Les moteurs de recommandation sont un outil puissant pour Amazon, Netflix et bien d'autres. Le chroniqueur Daniel Faggella examine les avantages de ces moteurs et explique pourquoi les spécialistes du marketing devraient s'y intéresser.
La longue liste de suggestions de films et de séries de Netflix est un excellent exemple d'expérience utilisateur personnalisée. En effet, selon l'entreprise, environ 70 % des contenus visionnés par les utilisateurs sont des recommandations personnalisées.
Parvenir à ce résultat n'a pas été chose facile, et l'amélioration de son système de recommandations est un processus continu. Netflix a consacré plus d'une décennie au développement et au perfectionnement de ses recommandations.
En 2006, Netflix a lancé le Prix Netflix afin de recruter des experts en apprentissage automatique capables d'améliorer son algorithme. Une équipe de chercheurs en sciences algorithmiques a surpassé l'algorithme de l'entreprise de 10 % – un faible pourcentage, certes, mais suffisamment convaincant pour que Netflix entrevoie des progrès considérables. Leurs efforts leur ont valu un prix d'un million de dollars.
Les moteurs de recommandation peuvent aider les spécialistes du marketing et les organisations à accroître la probabilité de proposer des recommandations adaptées à l'activité ou au comportement en ligne passé d'un utilisateur, grâce à une connaissance approfondie basée sur l'analyse de données massives.
Dans cet article, j'expliquerai comment les entreprises peuvent optimiser leur retour sur investissement en tirant pleinement parti de la personnalisation et des recommandations. Je détaillerai les avantages potentiels des moteurs de recommandation en les classant en trois catégories, d'après l'analyse menée par mon entreprise sur des dizaines de cas d'utilisation.
Amélioration avec l'usage (boucle de rétroaction positive)
L'objectif du prix Netflix était d'améliorer la fidélisation des abonnés, autrement dit, de rendre son service plus attractif sur le long terme. Mais l'entreprise ne recherchait pas une amélioration ponctuelle.
La promesse des moteurs de recommandation est de construire un système qui s'améliore automatiquement, capable, grâce à un flux de données suffisant, de mieux satisfaire les utilisateurs au fil du temps. Comme l'expliquent Carlos Gomez-Uribe et Neil Hunt de Netflix dans un article publié (PDF) :
En créant un service plus attractif grâce à des recommandations personnalisées de meilleure qualité, nous incitons les membres hésitants à rester plus longtemps et améliorons ainsi la fidélisation.
En proposant une liste de contenus susceptibles de plaire à ses abonnés grâce à une classification ultra-précise, Netflix a simplifié le choix parmi la multitude d'options de vidéo à la demande. Et le suivi des résultats, notamment l'analyse des tendances d'audience et de désabonnement, permet à l'entreprise d'affiner ses résultats au quotidien.
Pour maintenir sa croissance de revenus, l'entreprise doit non seulement recruter de nouveaux membres, mais aussi fidéliser ses abonnés actuels. Autrement dit, plus le taux de désabonnement est faible, plus les revenus mensuels sont élevés.
Netflix dispose de très peu de temps pour convaincre les utilisateurs de parcourir l'application et de sélectionner une vidéo ; selon la société, ils se désintéressent 60 à 90 secondes après avoir consulté une vingtaine de titres seulement.
Gomez-Uribe et Hunt ont déclaré qu'en appliquant un système de recommandation plus sophistiqué et une expérience utilisateur personnalisée, ils ont pu économiser 1 milliard de dollars par an sur les annulations de services.
Un coup d'œil aux chiffres d'affaires de Netflix révèle qu'au deuxième trimestre 2017, la société a enregistré une croissance de 32.3 % par rapport à l'année précédente, grâce à l'ajout de 5.2 millions d'abonnés à ses 99 millions de membres existants au trimestre précédent.
Grâce à un volume de données plus important pour entraîner ses algorithmes (c’est-à-dire un plus grand nombre d’utilisateurs actifs interagissant quotidiennement avec la plateforme Netflix), Netflix a l’avantage d’améliorer son offre toujours plus rapidement pour ses abonnés actuels. Cette dynamique de « tout au gagnant », selon Gary Swart, investisseur en intelligence artificielle chez Polaris Partners, est l’une des raisons pour lesquelles « l’amélioration par l’usage » est si importante.
Existe-t-il un site web capable de répondre aussi bien à vos questions que Google ? Probablement pas. Ce dernier détient une part de marché colossale et est susceptible de progresser plus rapidement que ses concurrents, même avec moins de données. Une autre plateforme d'achat en ligne peut-elle recommander des produits plus pertinents qu'Amazon ? Probablement pas.
Vous l'aurez compris : les moteurs de recommandation, quel que soit leur secteur d'activité, ont la possibilité de créer le même type de différenciation extrême.
Améliorer la valeur du panier (bénéfice)
Avec un chiffre d'affaires de 37.9 milliards de dollars au deuxième trimestre, Amazon confirme sa domination incontestable sur le commerce en ligne. Son algorithme de filtrage collaboratif article à article, lancé en 1998, propose des recommandations aux clients en fonction des gammes de produits et des thématiques. Le système associe les articles achetés et évalués par un client à des produits similaires dans sa liste, lesquels sont ensuite sélectionnés pour figurer dans ses recommandations.
Alors que sur certains sites web, les recommandations n'existent que dans un seul aspect du parcours client (par exemple, une liste d'« articles similaires » sur la page de paiement du site), Amazon a intégré de nombreux « points d'entrée » de recommandation dans son expérience en ligne afin de maximiser la valeur du panier.
Par exemple, les utilisateurs peuvent cliquer sur le lien « Votre recommandation » pour afficher une page contenant des produits classés par catégories susceptibles de les intéresser, ou ils peuvent consulter la section contenant des articles similaires à des produits déjà consultés.
Les utilisateurs peuvent également consulter les offres groupées dans la section « Articles fréquemment achetés ensemble », ce qui permet à Amazon de réduire les frais de livraison. Ceci serait impossible sans les milliards de points de données — de l'historique d'achats aux paniers abandonnés — que le géant du e-commerce analyse.
McKinsey estime que 35 % des achats effectués sur Amazon sont liés à des recommandations de produits, bien que le géant du e-commerce n'ait jamais communiqué ses propres estimations. En 2016, il a mis à disposition gratuitement son framework d'intelligence artificielle (IA) open source, DSSTNE (prononcé « destin »), afin d'encourager le développement d'applications d'IA.
Le groupe Alibaba, autre géant du commerce électronique, continue de dominer le marché chinois grâce à ses plateformes Tmall et Taobao. Les clients se voient proposer des recommandations de produits basées non seulement sur leurs transactions précédentes, mais aussi sur leur historique de navigation, les avis clients, leurs favoris, leur localisation géographique et d'autres données relatives à leur comportement en ligne.
L'entreprise utilise l'IA pour proposer des recommandations de produits aux nouveaux utilisateurs n'ayant aucun historique d'achats. Sa technologie peut collecter des données issues des achats effectués par un utilisateur sur d'autres plateformes et les utiliser pour trouver des articles correspondant à son profil, a expliqué Wei Hu, directeur des technologies de données chez Alibaba Merchant Service Business Unit, dans un communiqué.
Lors du festival de shopping du 11.11 en 2016, un événement de shopping en ligne de 24 heures en Chine, Alibaba a utilisé l'intelligence artificielle pour afficher des recommandations de produits sur les pages personnalisées des acheteurs. Les marchands participants ont personnalisé leurs boutiques en ligne en fonction des données de leurs clients cibles. Alibaba a indiqué à InsideRetail Asia avoir généré 6.7 milliards de pages d'achat personnalisées et enregistré une amélioration de 20 % du taux de conversion grâce à cet événement.
Améliorer l'engagement et la satisfaction (fidélisation)
Le moteur de recommandation de YouTube est alimenté par Google Brain depuis 2015, et Google le considère comme l'un des systèmes de recommandation les plus sophistiqués à ce jour.
À l'instar de Netflix, YouTube a mené de nombreuses expérimentations et refontes avant d'adopter un algorithme qui recherche les similitudes entre différents types de contenus vidéo. Johanna Wright, vice-présidente de la gestion des produits chez YouTube, a déclaré à Wired que l'entreprise est désormais plus confiante quant à la pertinence des vidéos recommandées pour l'utilisateur.
Vous pouvez également opter pour certification en gestion de produits à Singapour pour acquérir une compréhension approfondie.
YouTube utilise notamment l'historique de visionnage de l'utilisateur, l'ancienneté des vidéos, les termes de recherche et la localisation pour déterminer la vidéo à diffuser ensuite. Contrairement à Netflix, YouTube est gratuit et repose entièrement sur l'interaction avec son contenu (et l'exposition à la publicité), sans modèle d'abonnement.
Grâce à ses recommandations, YouTube espère fidéliser les utilisateurs tout en diffusant des publicités ciblées en fonction de leur historique de visionnage. YouTube perçoit des revenus lorsqu'un utilisateur regarde une publicité pendant plus de 30 secondes, ou lorsqu'il clique sur un élément à l'écran ou sur une publicité affichée sur la page.
Sa société mère, Alphabet, considère YouTube comme faisant partie intégrante de la plateforme de sites web Google, de sorte qu'aucun chiffre d'affaires distinct n'est indiqué (le total des revenus publicitaires de Google au 30 juin 2017 s'élevait à plus de 22 milliards de dollars).
En revanche, les services de streaming musical comme Pandora et Spotify (basé en Suède) utilisent des systèmes de recommandation pour améliorer l'engagement et fidéliser leurs abonnés. Ces plateformes de radio internet génèrent des revenus grâce aux abonnements payants et à la publicité destinée aux non-abonnés.
La fonctionnalité Découvertes de la semaine de Spotify recommande des chansons en fonction des goûts, des habitudes d'écoute, des artistes préférés et même des fonctionnalités utilisées par l'utilisateur. Ceci est rendu possible grâce au filtrage collaboratif et au traitement automatique du langage naturel. Edward Newett, responsable d'ingénierie ayant contribué au développement de cette fonctionnalité de recommandation, a expliqué à Wired :
En essayant d'imiter le comportement de tous nos utilisateurs lorsqu'ils tentent de composer leur mix parfait, nous pouvons tirer parti des 2 milliards de playlists de Spotify, cibler les goûts individuels et créer des playlists intéressantes.
Le moteur de recommandation de Pandora s'appuie sur le projet « Music Genome Project », qui recense 450 attributs musicaux. L'algorithme analyse les chansons de milliers d'artistes et programme ses stations de radio en ligne en fonction des préférences des utilisateurs.
Grâce à ces fonctionnalités de Spotify et Pandora, les auditeurs peuvent découvrir des morceaux inédits susceptibles de les intéresser, notamment ceux d'artistes indépendants émergents. C'est un moyen de fidéliser les abonnés et d'offrir aux non-abonnés un accès à davantage de musique, le tout avec la publicité.
Spotify indique sur son site web qu'en juillet 2017, la plateforme comptait plus de 60 millions d'abonnés et 140 millions d'utilisateurs actifs répartis dans 61 pays, qui ont accès à un catalogue de plus de 30 millions de titres. De son côté, Pandora a réalisé un chiffre d'affaires de 376.8 millions de dollars au deuxième trimestre.
L'utilisation des moteurs de recommandation ne se limite pas à ces secteurs. Les entreprises des secteurs de l'alimentation, du sport et même de la mode utilisent l'intelligence artificielle pour identifier des options pertinentes pour leurs clients. De plus en plus, les entreprises cherchent à améliorer leur retour sur investissement grâce à cette technologie dans leurs campagnes marketing.
___
by Daniel Faggella
la source: MARTECH AUJOURD'HUI
