Comment les moteurs de recommandation de produits par IA choisissent réellement quoi montrer

Recommandations basées sur le contenu : comparer ce qu'est un produit

Un système basé sur le contenu recommande des produits en comparant leurs caractéristiques réelles — catégorie, matériaux, gamme de prix, tags descriptifs — à ce qu'un acheteur spécifique a déjà montré de l'intérêt pour. Si quelqu'un consulte une paire de bottes de randonnée imperméables, un système basé sur le contenu cherche d'autres produits qui partagent des attributs pertinents : d'autres chaussures imperméables, d'autres équipements de randonnée, des articles dans une gamme de prix similaire.

Cette approche repose généralement sur les propres informations d'un seul acheteur plutôt que de s'appuyer sur ce que la communauté plus large de clients a fait, ce qui la rend plus prévisible mais aussi plus limitée — elle a tendance à recommander des choses similaires à ce que quelqu'un a déjà consulté, ce qui peut signifier moins de variété pour un acheteur qui navigue.

Filtrage collaboratif : comparer ce que les gens ont fait

Le filtrage collaboratif fonctionne différemment. La documentation de Google sur l'approche la décrit comme utilisant simultanément les similarités entre utilisateurs et articles, apprises à partir de schémas dans le comportement communautaire plutôt qu'à partir des caractéristiques d'un produit individuel. En pratique : si des clients qui ont acheté les mêmes bottes de randonnée que votre acheteur actuel ont aussi fréquemment acheté une carte de sentier particulière ou des chaussettes de randonnée, le système recommande ces articles — non pas parce qu'ils partagent des caractéristiques évidentes avec les bottes, mais parce que des personnes avec des schémas d'achat similaires ont acheté les deux.

Cela peut produire le genre de recommandation agréablement inattendue qu'un système basé sur le contenu produirait rarement, puisqu'il n'est pas limité aux articles qui partagent des caractéristiques de surface. Le compromis est qu'il a besoin de vraies données comportementales pour fonctionner en premier lieu. Les principaux fournisseurs cloud reflètent cette même division dans la façon dont ils construisent leurs outils de recommandation : la propre documentation d'Amazon pour son service Personalize décrit le support des algorithmes collaboratifs et basés sur le contenu côte à côte, plutôt que de traiter l'un comme un remplacement universel de l'autre.

Le problème de démarrage à froid que les petites boutiques devraient anticiper

La faiblesse centrale du filtrage collaboratif est ce qu'on appelle le problème de démarrage à froid : il ne peut pas recommander de manière significative un produit sans historique d'achat ou d'interaction encore, et il a peu de matière à travailler pour un tout nouveau visiteur dont le comportement n'est pas enregistré. Pour une boutique petite ou nouvelle avec un catalogue limité et un trafic modeste, ce n'est pas un cas limite hypothétique — c'est la situation normale pour une part significative de produits et de visiteurs.

C'est exactement là qu'une approche basée sur le contenu, ou un système mixte qui se replie sur les caractéristiques du produit quand les données comportementales sont rares, tend à être plus fiable pour les catalogues plus petits. Un moteur de recommandation purement par filtrage collaboratif réglé pour un détaillant à fort trafic peut simplement avoir trop peu de données pour fonctionner sur une boutique plus petite — la même limitation de démarrage à froid que les comparaisons académiques des deux approches décrivent comme l'une des faiblesses les plus constamment documentées du filtrage collaboratif.

Ce qu'il faut vraiment peser lors de l'évaluation d'une application de recommandation

Demandez quelle approche l'application utilise réellement, puisque les fournisseurs ne mettent pas toujours ce détail en avant, et le bon choix dépend véritablement de la taille du catalogue et du trafic. Une boutique plus grande avec un volume de transactions significatif par produit peut bénéficier de la capacité du filtrage collaboratif à faire émerger des connexions non évidentes. Une boutique plus petite ou plus nouvelle est souvent mieux servie par une approche basée sur le contenu ou mixte qui ne dépend pas de données comportementales que la boutique n'a pas encore.

Il vaut aussi la peine de se rappeler ce que ce système ne peut pas faire : il n'opère jamais que sur des visiteurs déjà sur votre site. Il n'a aucun rapport avec le fait qu'un assistant d'IA recommande votre boutique à quelqu'un qui ne vous a pas encore trouvé — c'est un problème séparé nécessitant des solutions séparées, couvert dans notre guide sur la personnalisation IA contre la visibilité IA.

FAQ