Le machine learning pour la recommandation produit a profondément transformé le e-commerce. Il permet aujourd’hui d’analyser des millions d’interactions, de détecter des relations impossibles à gérer manuellement et de produire rapidement des sélections différentes pour chaque visiteur.

Cependant, une confusion persiste autour de la notion de temps réel.

Un moteur de machine learning peut parfaitement répondre en quelques millisecondes. Il peut intégrer les derniers clics, recalculer un score et afficher une recommandation différente pour chaque visiteur.

Pourtant, cette rapidité ne signifie pas nécessairement que le système reconstruit sa décision à chaque interaction.

Dans la plupart des architectures, le moteur applique aux données présentes une fonction apprise auparavant sur une population de visiteurs et de produits.

Autrement dit :

La réponse peut être individualisée alors que la logique de décision reste globale et précalculée.

Cette distinction change la manière d’évaluer un moteur de recommandation.

La question n’est plus seulement :

Le système répond-il rapidement ?

Elle devient :

La décision elle-même est-elle recalculée à partir de la singularité de la situation présente ou le moteur applique-t-il rapidement une logique construite en amont ?

C’est dans cet écart entre temps réel d’exécution et temps réel décisionnel que se situent les principales limites du machine learning pour la recommandation produit et la différence fondamentale de l’approche inductive de NetUp.

Les points essentiels à retenir

• Le machine learning a considérablement amélioré la pertinence des recommandations produit.
• Il peut parfaitement produire des résultats avec une très faible latence.
• Cependant, il applique une fonction de décision apprise en amont.
• Le résultat peut être différent pour chaque visiteur sans que la logique de décision soit reconstruite pour chacun.
• Les modèles dépendent de données historiques, d’un objectif prédéfini et d’une représentation préétablie des situations.
• Le cold start peut être atténué mais nécessite toujours des informations de substitution.
• Un score d’affinité ne constitue pas encore une décision commerciale complète.
• NetUp ne maintient pas un portrait prédictif du visiteur : la plateforme réévalue sa situation à chaque appel.

Qu’est-ce que le machine learning pour la recommandation produit ?

Le machine learning pour la recommandation produit regroupe les méthodes permettant à un système d’apprendre à sélectionner ou à classer des produits à partir de données.

Ces données peuvent notamment inclure :

• les produits consultés ;
• les clics ;
• les ajouts au panier ;
• les achats ;
• les recherches ;
• les évaluations ;
• les caractéristiques des produits ;
• le contexte de navigation ;
• les interactions d’autres visiteurs.

Le système utilise ces observations pour apprendre une fonction reliant une situation d’entrée à un résultat attendu.

Il peut, par exemple, chercher à estimer :

• la probabilité qu’un visiteur clique sur un produit ;
• la probabilité qu’il l’ajoute au panier ;
• son affinité avec une catégorie ;
• la probabilité qu’une exposition conduise à un achat ;
• la valeur attendue d’une recommandation.

Une fois entraîné, le modèle reçoit de nouvelles données et produit un score ou un classement.

Dans les architectures industrielles, cette opération est souvent organisée en plusieurs étapes.

La génération de candidats

Une première couche réduit rapidement un catalogue très large à une sélection de produits potentiellement pertinents.

Le classement des candidats

Une deuxième couche analyse plus finement les produits retenus et leur attribue un score.

Google a notamment documenté ce type d’architecture pour YouTube : un premier réseau neuronal génère les candidats, puis un second réseau les classe selon les objectifs du système.

Ainsi, le moteur n’examine pas nécessairement tous les produits avec la même profondeur.

Il sélectionne d’abord les options possibles, puis choisit parmi elles.

Quelles sont les forces du machine learning pour la recommandation produit ?

Le machine learning a permis de dépasser les recommandations fondées uniquement sur :

• les meilleures ventes ;
• les produits similaires ;
• les associations manuelles ;
• les règles définies par les équipes ;
• les catégories consultées.

Ses apports sont considérables.

Apprendre à partir des comportements réels

D’abord, le moteur peut observer ce que les visiteurs font effectivement plutôt que dépendre uniquement de ce que les équipes imaginent qu’ils devraient faire.

Il peut détecter que deux produits sont fréquemment consultés ou achetés ensemble, même si leur association n’était pas évidente dans le catalogue.

Traiter des volumes très importants

Ensuite, le machine learning permet d’exploiter des millions d’interactions et de combinaisons entre visiteurs et produits.

Une équipe humaine ne pourrait ni analyser ni maintenir manuellement cette complexité.

Découvrir des relations invisibles

Par ailleurs, les modèles peuvent identifier des corrélations non linéaires entre :

• le comportement du visiteur ;
• les attributs produit ;
• la séquence de navigation ;
• le contexte ;
• le résultat obtenu.

Automatiser la sélection et le classement

De plus, le moteur peut recalculer des scores sans qu’une équipe doive écrire une règle pour chaque produit, chaque emplacement ou chaque population.

Optimiser plusieurs objectifs

Enfin, les modèles modernes peuvent tenir compte de plusieurs objectifs simultanément : clic, engagement, achat, satisfaction ou valeur économique.

Le machine learning a donc fait franchir une étape majeure à la recommandation produit.

Cependant, sa puissance ne dispense pas de comprendre ce qu’il apprend, à partir de quelles données et selon quelle logique.

Quelles technologies utilise le machine learning pour la recommandation produit ?

Le terme « machine learning » recouvre des approches très différentes.

Elles peuvent être utilisées seules ou combinées au sein d’un même moteur.

Le filtrage collaboratif

Le filtrage collaboratif repose sur les interactions entre utilisateurs et produits.

Sa logique générale consiste à considérer que des visiteurs ayant adopté des comportements similaires pourraient être intéressés par des produits proches.

Il peut fonctionner de deux manières principales.

Le filtrage utilisateur-utilisateur

Le système recherche des utilisateurs dont les comportements se ressemblent puis propose à l’un les produits appréciés par les autres.

Le filtrage produit-produit

Le système identifie les produits fréquemment consultés ou achetés par les mêmes personnes.

Cette méthode devient efficace lorsque le moteur dispose d’un volume d’interactions important.

En revanche, elle rencontre davantage de difficultés lorsqu’un produit ou un utilisateur possède peu d’historique.

La factorisation matricielle

La factorisation matricielle représente les interactions entre les utilisateurs et les produits sous forme de matrice.

Dans un site e-commerce, cette matrice est généralement très creuse : chaque visiteur n’interagit qu’avec une faible partie du catalogue.

La factorisation projette alors les visiteurs et les produits dans un espace latent de plus faible dimension.

Ces facteurs latents permettent d’estimer l’affinité probable entre un visiteur et un produit qu’il n’a jamais consulté.

La factorisation réduit la dimension, mais ne crée pas l’information absente

La factorisation permet de mieux exploiter une matrice incomplète.

Cependant, elle ne supprime pas le manque de données.

Lorsqu’un nouveau produit n’a généré presque aucune interaction, sa représentation reste difficile à estimer. Il en va de même pour un visiteur qui vient d’arriver.

Les architectures neuronales dites « two-tower » prolongent aujourd’hui cette logique. Elles représentent séparément le visiteur ou la requête, d’un côté, et les produits, de l’autre, puis recherchent les produits les plus proches dans l’espace appris.

Le clustering

Le clustering regroupe les utilisateurs, les produits ou les sessions présentant certaines similarités.

Le moteur peut, par exemple, distinguer :

• des visiteurs sensibles aux promotions ;
• des acheteurs réguliers ;
• des visiteurs orientés vers des produits premium ;
• des personnes en phase d’exploration ;
• des visiteurs proches d’une décision.

Cette méthode améliore la pertinence par rapport à une réponse identique pour tous.

Cependant, elle reste fondée sur un raisonnement collectif.

Un cluster est une moyenne plus précise, mais il reste une moyenne.

Tous les visiteurs rattachés au même groupe reçoivent une décision dérivée des comportements observés dans ce groupe.

Or, un visiteur peut appartenir au bon cluster tout en poursuivant aujourd’hui une intention inhabituelle.

Un client généralement intéressé par des produits premium peut, par exemple, chercher un cadeau peu coûteux.

Son profil n’a pas changé.

Sa situation, si.

Les réseaux de neurones

Les réseaux de neurones peuvent apprendre des relations plus complexes entre :

• les visiteurs ;
• les produits ;
• les images ;
• les textes ;
• les séquences de navigation ;
• le contexte ;
• les résultats observés.

Ils produisent notamment des représentations numériques, ou embeddings, permettant de rapprocher des produits et des comportements qui partagent certaines caractéristiques.

Contrairement à une idée parfois répandue, leur complexité ne leur interdit pas de fonctionner avec une faible latence.

Le problème n’est donc pas de savoir si un réseau neuronal peut répondre vite.

Il est de savoir ce que cette réponse rapide applique réellement.

Les modèles séquentiels et session-based

Les modèles session-based cherchent à exploiter l’ordre des interactions effectuées pendant la visite.

Consulter successivement :

1. une page catégorie ;
2. plusieurs produits proches ;
3. les conditions de livraison ;
4. puis revenir vers un produit précis ;

ne traduit pas nécessairement la même situation qu’une simple liste de quatre pages consultées.

Les modèles session-based exploitent l’ordre des interactions réalisées pendant la visite.

Ils peuvent notamment prendre en compte :

• la succession des actions ;
• leur fréquence ;
• leur récence ;
• leur durée ;
• certains changements de comportement.

Ils permettent ainsi de faire évoluer la recommandation pendant la session, y compris pour un visiteur anonyme.

Les recherches consacrées à la recommandation session-based montrent que ces modèles peuvent exploiter les relations entre les actions d’une même session, mais également certaines relations entre plusieurs sessions, tout en restant compatibles avec les contraintes de scalabilité des grandes plateformes. Cette logique est notamment illustrée par le modèle S-Walk présenté par Google Research.

Toutefois, ces modèles transforment généralement la session en une représentation à laquelle est appliquée une fonction préalablement apprise. NetUp suit une autre logique : la plateforme reconstruit la situation et recherche directement les expériences analogues au moment de l’appel.

Dans une architecture session-based classique, la séquence récente est transformée en une représentation numérique. Un modèle préalablement entraîné applique ensuite à cette représentation une fonction globale afin de calculer des scores ou des probabilités pour les produits.

La dernière interaction peut donc modifier le résultat, mais elle reste interprétée selon une logique apprise en amont sur une population de sessions.

NetUp suit une autre démarche. La plateforme construit à chaque appel une signature de la situation présente à partir de jusqu’à 232 marqueurs, puis recherche les situations antérieures suffisamment analogues. Elle examine ensuite les décisions qui ont effectivement produit les meilleurs résultats dans ces configurations.

La distinction ne porte donc pas sur la capacité à observer la session actuelle.

Elle porte sur la manière de décider :

Le modèle session-based applique à la session une fonction prédictive préalablement apprise. NetUp recherche, au moment de l’appel, les expériences comparables permettant de décider.

Le nouveau clic ne modifie donc pas seulement une variable d’entrée. Il peut modifier la signature de la situation, les expériences retenues comme analogues et, par conséquent, la décision produite.

Les modèles de fondation et la recommandation générative

Les systèmes les plus récents cherchent à unifier plusieurs fonctions de recommandation au sein d’un même modèle.

Ils peuvent désormais représenter simultanément :

• l’historique d’interaction ;
• le contexte ;
• le terminal ;
• le moment de consultation ;
• les caractéristiques des produits ;
• les intérêts à court et long terme.

Certains systèmes génératifs cherchent également à construire l’ensemble d’une page personnalisée plutôt qu’à attribuer séparément un score à chaque produit.

Ces évolutions confirment deux points.

Premièrement, des modèles de machine learning très complexes peuvent fonctionner avec une latence compatible avec une expérience en ligne.

Deuxièmement, même lorsqu’ils génèrent une page individualisée, ils continuent à appliquer une fonction, des paramètres et un objectif appris en amont.

Le machine learning pour la recommandation produit travaille-t-il en temps réel ?

Oui, au sens de l’exécution.

Plusieurs moteurs peuvent recevoir un nouveau clic, recalculer des variables et produire une nouvelle recommandation en quelques millisecondes.

Cependant, trois temps différents doivent être distingués.

Le temps d’entraînement

Le modèle est d’abord construit à partir d’un ensemble de données.

Cette phase comprend généralement :

• la collecte ;
• la préparation des données ;
• la sélection des variables ;
• l’entraînement ;
• la validation ;
• le choix des hyperparamètres ;
• le déploiement.

À l’issue de cette phase, le système dispose d’une fonction apprise.

Le temps d’inférence

Lorsqu’un visiteur navigue, le moteur injecte les données disponibles dans cette fonction.

Il peut alors produire rapidement :

• un score ;
• une probabilité ;
• une liste de candidats ;
• un classement.

La sortie peut évoluer après chaque clic.

Le temps de la décision

Enfin, il faut déterminer si le moteur se contente d’appliquer la fonction apprise ou s’il reconstruit réellement la décision à partir du cas présent.

C’est ici que se situe la distinction centrale.

Le machine learning peut individualiser la réponse sans individualiser la logique de décision.

Le visiteur A et le visiteur B peuvent recevoir des produits différents.

Pourtant, leurs recommandations sont calculées par la même fonction, apprise sur une population plus large et selon un objectif défini à l’avance.

Une logique générale pré-apprise appliquée à un cas particulier

Un modèle peut être représenté simplement comme une fonction :

• les signaux du visiteur entrent ;
• le modèle applique ses paramètres ;
• des scores sortent ;
• les produits les mieux classés sont affichés.

Les données d’entrée peuvent être extrêmement individualisées.

Cependant, la manière dont elles sont interprétées reste déterminée par le modèle.

Ainsi :

Le machine learning applique en temps réel une logique précalculée.

Cette logique peut être régulièrement réentraînée, enrichie ou corrigée.

Certaines architectures utilisent également de l’apprentissage en ligne ou des bandits contextuels.

Toutefois, même dans ces cas, l’espace des états, les actions possibles, la fonction de récompense et le cadre d’apprentissage restent définis en amont.

Temps réel d’exécution et temps réel décisionnel

Le temps réel d’exécution désigne la capacité à appliquer immédiatement un modèle à de nouvelles données.

Le temps réel décisionnel désigne la capacité à reconstruire la décision à partir de la configuration singulière de la situation présente.

La différence ne porte donc pas sur la vitesse visible par le visiteur.

Elle porte sur l’endroit où la décision est fabriquée :

• dans un modèle construit en amont puis appliqué à la visite ;
• ou au moment de l’appel, par analyse de la situation et recherche de cas analogues.

Comment le machine learning pour la recommandation produit traite-t-il le cold start ?

Le cold start apparaît lorsque le moteur ne dispose pas de suffisamment d’interactions concernant :

• un nouveau visiteur ;
• un nouveau produit ;
• une nouvelle catégorie ;
• une nouvelle population ;
• une situation encore jamais observée.

Les méthodes traditionnelles de filtrage collaboratif sont particulièrement sensibles à ce manque d’historique.

Plusieurs approches permettent néanmoins de le réduire.

Les attributs produit

Le moteur peut exploiter :

• le titre ;
• la description ;
• la catégorie ;
• la marque ;
• le prix ;
• les images ;
• les caractéristiques techniques.

Un nouveau produit peut alors être rapproché d’articles existants.

Les systèmes hybrides

Ils combinent les interactions historiques avec les informations contenues dans le catalogue.

L’apprentissage par transfert

Le moteur peut utiliser les connaissances acquises sur un autre site, un autre domaine ou une population plus large.

Cette méthode suppose néanmoins que le domaine source ressemble suffisamment au domaine cible.

Les modèles session-based

Ils exploitent les premières actions de la visite afin d’actualiser rapidement les recommandations, même sans historique utilisateur mais toujours selon la logique du modèle pré-établi.

Les modèles multimodaux et génératifs

Les images, les textes et les modèles de langage permettent également de construire une représentation d’un produit avant même qu’il ait généré des interactions.

Une difficulté atténuée, pas supprimée

Toutes ces méthodes remplacent l’historique manquant par une autre source d’information :

• attributs ;
• comportements voisins ;
• connaissances transférées ;
• similarités sémantiques ;
• premières actions de la session.

Par conséquent :

Le machine learning peut limiter le cold start, mais il doit toujours compenser l’expérience absente par une information de substitution.

Quelles sont les limites du machine learning pour la recommandation produit ?

Les limites du machine learning pour la recommandation produit ne signifient pas que ces technologies sont inefficaces.

Elles indiquent les conditions dans lesquelles leurs résultats deviennent moins fiables ou moins adaptés.

Une dépendance à la qualité des données

Un modèle apprend à partir des informations qui lui sont fournies.

Si les données sont anciennes, incomplètes ou biaisées, le modèle apprendra ces imperfections.

La sophistication de l’algorithme ne peut pas recréer une information qui n’existe pas.

Une très forte dépendance aux comportements passés

Même lorsqu’un modèle utilise la session en cours, sa fonction de décision a généralement été apprise à partir de comportements antérieurs.

Or, les comportements évoluent :

• les produits changent ;
• les prix varient ;
• les stocks diminuent ;
• les tendances apparaissent ;
• les attentes se déplacent ;
• un visiteur peut changer d’intention.

Le modèle doit donc être actualisé ou complété par des variables suffisamment fraîches.

Une logique fondée sur les régularités de population

Un modèle cherche à généraliser à partir des données d’apprentissage.

Il fonctionne particulièrement bien lorsque la situation présente ressemble à des régularités suffisamment représentées.

Il rencontre davantage de difficultés lorsque le comportement est :

• rare ;
• ambigu ;
• inédit ;
• faiblement représenté ;
• opposé à l’historique habituel du visiteur.

Même lorsqu’il produit un score individuel, sa logique demeure construite à partir de l’ensemble des cas ayant servi à l’entraîner.

Les biais d’exposition

Le moteur apprend souvent à partir des produits que le site a lui-même décidé de montrer.

Un produit placé en tête de liste reçoit davantage de clics. Ces clics deviennent ensuite des données d’entraînement qui peuvent renforcer sa position future.

Cette boucle de rétroaction a été étudiée dans la recherche sur les systèmes de recommandation. Les auteurs de l’étude Feedback Loop and Bias Amplification in Recommender Systems montrent que les recommandations influencent les interactions collectées, lesquelles peuvent ensuite amplifier la popularité des produits déjà favorisés.

Puis conserver :

Le système apprend donc à partir d’un comportement qu’il a partiellement contribué à créer.

Le système apprend donc à partir d’un comportement qu’il a partiellement contribué à créer.

Ces boucles de rétroaction peuvent amplifier le biais de popularité, réduire la diversité des recommandations et homogénéiser progressivement les expériences proposées.

Une fonction optimisée à l’avance

Un modèle ne recherche pas abstraitement la « meilleure recommandation ».

Il optimise un objectif défini par ses concepteurs :

• clic ;
• engagement ;
• achat ;
• durée ;
• revenu ;
• marge ;
• score composite.

Or, le produit qui maximise le clic n’est pas toujours celui qui maximise l’achat.

Le produit qui maximise la marge n’est pas toujours suffisamment pertinent pour être acheté.

Le résultat dépend donc autant de la métrique choisie que de la qualité du modèle.

Le coût de construction et d’actualisation

Un modèle spécifique à un marchand doit généralement être :

• alimenté ;
• entraîné ;
• validé ;
• déployé ;
• surveillé ;
• actualisé.

Pendant la phase initiale de collecte et d’apprentissage, la solution engendre déjà un coût alors que sa performance n’a pas nécessairement atteint son niveau attendu.

Ensuite, l’évolution des comportements peut nécessiter de nouveaux entraînements ou ajustements.

Une décision parfois difficile à expliquer

Enfin, plus les modèles deviennent complexes, plus il devient difficile de comprendre pourquoi un produit précis a été préféré à un autre.

Cette opacité peut compliquer :

• l’analyse d’une contre-performance ;
• le pilotage métier ;
• l’application de la stratégie commerciale ;
• la correction d’un biais ;
• la compréhension des effets du moteur.

Pourquoi une prédiction individualisée n’est-elle pas encore une décision individualisée ?

Un moteur peut estimer qu’un visiteur possède une probabilité élevée de cliquer sur un produit. Ce score peut être calculé à partir de données très fines et être unique pour cette visite.

Cependant, choisir d’afficher ce produit exige d’autres arbitrages :

• est-il disponible ?
• son délai de livraison est-il acceptable ?
• le visiteur vient-il de changer d’intention ?
• existe-t-il une alternative plus rentable ?
• le produit a-t-il déjà été trop exposé ?
• la recommandation créera-t-elle réellement une vente supplémentaire ?
• l’objectif du marchand autorise-t-il cette mise en avant ?

La prédiction répond à la question :

Que pourrait faire ce visiteur selon les relations apprises par le modèle ?

La décision doit répondre à une autre question :

Que faut-il lui présenter maintenant, compte tenu de sa situation et de la stratégie du marchand ?

Un modèle de machine learning peut naturellement participer à cette décision.

Toutefois, il la prend à l’intérieur du cadre appris et défini en amont sur des données passées.

C’est pourquoi une sortie individualisée ne signifie pas nécessairement que la logique de décision elle-même a été individualisée.

Que montre l’A/B test NetUp face à RichRelevance, devenu Algonomy ?

NetUp a été comparé à RichRelevance sur un site e-commerce français à très fort trafic. RichRelevance a depuis fusionné avec Manthan Software pour devenir Algonomy.

Le test concernait l’ensemble des emplacements de recommandation produit du site. La répartition des visiteurs et la mesure des résultats étaient assurées au moyen d’Omniture.

Protocole du premier test

Selon les données internes fournies par le site, l’uplift de revenu par visite obtenu par NetUp a été 392 % supérieur à celui produit par RichRelevance.

Cette formulation doit être interprétée précisément. Elle ne signifie pas que le revenu par visite absolu du groupe NetUp était supérieur de 392 %.

Elle signifie que l’amélioration du revenu par visite mesurée avec NetUp était 392 % supérieure à l’amélioration mesurée avec RichRelevance. Autrement dit, si l’uplift RichRelevance est représenté par un indice 1, l’uplift NetUp correspond à un indice 4,92.

Un second test après actualisation du modèle RichRelevance

À la suite de ce premier résultat, RichRelevance a demandé à recalculer son modèle. Cette opération a duré environ quinze jours.

Un second test de deux semaines a ensuite été réalisé dans des conditions comparables.

Selon les données fournies par le site, l’uplift de revenu par visite produit par NetUp a alors été 395 % supérieur à celui obtenu par RichRelevance.

Ce que ce résultat permet de conclure

Ce test ne démontre pas que toute approche inductive surperformera systématiquement tout moteur de machine learning.

Il montre toutefois que :

• la sophistication d’un modèle ne garantit pas la meilleure performance économique ;
• son actualisation ne résout pas automatiquement la question de la pertinence individuelle ;
• la métrique déterminante reste la valeur incrémentale créée ;
• la manière dont la décision est construite peut compter davantage que la seule précision prédictive.

En quoi l’approche NetUp diffère-t-elle du machine learning prédictif ?

NetUp n’entraîne pas un modèle prédictif spécifique au marchand afin d’établir une fonction générale reliant les profils aux produits.

La plateforme utilise une approche inductive et situationnelle.

1. Observer les signaux disponibles

NetUp analyse jusqu’à 232 marqueurs comportementaux, contextuels et cognitifs implicites.

Ils peuvent notamment concerner :

• les produits consultés ;
• la séquence de navigation ;
• le rythme des interactions ;
• les retours en arrière ;
• le terminal ;
• la source d’entrée ;
• les comparaisons ;
• les signaux observables d’hésitation.

Ces marqueurs ne permettent pas de lire avec certitude les pensées ou les intentions du visiteur.

Ils permettent de caractériser la configuration présente de la visite.

2. Construire une signature situationnelle

Les marqueurs utiles sont réunis dans une signature représentant la situation à l’instant de l’appel.

Cette signature n’est pas un profil stable.

Elle peut changer après la prochaine interaction.

3. Rechercher des situations analogues

NetUp compare la situation actuelle avec les situations précédemment rencontrées.

La plateforme ne cherche pas immédiatement à rattacher le visiteur à un segment ou à lui appliquer un modèle prédictif.

Elle recherche des cas suffisamment proches pour constituer une expérience exploitable.

4. Identifier ce qui a fonctionné

Parmi les situations analogues, NetUp examine les décisions ayant produit les meilleurs résultats :

• clic ;
• ajout au panier ;
• achat ;
• revenu par visite ;
• autre objectif défini.

5. Intégrer la stratégie commerciale

La décision tient également compte des contraintes du marchand :

• stock ;
• disponibilité ;
• exclusions ;
• marge ;
• priorités commerciales ;
• campagnes ;
• règles de catalogue.

6. Recalculer la décision à chaque appel

À l’interaction suivante, la situation peut avoir changé.

La signature est alors reconstruite, les analogues recherchés à nouveau et la décision recalculée.

NetUp ne met pas à jour le portrait d’un visiteur. La plateforme réévalue sa situation.

La différence essentielle peut donc être résumée ainsi :

Le machine learning applique en temps réel une logique apprise en amont. NetUp recalcule la décision elle-même à partir de la situation présente.

Machine learning prédictif et IA inductive NetUp : quelles différences ?

Le tableau suivant compare deux logiques générales.

Il ne prétend pas décrire toutes les architectures de machine learning, dont certaines peuvent intégrer des mécanismes session-based, génératifs ou d’apprentissage en ligne.

Comment choisir un moteur de recommandation produit ?

Pour comparer des solutions, la liste des fonctionnalités ne suffit pas.

Les questions suivantes permettent de comprendre où et comment la décision est réellement prise.

Quel objectif le moteur optimise-t-il ?

Cherche-t-il à maximiser :

• le clic ;
• l’ajout au panier ;
• la commande ;
• le revenu ;
• la marge ;
• plusieurs objectifs simultanément ?

Un modèle spécifique doit-il être construit ?

Il faut demander :

• quelles données sont nécessaires ;
• combien de temps dure l’apprentissage initial ;
• quand les premières performances sont attendues ;
• à quelle fréquence le modèle est actualisé ;
• quels coûts accompagne cette actualisation.

Que signifie « temps réel » ?

Le moteur actualise-t-il :

• une variable ;
• un profil ;
• un score ;
• une liste en cache ;
• ou la décision complète ?

La dernière interaction modifie-t-elle réellement la décision ?

Une recommandation peut s’afficher rapidement tout en restant fondée sur une logique devenue moins pertinente.

Comment le moteur traite-t-il les visiteurs inconnus ?

Il faut comprendre ce que le système propose pendant les premières secondes d’une première visite.

Comment traite-t-il les produits nouveaux ?

S’appuie-t-il sur :

• les attributs ;
• les images ;
• les descriptions ;
• des produits similaires ;
• une exposition exploratoire ;
• un modèle appris ailleurs ?

Comment les objectifs commerciaux sont-ils intégrés ?

Les règles métier déterminent-elles directement le résultat ou viennent-elles arbitrer entre plusieurs produits déjà pertinents ?

Comment la performance est-elle mesurée ?

Le chiffre d’affaires réalisé après un clic ne démontre pas que la recommandation a créé la vente.

Seul un test contrôlé permet de mesurer l’effet incrémental.

Quels KPI utiliser pour mesurer la recommandation produit ?

Le taux de clic reste utile pour évaluer l’attractivité d’un bloc.

Cependant, il ne suffit pas à démontrer sa performance économique.

Le revenu par visite

Le revenu par visite combine :

• la probabilité qu’une visite produise une commande ;
• la valeur de cette commande.

Il évite de considérer comme performante une recommandation qui génère beaucoup de clics, mais peu de valeur.

La marge par visite

Lorsque les données sont disponibles, la marge par visite permet d’intégrer :

• la rentabilité des produits ;
• les remises ;
• les coûts logistiques ;
• les retours.

La valeur incrémentale

Enfin, la mesure la plus importante reste l’écart entre :

• une population exposée ;
• une population comparable servant de contrôle.

La bonne question n’est pas :

Quel chiffre d’affaires a été réalisé après un clic sur une recommandation ?

Mais :

Quel chiffre d’affaires supplémentaire le moteur a-t-il réellement créé ?

Conclusion : répondre vite ne signifie pas recalculer la décision

Le machine learning pour la recommandation produit a rendu possibles des avancées considérables.

Il permet :

• d’exploiter de grands volumes de données ;
• de détecter des relations complexes ;
• de produire des sorties individualisées ;
• d’intégrer les derniers signaux de session ;
• de fonctionner avec une faible latence ;
• d’optimiser plusieurs objectifs ;
• de générer des expériences complètes.

Il serait donc incorrect d’affirmer qu’il ne peut pas fonctionner en temps réel.

Cependant, il faut préciser ce que l’on entend par temps réel.

Dans la plupart des architectures, le système applique rapidement aux données présentes une fonction apprise en amont.

Le visiteur reçoit une recommandation individualisée, mais construite selon une logique globale et précalculée.

L’approche inductive de NetUp déplace le lieu de la décision.

La plateforme ne se contente pas d’injecter de nouveaux signaux dans un modèle prédictif.

Elle reconstruit la situation, recherche les situations analogues et recalcule ce qu’il faut présenter à chaque appel.

La distinction essentielle n’oppose donc pas un système lent à un système rapide.

Elle oppose deux manières de décider :

Appliquer immédiatement une logique apprise hier, ou reconstruire la décision à partir de ce qui se passe maintenant.

FAQ — Machine learning et recommandation produit

Qu’est-ce que le machine learning pour la recommandation produit ?

Le machine learning pour la recommandation produit regroupe les méthodes qui apprennent, à partir de données, à sélectionner ou classer les produits susceptibles d’intéresser un visiteur.

Le machine learning peut-il recommander en temps réel ?

Oui. Il peut produire un score ou un classement en quelques millisecondes. Cependant, il applique quasi systèmatiquement une fonction construite lors d’une phase d’apprentissage antérieure.

Quelle différence existe-t-il entre sortie individualisée et décision individualisée ?

Une sortie individualisée utilise les données propres au visiteur pour produire un résultat différent. Une décision individualisée reconstruit la logique de choix à partir de la singularité de la situation présente.

Qu’est-ce que le temps réel décisionnel ?

Le temps réel décisionnel désigne la capacité à réévaluer la situation et à recalculer la décision lorsqu’une nouvelle interaction survient, et non simplement à afficher rapidement une recommandation.

Quelle différence existe-t-il entre filtrage collaboratif et factorisation matricielle ?

Le filtrage collaboratif exploite les similarités entre utilisateurs ou produits. La factorisation matricielle projette utilisateurs et produits dans un espace latent pour estimer leurs affinités.

La factorisation matricielle résout-elle la sparsité ?

Elle permet de mieux exploiter une matrice très creuse mais elle ne supprime pas le manque d’information concernant un utilisateur ou un produit peu observé.

Qu’est-ce que le cold start ?

Le cold start correspond au manque de données concernant un nouveau produit ou un nouveau visiteur. Il peut être réduit mais pas annihilé grâce aux attributs produit, aux méthodes hybrides, au transfert de connaissances ou aux modèles session-based.

Pourquoi faut-il actualiser un modèle de machine learning ?

Les comportements, les produits et les conditions commerciales évoluent. Les relations apprises peuvent donc devenir progressivement moins représentatives.

Quelle différence existe-t-il entre machine learning prédictif et IA inductive ?

Le machine learning prédictif applique une fonction apprise à partir de données historiques. L’IA inductive de NetUp caractérise la situation présente, recherche des situations analogues et transpose les décisions qui y ont fonctionné.

Quel KPI utiliser pour comparer des moteurs de recommandation ?

Le revenu par visite ou la marge par visite sont généralement plus pertinents que le taux de clic. Ils doivent être mesurés par un test contrôlé afin d’identifier la valeur réellement incrémentale.

Qu’est-ce que NetUp ?

NetUp est une plateforme de recommandation produit et de e-merchandising fondée sur une IA inductive et situationnelle. Elle analyse les signaux de la visite, construit une signature situationnelle, recherche des situations analogues et recalcule la décision à chaque appel.