Cette nouvelle transparence s’étend aujourd’hui à d’autres domaines, tels que la mode,  la technologie et les voyages. Les analyses du big data ont rendu plus clairs les goûts des consommateurs. Présenter des offres personnalisées est devenu extrêmement simple, et engendre un taux de conversion plus fort.

Comment les acteurs du e-commerce peuvent-ils créer un système de personnalisation qui délivre l’information pertinente, celle qui plaira au consommateur et boostera les ventes ?

On peut anticiper 50% des seconds achats

En 2015, 500 équipes de 49 pays différents ont participé au challenge ACM Recsys. L’expérience a démontré que l’on pouvait désormais prédire 50% des décisions d’achats. En programmant des actions en ligne, personnalisées en fonction du comportement passé du consommateur, les équipes ont pu prédire si un client allait acheter et ce qu’il allait acheter.

La création d’un système de personnalisation est un processus qui nécessite plusieurs étapes :

1. Codes de tracking et bases de données

Premièrement, beaucoup de données doivent être collectées : toutes les actions d’un visiteur doivent être enregistrées de façon la plus compréhensible possible, grâce à un «tracking code». On obtient ainsi le parcours du client qui recense toutes les informations sur chaque interaction avec les produits et les autres éléments du site : où le visiteur habite-t-il ? Sur quelle sorte d’appareil se connecte-t-il ? Quand a-t-il cliqué sur la partie « détails » d’un produit ? A quel moment l’a-t-il placé dans le panier, et quand l’a-t-il sorti du panier ? Quel produit a-t-il finalement acheté et à quel prix ? A-t-il cliqué sur la vidéo du produit, ou lu les commentaires des autres clients ?

Ces informations sont captées dans le respect total de la confidentialité. Les données personnelles n’ont pas besoin d’être enregistrées pour cela, un code d’identification unique (ID) est suffisant pour récolter ces informations.

Les structures e-commerce les plus importantes peuvent récolter très rapidement des millions de données par mois qui sont de plus en plus stockées dans des bases de données NoSQL. Elles sont très efficaces pour récolter des quantités énormes de données à un coût très compétitif. Au bout d’une certaine période de stockage, elles permettent des analyses de la data extrêmement puissantes. La quantité de ces data historiques est le carburant de l’apprentissage automatique (machine learning) qui  permet d’entrevoir les futures réalisations.

2. « Feature engineering » 

Les outils de mesure classiques ne sont pas assez puissants pour faire des prévisions précises sur les décisions d’achat. Une des étapes la plus cruciale dans ce processus s’appelle le « feature engineering ». Dans ce processus, l’analyste examine les données enregistrées pour trouver LA caractéristique clé qui permet d’établir la bonne prédiction.

Dans la première étape de cette phase de recherche, il peut y avoir des centaines de caractéristiques : le moment de la connexion dans la journée ou le jour de la semaine, par exemple ; le temps écoulé entre deux actions du visiteur, et les informations récoltées autour de ces actions ; combien de temps le visiteur passe à regarder la partie détaillée du produit, etc… La confrontation d’actions différentes est également très souvent utile. Par exemple, si l’on visite la page d’un produit plusieurs fois dans une session, ou au début ou à la fin de la session, si un produit a été placé dans le panier et si ce produit a ensuite été enlevé du panier.

Identifier les caractéristiques de visites les plus pertinentes est le plus gros challenge des sites marchands. En principe, plusieurs milliers de combinaisons sont possibles. Seulement 12 caractéristiques doivent être utilisées pour proposer une prévision viable.

Challenges techniques et solutions

Les modèles de pronostics sont préparés une fois par jour et stockés dans une base de données de premier niveau. Chaque calcul de recommandation de produit se fait en quelques millisecondes. Lorsque l’utilisateur navigue sur le site, ses actions sont trackées et comparées aux prévisions. C’est ainsi que les dernières recommandations personnaliséeslui sont présentées. Cela peut influencer l’ordre des résultats de ses futures recherches ainsi que l’apparence du site personnalisé. Des fonctions de filtrage participent  à affiner la personnalisation et à offrir des résultats encore plus précis.

Software as a Service

L’utilisation de NoSQL ou d’un autre service de base de données en mémoire, connecté avec un serveur performant, est nécessaire pour une personnalisation efficace. C’est là qu’intervient le Software as a Service. Les e-commerçants peuvent bénéficier des services de personnalisation sans avoir à gérer des bases de données et serveurs. Grâce à une API, les commerçants peuvent en effet créer leurs recommandations et leurs résultats de recherches. N’importe quel site de e-commerce peut ainsi profiter de la personnalisation. »

Michael Friedmann 

Créateur et Responsable des services de personnalisation et de recommandation eZ Systems 

Michael Friedmann intègre Detecon International en 2001 au poste de Consultant Senior. Pendant plus de 4 ans, il y conseille des grandes entreprises allemandes et internationales quant à la sécurité de leurs données. Il rejoint ensuite T-Systems Enterprise Services à Bonn, en tant que Gestionnaire de Portefeuille. En 2008, il rejoint T-Home Deutsche Telecom au poste d’Architecte Principal. Il est en charge du développement des services bureautiques pour le marché européen et est responsable de l’élaboration de standards pour le réseau informatique mondial de Deutsche Telekom. En parallèle, il participe au Conseil Consultatif de Microsoft pour le développement du système d’exploitation Windows.  En 2009, il fonde Yoochoose, spécialiste de la personnalisation e-commerce, société en partie rachetée par eZ Systems en 2011.