Système de Recommandation
Les systèmes de recommandation sont appelés systèmes de recommandation ou moteurs de recommandation. Tous effectuent les mêmes actions conçus pour recommander des choses à l’utilisateur en fonction de nombreux facteurs différents. Ces systèmes poussent le produit le plus probable que les utilisateurs sont les plus susceptibles d’acheter et qui les intéressent. Des entreprises comme Netflix,Youtube,Amazon, LinkedIn, Facebook.
Utilisent des systèmes de recommandation pour aider leurs utilisateurs à identifier le bon produit ou les bons films pour eux.
Beaucoup d’utilisateurs ont bénéficié de ce type de systèmes. La qualité et le processus de prise de décision se sont également améliorés grâce à ce type de systèmes.
Nous vous invitons à lire cet article qui explique le fonctionnement des systèmes de recommandation, leurs domaines d'application, quelques exemples d'entreprises qui utilisent des systèmes de recommandation, leurs avantages.
Pourquoi le système de recommandation ?
- Aide les utilisateurs a mieux trouvé ce qu’ils cherchent dans une plateforme
- Aidez les sites Web à améliorer l’engagement des utilisateurs.
- Présenter à l’internaute un contenu personnalisé.
- Aidez les vendeurs d’articles à présenter le Bon article au bon utilisateur.
Fonctionnement et Comment ça marche :
Les systèmes de recommandation collectent les données des clients et analysent automatiquement ces données pour générer des recommandations personnalisées. Ces systèmes s'appuient à la fois sur des données implicites, comme l'historique de navigation et les achats, et sur des données explicites, comme les évaluations fournies par l'utilisateur.
Le filtrage basé sur le contenu et le filtrage collaboratif sont deux approches couramment utilisées pour générer des recommandations
Domaines d’application :
Presque toutes les entreprises peuvent bénéficier d'un système de recommandation. Deux aspects importants déterminent les avantages qu'une entreprise peut tirer d'un système de Recommandation :
L'ampleur des données : Une entreprise qui travaille avec des clients qui se comportent de manière différente ne tirera pas grand profit d'un système de recommandation automatisé. Les humains sont encore bien meilleurs que les machines dans le domaine de l'apprentissage à partir de quelques exemples. Dans ce cas, vos employés utiliseront leurs logiques et leurs compréhension qualitative et quantitative des clients pour faire des recommandations précises.
Profondeur des données : Disposer d’une seule donnée sur chaque client n'est pas utile aux systèmes de recommandation. Des données approfondies sur les activités en ligne des clients et, si possible, sur leurs achats hors ligne, peuvent guider des recommandations précises.
L’exemple historique :
En 1988, l'alpiniste britannique Joe Simpson a écrit un livre intitulé Touching the Void, un récit dramatique sur une expérience près de la mort dans les Andes péruviennes. L'ouvrage reçoit de bonnes critiques mais, n'ayant qu'un succès modeste, il est vite oublié. Puis, une décennie plus tard, une chose étrange s'est produite. Jon Krakauer a écrit Into Thin Air, un autre livre sur une tragédie d'alpinisme, qui est devenu un succès d'édition. Soudain, Touching the Void a recommencé à se vendre.
Random House s'est empressé de publier une nouvelle édition pour répondre à la demande. Les libraires ont commencé à le promouvoir à côté de leurs présentoirs Into Thin Air, et les ventes ont encore augmenté. Une édition de poche révisée, parue en janvier, est restée 14 semaines sur la liste des best-sellers du New York Times. Le même mois, IFC Films a sorti un film documentaire sur l'histoire, qui a été acclamé par la critique. Aujourd'hui, Touching the Void se vend plus de deux fois plus qu'Into Thin Air.
Que s'est-il passé ? En bref, les recommandations d'Amazon.com. Le logiciel du libraire en ligne a noté des tendances dans le comportement d'achat et a suggéré que les lecteurs qui ont aimé Into Thin Air aimeraient aussi Touching the Void. Les gens ont suivi la suggestion, l'ont approuvée sans réserve, ont écrit des commentaires enthousiastes. Plus de ventes, plus de recommandations alimentées par l'algorithme, et la boucle de rétroaction positive s'est enclenchée.
Il est particulièrement remarquable que lorsque le livre de Krakauer's a été mis en vente, celui de Simpson était presque épuisé. Il y a quelques années, les lecteurs de Krakauer's n'auraient jamais entendu parler du livre de Simpson, et s'ils l'avaient su, ils n'auraient pas pu le trouver. Amazon a changé cela. Il a créé le phénomène Touching the Void en combinant un espace de stockage infini avec des informations en temps réel sur les tendances d'achat et l'opinion publique.
Résultat : une demande croissante pour un livre obscur.
Avantages de système de recommandation :
Augmentation des ventes/conversion
Il existe très peu de moyens d'augmenter les ventes sans accroître les efforts de marketing. Une fois que vous avez mis en place un système de recommandation automatisé, vous obtenez des ventes supplémentaires récurrentes sans aucun effort.
Augmentation de la satisfaction des utilisateurs
Le chemin le plus court vers la vente est une bonne chose car il réduit l'effort à la fois pour vous et pour votre client. Les systèmes de recommandation vous permettent de réduire le chemin vers la vente pour vos clients en leur recommandant une option appropriée, parfois avant même qu'ils ne la recherchent.
Une fidélité et une notoriété accrues
En incitant les clients à passer plus de temps sur votre site Web, vous pouvez accroître leur familiarité avec votre marque et votre interface utilisateur, ce qui augmente leur probabilité de faire de futurs achats chez vous.
Réduction du taux de désabonnement
Les e-mails alimentés par un système de recommandation sont l'un des meilleurs moyens de réengager les clients. Les remises ou les coupons sont d'autres moyens efficaces mais coûteux de réengager les clients. Ils peuvent être associés à des recommandations pour augmenter la probabilité de conversion des clients.
Exemple d’entreprise qui exploite le système :
Netflix
Netflix est une autre entreprise axée sur les données qui exploite les systèmes de recommandation pour améliorer la satisfaction de ses clients. L’étude de Mckinsey montre que 75 % de la consommation de Netflix est déterminée par les recommandations. En fait, Netflix est tellement obsédé par le fait de fournir les meilleurs résultats aux utilisateurs qu'il a organisé des concours de science des données appelés Netflix Prize, où celui dont l'algorithme de recommandation de films est le plus précis gagne un prix d'une valeur de 1 000 000 $.
Comme tout autre canal de médias sociaux, LinkedIn utilise également des recommandations de type "Vous connaissez peut-être aussi" ou "Vous aimez peut-être aussi".
Conclusion :
Je conclurais l’article en précisant que le système de recommandation a changé l’ensemble du scénario en permettant à l’utilisateur de choisir facilement les choix souhaités et d’intérêt. Il recommande un contenu personnalisé par l’utilisateur. Il existe diverses autres plates-formes où ces systèmes sont actuellement utilisés.
Dans l’article, nous avons discuté sur le système de recommandation, Mais, il peut y avoir de nombreux progrès technologiques qui peuvent être prévus à l’avenir, car il y a de nombreux défis à relever dans le système de recommandation à venir.
Source:
Recommendation Systems: Applications and Examples in 2022 (aimultiple.com)
Recommendation System -Understanding The Basic Concepts (analyticsvidhya.com)