Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com
L embarras du choix
Donner envie de découvrir
E-commerce: quelques chiffres $1000 milliards 10% croissance annuelle 1 million de boutiques # produits par magasin: 100 1M # visiteurs par magasin: 100 Ms
Nombre de pages produit vues par visiteur
Systèmes de recommandation Outil de découverte Service personalisé Recherche visuelle
Le but est de Recommender le bon produit à la bonne personne au bon moment Comment le faire de manière optimale?
Différentes façons de faire Moteur de règles définies à la main Le marchand a ses propres idées sur ce que veulent les visiteurs Décisions prises arbitrairements, sans données Impact non mesuré
Améliorer les recommandations Collecte Et analyse Prédiction Mesure Propriété: http://www.dailymail.co.uk Propriété: www.girlaboutotown.com
Personnalisation basée sur la donnée Automatique, sans intervention humaine Temps réel Mesure de l efficacité Collecte Apprentissage Unique pour chaque visiteur Déploiement
L apprentissage
Types de systèmes de recommandation Content-based Meta-données produits (titre, description, image) Collaborative Données d intéraction visiteurs-produits
Système de recommandation de Youtube Beaucoup de données d interaction Visionner une vidéo est une marque d intérêt # Youtube: "The YouTube video recommendation system.", Davidson, James, et al. Proceedings of the fourth ACM conference on Recommender systems. ACM, 2010.!
Problème: complétion de matrice Quel produit faut-il montrer à un visiteur par rapport à son historique de parcours? Items i Quelle entrée est la plus probable Users u r ui de devenir une visite?
Filtrage collaboratif Chaque utilisateur aide les autres utilisateurs Items i Chaque produit aide les autres produits Users u r ui Plus il y a de données, mieux sont les résultats r ui = interaction visiteur-produit
Qu est-ce que ça donne?
Produit a seulement 44 vues! Très faible nombre de clicks ailleurs! Peu de mises en panier! Produits recommandés: Livres sur Samsung et Apple
Performance vs. découverte:" White socks effect
L architecture du système Picture source: http://hackermaster.free.fr/ftp/dedibox/dedibox.jpg
Utiliser un système de recommandation " sur un site d e-commerce myshop.com Stockage Analyse et learning Sollicitation du service de recommandation A chaque page affichée Génération graph.
Application 3-tiers classique Requête entrante Firewall Load-balancer Application Servers Database Servers Widget sortant Static file servers Rendering
Contraintes d infrastructure Générales Haute disponibilité Sécurité Temps de réponse minimal Opérationelles Extensibilité Volume de stockage Maitrise des coûts myshop.com yourshop.com
Infrastructure as code Applications Containers Machines Cloud platform (AWS, GCE, Digital Ocean)
Building block Deploiement VM App Bins/ Libs OS Container App Bins/ Libs Croissance d un client + Croissance du nombre de clients C 1 + C 2 C n
se fait en fonction de la demande Ressources existantes + CPU + RAM L évolution de l infrastructure
Résultats
Nombre de pages produits vues par utilisateur Utilisateurs qui ont cliqué! au moins une fois sur une recommandation! Utilisateurs qui! n ont jamais cliqué sur une recommandation!
Nombre de produits ajoutés au panier par utilisateur 60% 90% 23% 7% 7% 2% Utilisateurs qui ont cliqué! au moins une fois sur une recommandation! Utilisateurs qui! n ont jamais cliqué sur une recommandation!
Statistiques globales par utilisateur Les utilisateurs qui cliquent sur des recommandations! Les autres! % des utilisateurs qui reviennent après 24H! 17.67 1.41! Nombre de pages moyen vu par visiteur! 3.36 1.12! % des utilisateurs qui ont un panier! 7.2 2.0! Taille moyenne du panier s il y en a un! 1.83 1.18!
Parcours guidé par la recommandation Produit 1! Produit 2! Mise en panier Produit 2! Recommandation pertinente vers Produit 2!
Parcours guidé par la recommandation Produit 1! Recommandation Produit 2! Mise en panier produit 1! Recommandation Produit 3! Recommandation Produit 4! Mise en panier Produit 4!
Conclusions La personnalisation au service du visiteur La donnée au service du commerçant
? contact@.com