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