Coût cloud personnalisation e-commerce

Le coût cloud de la personnalisation e-commerce ne se résume pas aux quelques millisecondes nécessaires pour afficher une recommandation produit.

En effet, avant de présenter trois produits dans un carrousel ou de réorganiser une page catégorie, la plupart des plateformes ont déjà réalisé une succession de traitements invisibles : collecte des comportements, préparation des données, création de profils, entraînement de modèles, calcul de scores et actualisation régulière des prédictions.

Ainsi, la recommandation visible par le visiteur n’est que la dernière étape d’une chaîne de calcul beaucoup plus longue.

À l’inverse, NetUp repose sur une architecture situationnelle. Son moteur ne construit pas de modèle durable du visiteur. À chaque interaction entre celui-ci et le site, il actualise sa compréhension de la situation, recherche les situations analogues déjà rencontrées et recalcule la décision : quels produits recommander ou dans quel ordre les présenter.

Par conséquent, la différence entre les deux approches n’est pas seulement technologique. Elle modifie également le coût cloud de la personnalisation e-commerce.

Les architectures prédictives doivent collecter, apprendre, actualiser puis servir. NetUp observe, compare et décide.

Que recouvre réellement le coût cloud de la personnalisation e-commerce ?

D’abord, le temps de réponse d’un moteur ne permet pas d’évaluer son coût réel.

Une liste de produits précalculée peut être restituée en quelques millisecondes. Pourtant, sa fabrication a pu mobiliser pendant plusieurs heures des bases de données, des capacités de calcul et différents traitements d’apprentissage.

En pratique, une architecture prédictive doit généralement :

• collecter les consultations, les clics, les paniers et les achats ;
• conserver un historique suffisamment profond ;
• rapprocher les événements des visiteurs ou des segments ;
• nettoyer et préparer les données ;
• construire des profils et des scores d’affinité ;
• entraîner un ou plusieurs modèles ;
• calculer des relations entre utilisateurs et produits ;
• réactualiser régulièrement ces résultats ;
• enfin, servir la recommandation pendant la visite.

Autrement dit, l’appel API n’est que la partie émergée du coût cloud de la personnalisation e-commerce.

Le coût d’une recommandation ne commence pas lorsqu’elle apparaît à l’écran. Il commence lorsque la plateforme entreprend de construire une représentation prédictive des comportements.

Pourquoi chaque marchand augmente le coût cloud de la personnalisation e-commerce

Ensuite, un modèle de recommandation pertinent ne peut pas être simplement copié d’un marchand à l’autre. Sauf à être éhontément dans la sur-promesse. 

Certes, l’éditeur peut mutualiser son infrastructure, ses algorithmes et ses méthodes. Cependant, les modèles qui produisent les recommandations doivent être alimentés par les données propres à chaque site.

En effet, les comportements observés sur un site de mobilier ne sont pas ceux d’une librairie, d’une enseigne de mode ou d’un distributeur de cosmétiques.

Chaque marchand possède :

• un catalogue particulier ;
• ses propres attributs produits ;
• ses niveaux de prix ;
• ses cycles d’achat ;
• sa profondeur de gamme ;
• ses promotions ;
• sa saisonnalité ;
• ses contraintes de stock ;
• ses parcours de navigation ;
• ses objectifs commerciaux.

Par conséquent, les relations entre produits, les affinités et les signaux de conversion doivent absolument être appris dans chaque environnement.

La technologie générale peut donc être mutualisée. Le modèle pertinent, lui, doit imprérativement être construit pour le marchand.

Concrètement, la plateforme doit :

1. intégrer le site ;
2. collecter ses événements ;
3. accumuler suffisamment d’interactions pour générer des profils statistiquement probants;
4. préparer les données ;
5. sélectionner les variables exploitables ;
6. entraîner le modèle ;
7. vérifier sa pertinence ;
8. le mettre en production.

Ainsi, le coût cloud de la personnalisation e-commerce augmente avant même que le modèle ne commence à produire toute la valeur attendue.

Pourquoi le coût cloud de la personnalisation e-commerce précède la valeur

Surtout, la nécessité de construire un modèle propre à chaque marchand crée une période initiale souvent oubliée.

Dès que la plateforme est connectée au site, les coûts commencent :

• intégration technique ;
• collecte des événements ;
• stockage des données ;
• surveillance des flux ;
• consommation cloud ;
• mobilisation des équipes ;
• abonnement à la solution.

Pourtant, le modèle ne dispose pas encore d’un volume suffisant d’informations pour personnaliser avec un minimum de fiabilité.

Il doit d’abord observer :

• quels produits sont consultés ensemble ;
• quelles séquences précèdent un achat ;
• quels comportements sont suffisamment fréquents ;
• quelles corrélations sont statistiquement exploitables ;
• quels produits fonctionnent auprès de quels profils.

Pendant cette phase, la solution peut afficher des meilleures ventes, des produits similaires ou des recommandations génériques. Toutefois, elle ne produit pas encore la personnalisation avancée pour laquelle elle a été choisie.

En d’autres termes :

Le marchand commence à payer avant que le moteur ait suffisamment appris pour personnaliser.

Cette période correspond au problème de démarrage à froid. Sans historique suffisant, les modèles traditionnels connaissent mal les nouveaux visiteurs, les nouveaux produits et le fonctionnement spécifique du site. Les systèmes fondés sur l’historique doivent donc accumuler des interactions avant d’atteindre un niveau de pertinence satisfaisant.

De plus, ce délai représente aussi un coût d’opportunité. Pendant que la plateforme collecte et apprend, les visiteurs continuent de parcourir le site et les occasions de conversion continuent de passer.

Le coût cloud de la personnalisation e-commerce précède donc la création de valeur, parfois pendant plusieurs semaines.

Le coût cloud de la personnalisation e-commerce continue après le lancement

Une fois le premier modèle construit, le travail n’est pas terminé.

Au contraire, le e-commerce évolue en permanence :

• de nouveaux produits apparaissent ;
• d’autres sont retirés ;
• les prix changent ;
• les stocks évoluent ;
• les promotions déplacent la demande ;
• les collections se renouvellent ;
• les saisons modifient les intentions ;
• les comportements des visiteurs changent.

Or, un modèle fondé sur le passé perd progressivement de sa pertinence lorsque la réalité évolue.

Par conséquent, il faut régulièrement :

• intégrer de nouvelles données ;
• recalculer les variables ;
• réentraîner les modèles ;
• ajuster les paramètres ;
• contrôler les résultats ;
• redéployer les nouvelles versions.

De plus, ces traitements sont réalisés même lorsqu’aucun visiteur ne sollicite une recommandation à cet instant.

Une architecture prédictive paie donc successivement pour :

1. collecter ;
2. apprendre ;
3. actualiser ;
4. servir.

Ainsi, une partie significative du coût cloud de la personnalisation e-commerce est consacrée à maintenir en état une représentation prédictive destinée à être utilisée plus tard.

Les profils individuels ajoutent une infrastructure permanente

Par ailleurs, les architectures classiques reposent essentiellement sur des profils persistants.

Ces profils peuvent contenir :

• les produits consultés ;
• les achats antérieurs ;
• les catégories préférées ;
• les marques les plus regardées ;
• la sensibilité supposée au prix ;
• différents scores d’affinité ou de propension.

Cependant, leur coût ne vient pas seulement du stockage.

Pour être exploitables, ces profils doivent être continuellement :

• enrichis ;
• recalculés ;
• synchronisés ;
• rendus accessibles avec une faible latence ;
• parfois rapprochés entre plusieurs appareils ou sessions.

De surcroît, cette infrastructure est entretenue pour des visiteurs qui ne reviendront peut-être jamais.

Enfin, même un profil exact ne décrit pas forcément l’intention présente. Un client qui achète habituellement pour lui-même peut revenir chercher un cadeau. Son historique reste correct, mais il devient non pertinent pour comprendre ce qu’il veut maintenant.

Le temps réel ne réduit pas automatiquement le coût cloud de la personnalisation e-commerce

De nombreuses plateformes revendiquent une personnalisation en temps réel.

Néanmoins, plusieurs réalités très différentes peuvent se cacher derrière cette expression.

Une solution peut, pendant la visite :

• récupérer instantanément un profil déjà calculé ;
• appliquer un score d’affinité précalculé ;
• sélectionner une liste produite auparavant ;
• ajuster une prédiction avec les derniers clics.

La réponse est effectivement affichée en temps réel.

Cependant, la logique qui la produit repose toujours sur un modèle construit et entretenu en amont.

Afficher une décision en temps réel ne signifie pas nécessairement la prendre en temps réel.

Ainsi, le temps réel de restitution ne supprime ni les modèles, ni les profils, ni les réentraînements. Il s’ajoute à eux.

Comment NetUp réduit le coût cloud de la personnalisation e-commerce

À l’inverse, NetUp ne cherche pas à établir durablement qui est le visiteur, ce qu’il aime habituellement ou ce qu’il devrait vouloir demain.

À chaque interaction entre le visiteur et le site, son moteur actualise la situation à partir des signaux disponibles à cet instant.

Il peut notamment prendre en compte :

• les produits consultés ;
• l’enchaînement des clics ;
• le rythme de navigation ;
• la profondeur d’exploration ;
• les comparaisons ;
• les hésitations ;
• les retours en arrière ;
• le contexte de la session ;
• sa psychologie ; 
• l’évolution de l’intention.

Ensuite, ces informations alimentent une signature situationnelle dynamique.

Cette signature n’est pas un modèle du visiteur. En effet, un modèle constitue une représentation relativement durable, construite pour être conservée et réutilisée.

À l’opposé, la signature NetUp décrit uniquement la situation présente. Elle évolue après chaque interaction entre le visiteur et le site.

Ainsi, à chaque nouvelle interaction :

1. les marqueurs concernés sont actualisés ;
2. la signature situationnelle évolue ;
3. les situations analogues sont recherchées ;
4. la recommandation ou le classement est recalculé.

NetUp analyse jusqu’à 232 marqueurs et adapte la réponse au fil de la visite, avec un temps de traitement moyen inférieur à 35 millisecondes.

NetUp ne met pas à jour le portrait d’un visiteur. Il actualise sa compréhension de la situation à chaque interaction avec le site.

NetUp reconnaît une situation au lieu de prédire un profil

Une fois la situation caractérisée, NetUp recherche dans sa mémoire les situations analogues déjà rencontrées.

Puis, il identifie les décisions qui ont obtenu les meilleurs résultats dans ces contextes comparables.

Enfin, il transpose ces décisions à la situation présente tout en intégrant les priorités du marchand.

La logique n’est donc pas : « Ce profil devrait acheter ce produit. »

Elle devient : « Dans les situations les plus proches de celle-ci, quelles décisions ont produit les meilleurs résultats ? »

Par conséquent, NetUp ne rattache pas le visiteur à un modèle précalculé. Il compare une situation particulière à d’autres situations particulières.

Cette approche inductive peut fonctionner dès la première visite, sans attendre la constitution d’un historique individuel ni la convergence d’un modèle prédictif.

Pas de phase d’apprentissage bloquante avant de créer de la valeur

Bien entendu, NetUp doit être connecté au site, recevoir les informations utiles du catalogue et collecter les interactions.

Cependant, il n’a pas besoin d’attendre plusieurs semaines pour constituer un dataset, entraîner un modèle marchand et vérifier sa convergence avant de commencer à décider.

En quelques jours seulement, dès que des situations analogues sont disponibles dans sa mémoire, elles peuvent être mobilisées. Pour mémoire, NetUp identifie 80.000 situations tous les 1 million de visites, dont 16.000 sont exploitables. Ensuite, chaque nouvelle interaction enrichit progressivement l’expérience du moteur.

Il faut donc distinguer :

• une amélioration continue, à mesure que la mémoire des situations s’enrichit ;
• une phase d’apprentissage bloquante, pendant laquelle aucun modèle suffisamment pertinent n’est encore disponible.

NetUp connaît la première. En revanche, il évite la seconde.

Ainsi, le coût cloud de la personnalisation e-commerce commence à produire de la valeur plus rapidement, puisqu’il n’est pas immobilisé dans la construction préalable d’un modèle propre à chaque marchand.

Une structure de coût différente par conception

Architecture prédictive	Architecture NetUp
Collecte préalable d’un historique	Exploitation des situations disponibles
Modèle à construire pour chaque marchand	Aucun modèle marchand à entraîner
Délai avant la personnalisation avancée	Décisions possibles dès les premières interactions
Profils utilisateurs persistants	Analyse de la situation présente
Affinités et scores précalculés	Signature situationnelle dynamique
Réentraînements périodiques	Actualisation à chaque interaction
Calcul important avant la décision	Calcul concentré sur la décision
Modèles distincts selon les usages	Même socle pour la recommandation et le ranking

Évidemment, NetUp supporte lui aussi des coûts :

• collecte des interactions ;
• actualisation des marqueurs ;
• stockage de la mémoire des situations ;
• recherche analogique ;
• production des recommandations ;
• disponibilité de l’infrastructure.

Cependant, la différence réside dans la réduction de trois postes particulièrement lourds :

1. la collecte initiale sans pleine création de valeur ;
2. la construction de modèles propres à chaque marchand ;
3. leur réentraînement et leur maintenance permanente.

NetUp ne supprime pas le calcul. Il élimine l’énorme partie du calcul préparatoire qui alourdit la personnalisation.

Vers un coût cloud de la personnalisation e-commerce plus directement utile

Pendant longtemps, la personnalisation e-commerce a reposé sur une conviction : pour mieux recommander, il fallait d’abord accumuler suffisamment de données, construire un profil et entraîner un modèle.

Cette logique a produit des résultats. Cependant, elle a également créé des architectures lourdes et une courbe économique peu favorable : les coûts commencent immédiatement, tandis que la pertinence arrive plus tard. Quand elle arrive.

À l’inverse, l’IA situationnelle suit une voie plus directe.

Elle ne cherche pas à prévoir durablement ce que le visiteur devrait vouloir. Elle actualise la situation à chaque interaction, recherche les analogies utiles et prend la décision au moment où elle doit être prise.

Moins de cloud pour collecter, entraîner et entretenir des prédictions. Plus de cloud pour décider, ici et maintenant.

C’est dans cette différence que réside la promesse économique de NetUp : réduire le coût cloud de la personnalisation e-commerce en concentrant les ressources sur la recommandation produit et le classement réellement servis, sans attendre qu’un modèle marchand soit enfin prêt à produire de la valeur.

Réduisez le coût cloud de votre personnalisation e-commerce

Votre moteur actuel doit-il accumuler des semaines de données avant de devenir pertinent ? Maintient-il des profils individuels, des scores d’affinité et plusieurs modèles par usage ? Son coût commence-t-il longtemps avant que sa valeur soit démontrée ?

NetUp permet de personnaliser la recommandation produit et le classement des listes sans attendre la construction d’un modèle propre à votre site.

Découvrez ce que l’IA situationnelle pourrait changer sur vos propres parcours e-commerce.

Demander une démonstration de NetUp

FAQ sur le coût cloud de la personnalisation e-commerce

Qu’est-ce que le coût cloud de la personnalisation e-commerce ?

Le coût cloud de la personnalisation e-commerce comprend l’ensemble des ressources nécessaires pour collecter les comportements, stocker les données, construire les profils, entraîner les modèles, actualiser les scores et servir les recommandations.

Ainsi, le coût ne se limite pas à l’appel API qui affiche les produits.

Pourquoi un modèle de recommandation doit-il être propre à chaque marchand ?

Chaque marchand possède un catalogue, des prix, des cycles d’achat, des promotions et des comportements différents.

Par conséquent, un modèle entraîné pour une enseigne de mode ne peut pas être transposé tel quel à un site de mobilier ou de cosmétiques. La plateforme doit apprendre les relations propres à chaque environnement.

Pourquoi les modèles prédictifs mettent-ils du temps à produire de la valeur ?

Avant de personnaliser avec suffisamment de pertinence, ils doivent collecter assez de données, préparer ces données et entraîner un modèle.

Ainsi, le marchand commence à supporter le coût cloud de la personnalisation e-commerce avant que la personnalisation avancée ne soit réellement disponible.

NetUp a-t-il besoin d’un historique individuel ?

Non. NetUp peut utiliser un historique lorsqu’il est disponible, mais celui-ci n’est pas nécessaire pour commencer à décider.

En effet, le moteur analyse la situation présente et recherche des situations analogues. Il peut donc personnaliser une première visite sans disposer d’un profil individuel préalable.

NetUp n’a-t-il aucun coût d’apprentissage ?

NetUp enrichit continuellement sa mémoire avec les nouvelles situations rencontrées. Cependant, il n’a pas besoin d’attendre la construction et la convergence d’un modèle prédictif propre au marchand avant de commencer à produire des décisions.

Il existe donc une amélioration continue, mais pas de phase initiale d’apprentissage bloquante.

NetUp remplace-t-il un moteur de recherche e-commerce ?

Non. NetUp ne remplace ni la recherche textuelle, ni les synonymes, ni les filtres, ni l’indexation du catalogue.

En revanche, il intervient sur deux décisions : les produits à recommander et l’ordre dans lequel présenter les produits d’une liste.