste de l audience. L A/B testing va permettre de suivre et de comparer le taux de clic, le taux de transformation et le CA généré par chaque groupe et ainsi de visualiser très simplement et sans aucun biais l impact de la recommandation prédictive personnalisée. Les résultats peuvent être très impactants. Par exemple, pour Ticketac. com, sur une période de plusieurs mois, le taux de clic a été augmenté de 85% et le taux de transformation de 49%. Au final la valeur générée via les blocs de recommandation personnalisée a augmenté de 249% vs une sélection standard de produits! L accès aux chiffres doit être simple et les résultats mis à jour en quasi temps-réel (idéalement dans une console d administration). 32

33 Comment faire de la recommandation personnalisée? 4.2 La recommandation sous toutes ses formes Si le fonctionnement de la solution est fondamental pour obtenir des recommandations pertinentes, force est de constater que bien intégrer les recommandations dans l expérience utilisateur est un point tout aussi important. Comme pour la collecte, la recommandation peut et doit être présente sur tous les canaux : un site web, le CRM ou le site mobile. Bien entendu, plus une sélection de produits recommandés sera visible plus l impact sera important. C est pourquoi, d une manière générale, il est important d intégrer les sélections au-dessus de la ligne de flottaison, quel que soit le canal. Voici quelques exemples d intégrations possibles avec une solution de recommandation prédictive efficace et complète Sur les sites web La recommandation personnalisée peut être intégrée sur quasiment toutes les pages d un site. Les recommandations vont évoluer, au fur et à mesure de la navigation, en fonction du contexte (page d accueil, page catégorie, page produit, etc.) et des actions de l internaute. Même si sur un site marchand elle ne représente guère plus que 10/20% maximum du trafic, la page d accueil offre une première opportunité. L internaute pourra découvrir une recommandation cohérente par rapport à son comportement récent et son historique. Il pourra directement débuter une navigation active sur le site. Tout comme un vendeur accueille un client qu il reconnaît. Exemple de Ticketac.com, le site de vente de billets de spectacles du Groupe Figaro offrant une sélection de 7 spectacles recommandés dès la page d accueil. 33

34 Comment faire de la recommandation personnalisée? Une autre approche intéressante et encore plus innovante est d afficher une page 100% personnalisée. C est l algorithme qui va générer l ensemble des sélections de produits en fonction du profil et du comportement de chaque internaute. Dans ce cas, il n existe plus une, mais de multiples pages d accueil. Peu de sites, marchands ou medias, ont effectué ce type de choix radical mais allant dans le sens de l évolution de l Internet. Exemple du site média Trace TV. 34

35 Comment faire de la recommandation personnalisée? La page de catégorie présente souvent des dizaines voire des centaines de produits. Proposer une sélection de produits qui «parlent» à l internaute améliore les chances de transformer. Une bonne recommandation pousse à continuer la visite. Exemple de MicroApp recommandant 3 produits sur la page de catégorie 35

36 Comment faire de la recommandation personnalisée? L emplacement dont les performances d une sélection recommandée et personnalisée ne sont plus à démontrer reste bien évidemment la page produit. Proposer des recommandations ici, c est éviter de voir l internaute rebondir vers un autre site ou son moteur de recherche, si le produit présenté ne lui convient pas complètement. C est pourquoi il faut absolument lui proposer des recommandations personnalisées. Pourquoi pas en plaçant des recommandations à côté ou en-dessous de la photo? Il est également idéal de proposer des recommandations cross-sell, un peu plus bas sur la page, afin de compléter le panier. Par exemple, Léa se projette d autant plus facilement sur un petit top qu elle peut voir d autres produits qui sont cohérents avec celui-ci. Quoi de mieux pour la faire craquer! Exemple de Décathlon recommandant des articles de sport 36

37 Comment faire de la recommandation personnalisée? La page panier va ensuite permettre de pousser de nouveau des produits complémentaires. L internaute a fait son choix, il est prêt à acheter, pourquoi ne pas lui proposer d ajouter d autres produits afin d augmenter le montant du panier? Cette technique est d ailleurs utilisée depuis déjà bien longtemps dans les boutiques physiques qui proposent des produits dans la file de caisse. Le web et la recommandation permettent la même approche mais en plus personnalisé! Exemple de la page panier de Mister-Auto.com Pour finir, la page de confirmation est intéressante pour du cross-sell. C est la première étape pour fidéliser les clients et pousser au ré-achat pour une prochaine fois. 37

38 Comment faire de la recommandation personnalisée? En CRM Alors que depuis le début de l Internet, on associe CRM au one-to-one, force est de constater que c est une logique de masse qui a prévalu et qui prévaut encore pour la plupart des marchands. Plus le nombre d s envoyés est important, meilleurs sont les résultats d un point de vue quantitatif. Néanmoins, eu égard à la taille d un et au nombre limité de produits promus, les internautes sont généralement concernés par une toute petite partie de la sélection proposée. En conséquence, la pression et le nombre d s reçus étant en constante augmentation, les taux d ouverture et de clics chutent et les taux de désinscription sont en hausse depuis plusieurs années. Cette érosion a longtemps été masquée par le recrutement de nouveaux internautes dans les bases CRM. Maintenant que le marché est plus mature, la dégradation du business généré à travers les s pousse les marchands à être plus fins dans les types d s envoyés, leur fréquence et leur contenu. Utiliser la recommandation personnalisée dans les programmes CRM est donc un enjeu clé pour enfin apporter un réel service et ainsi optimiser les taux d ouverture comme de clics. Il est important de garder en tête qu une solution de recommandation ne remplace pas un système de routage d ou de scénarisation marketing (envoi d un automatisé à une date anniversaire, en fonction de telle action ou de telle absence d action). Simplement cela enrichit et personnalise le contenu qui est envoyé aux internautes pour en optimiser l efficacité. Comme pour un site web, il existe de multiples occasions d intégrer des recommandations personnalisées sur un CRM. newsletter Quasiment tous les sites marchands proposent une newsletter généralement hebdomadaire ou quotidienne pour les plus agressifs, avec un contenu identique pour tous. Le fait de personnaliser la newsletter avec des recommandations individuelles en améliore la pertinence. Elle sera perçue comme plus intéressante et plus riche. Ainsi, l ajout de recommandations va contribuer à la diminution des désabonnements, à l augmentation du taux de clics et surtout à l amélioration du taux de transformation. Le cercle devient vertueux et cela sera bénéfique pour le taux d ouverture des futurs s. transactionnel Les s transactionnels (abandon panier, avis client, etc.), générés automatiquement suite au déclenchement d un évènement, sont de réelles opportunités pour afficher des recommandations personnalisées. Par exemple, suite à un abandon de panier, l envoi d un contenant des produits similaires va améliorer la probabilité de faire la vente. Autre possibilité avec un de notation d avis qui est aussi une bonne occasion pour pousser des recommandations de produits similaires (un spectacle, un film, un tee-shirt, une paire de chaussures, etc.) ou des produits complémentaires (un équipement additionnel à l achat d un VTT ou d un appareil photo, etc.) pour faire acheter de nouveau l internaute dans un contexte favorable. 38 campagne promotionnelle Une autre possibilité consiste à envoyer un dédié de campagne promotionnelle à un groupe d individus dont l appétence pour un produit est marquée. Une bonne solution de recommandation prédictive offre cette possibilité : prendre un ou plusieurs produits vendus sur le site marchand et extraire les abonnés susceptibles de les acheter. Par exemple, Ticketac.com est capable d identifier les personnes intéressées par la pièce «Couscous et lardons» parmi les abonnés à ses newsletters.

39 Comment faire de la recommandation personnalisée? 4.3 Solution de recommandation : en interne ou avec un partenaire? Une ou plusieurs solutions? Proposer des recommandations personnalisées de produit à un internaute paraît une chose tellement logique sur le papier pour un marchand que la question du développement interne se pose. Néanmoins, une solution de recommandation demande un investissement très conséquent, tant dans son élaboration que pour sa gestion : Un investissement financier : 500K au minimum Un investissement humain et en compétence : le recrutement d experts techniques en big data, en algorithmique et d un data scientist n est pas simple du tout et se révèle très coûteux Un investissement en temps : 12/18 mois de développement au minimum Eu égard à ces investissements très lourds, très peu de marchands ont choisi de développer en interne leur solution de recommandation prédictive. Amazon le fait avec 250 personnes et en France Cdiscount est l un des seuls connus à essayer de le faire. C est la raison pour laquelle, la très large majorité des marchands, en France comme aux Etats-Unis a choisi de collaborer avec un partenaire dont le métier est le développement d une telle solution. C est plus rapide, plus efficace et moins coûteux. Autre question importante : doit-on avoir une ou plusieurs solutions de recommandation (une pour le site, une pour le CRM, une pour le contenu, etc.)? Le plus efficace et le plus simple est bien évidemment d utiliser une seule solution : La pertinence de l expérience utilisateur : pour un internaute, c est toujours déstabilisant de visualiser des recommandations complètement différentes sur un et sur le site simplement parce qu il y a 2 partenaires qui ont chacun une approche différente. L efficacité des recommandations est plus forte car les algorithmes collecteront beaucoup plus de données et auront plus d occasions de générer des succès et des échecs. Au final, les résultats seront meilleurs (taux de clic, taux de transformation, etc.) L investissement en temps est optimisé tant au niveau de l installation que de la gestion L investissement financier est forcément moindre : frais fixes d installation moindres, économies d échelle 39

40 Ce qu il faut retenir!

41 Ce qu il faut retenir! Le contexte pour les e-marchands a fortement évolué ces dernières années et est devenu bien plus complexe : Le marché français est devenu mature, le nombre de nouveaux internautes et de nouveaux acheteurs en ligne augmente peu Face à une concurrence de plus en plus exacerbée, acquérir de nouveaux clients devient de plus en plus compliqué Les clients sont peu fidèles et ne permettent pas forcément d être rentabilisés dès le premier achat. Ces évolutions rapides et impactantes obligent les e-marchands à adapter leur stratégie. Il devient pour eux essentiel d offrir une meilleure expérience à chaque internaute pour les transformer et les fidéliser. Ce sont les objectifs de la mise en œuvre d une solution de recommandation personnalisée qui va impacter fortement et durablement les KPIs clés (taux de conversion, CA généré par les sélections de produits, taux de ré-achat, etc.). Elaborer une solution de recommandation personnalisée complète et efficace demande un investissement très lourd en temps, en argent et en énergie. Collaborer avec un spécialiste de ce type de solution est la meilleure façon d avoir un impact rapide et efficace sur son business. Toutes les solutions ne se valent bien évidemment pas. Voici ce que la solution doit intégrer : La solution doit fonctionner sur la base d un graphe, approche qui permet la prise en compte de l ensemble des données comportementales des clients pour des recommandations plus fines La solution doit être multicanal et ainsi gérer tous les points de contact (site marchand, partie éditoriale le cas échéant, CRM, mobile, etc.) pour une plus grande efficacité des recommandations et pour une expérience plus cohérente. La solution doit prendre en compte l historique client comme les actions en temps réel afin de proposer les meilleures recommandations. L algorithme doit être auto-apprenant pour devenir de plus en plus performant dans le temps (machine learning) La solution doit avoir une interface de suivi des indicateurs principaux sur les différents supports (site web, CRM, ) La solution doit prendre en compte les règles métiers mais ne pas imposer une gestion manuelle complexe 41

42 Ce qu il faut retenir! Afin de maximiser les chances de réussites, le partenaire choisi doit rassembler les compétences suivantes : Il doit avoir de l expérience avec plusieurs types de marchands. Cela garantit un maximum de retours d expérience et de best practices Un partenaire gérant des projets en France et à l international aura encore une meilleure expérience et une vision plus affinée de la recommandation Il doit être un business partner et pas simplement un prestataire. C est la raison pour laquelle il convient de privilégier un modèle de rémunération à la performance Une fois le partenaire et la solution choisie, voici ce qu il faut garder en tête pour une intégration réussie : La mise en place doit être simple, rapide et ne pas nécessiter (ou très peu) de ressources techniques du côté du marchand La recommandation doit être intégrée sur toutes les pages clés du parcours, de la page d accueil à la page de confirmation d achat Il faut définir des règles métiers correspondant aux objectifs business a priori puis laisser les algorithmes faire leur office Il faut itérer, itérer et itérer! Testez régulièrement l emplacement, le format et le design des recommandations La mise en place d A/B testing permet de mesurer sans biais l apport des recommandations au business. Maintenant, vous savez tout ce qu il faut savoir sur la recommandation prédictive personnalisée. Bon projet! 42

43 À propos d AntVoice!

44 A propos d AntVoice AntVoice édite une solution innovante de recommandation prédictive permettant aux sites marchands d afficher des recommandations de produits 100% personnalisées à chaque internaute en fonction de leur profil et de leur comportement, sur tous les canaux (site, CRM, mobile). Ils nous font confiance : Nous suivre : Nous contacter : AntVoice 28 rue du sentier Paris [email protected]