Une expérience d’achat sur mesure était autrefois réservée à une élite. Offrir une offre personnalisée à chaque client à tout moment, est devenue une intention première pour tout acteur du Digital. En effet le volume de données disponibles de nos jours, permet une meilleure connaissance client. Ce qui nous permet de pousser plus loin l’expérience d’achat personnalisé à travers un moteur de recommandation.

91 % des consommateurs, sont plus enclins à faire leurs achats auprès de marques qui se souviennent d’eux. En leur fournissent des offres et des recommandations pertinentes. 

Étude d’Accenture, 2018

Qu’est-ce qu’un moteur de recommandation ?

Sur la base de l’analyse des données collectées, un système de recommandation fournit des produits, ou tout autre élément aux internautes qui naviguent sur votre site.

Grace à un algorithme qui analyse le comportement de vos clients et extrait des informations sur leurs préférences passées. Cette algorithme prédit alors ce que l’utilisateur désirent grâce au Machine Learning.

Par conséquent plus le volume de données d’une entreprise est important, plus cette dernière pour pourra capitaliser sur son CRM. Ainsi la construction d’un tel moteur doté d’algorithmes de filtrations ou hybrides sera permis par un volume important de données. En outre cela contribuera à la satisfaction client grâce à des offres adéquates et une expérience en ligne personnalisée.

 

La data une alliée à la gestion de la relation client

 

Les équipes commerciales dépendent traditionnellement des systèmes de gestion de la relation client.  En particulier pour stocker des données sur les prospects et les clients afin de mieux connaitre leurs cibles.

L’efficacité de ces systèmes dépend de la qualité de la donnée.  Auparavant les données étaient manuellement saisies dans les systèmes de gestion CRM.  Pour garantir la valeur et l’exploitabilité de ces données elle se devait d’être à jour et exempt d’erreur. En effet les opérateurs commerciaux en charge de cette saisie renvoyaient ces taches en second plan. Cela conduisait une mauvaise exploitation du CRM.

Les différents moyens de collecte de données de nos jours comprennent :

• Programme de fidélité client
• Jeu en point de vente
• Evénement en point de vente
• Contenu gratuit à télécharger
• Cookies

Par conséquent, vu le volume de données importantes de source différentes les entreprises ont besoin de plus que de simples données. Ainsi un moteur de recommandation s’avère opportun pour toute entreprise détenant d’importants volumes de données et souhaitant sophistiquer leur processus CRM.

Les aspects déterminant du succès de la mise en place d’un moteur de recommandation sont les suivants :

• Volume de données important à disposition, inutile pour une petite structure de mettre en place un tel système.
• Source multiple de données pour permettre une connaissance cliente beaucoup plus pointue. Une seule source de données client s’avère peu optimale.

Un moteur de recommandation comment ça marche ?

Un moteur de recommandation collecte et analyse les données clients afin de produire des recommandations personnalisées pour les internautes d’une interface web. En somme ce moteur repose alors sur des données telles que l’historique de navigation ou les achats des internautes. Ainsi la mise en place d’un tel système se fait généralement par le biais de deux méthodes de filtrage basé sur le contenu ou le collaboratif.

Le point départ pour la construction et la mise en place d’un moteur de recommandation est la DATA !

Ce système exploite la donnée de la façon suivante

Collecte de données

Diverses informations sont collectées par le moteur de recommandation, ces informations peuvent être de caractère explicite (notes, commentaires, avis, etc.). Mais aussi il tiendra également en compte les informations implicites (historique d’achats, clics, pages visitées, etc).

Stockage de données

Le stockage d’information est aujourd’hui assuré par un support d’information électronique, ou électromagnétique, qui, vu de l’utilisateur, peut être physique ou virtuel, mais qui en l’état de la technologie est enregistré sur un support physique. 

Source: Wikipédia

Les différentes formes de stockage de données sont le stockage sur le cloud (stockage en ligne),  ou encore les bases de données SQL ou NoSQL peuvent également être utilisées.

Analyse de données

Les données collectées et stockées sont analysées en suivant des méthodes statistiques dont les principales caractéristiques sont d’être multidimensionnelles et descriptives. Le moteur de recommandation se structure autour de trois formes principales d’analyse de données telles que : l’analyse en temps réel, en temps quasi réel et par lots.

Filtrage de données

Cette étape est cruciale, il s’agit de choisir l’algorithme adéquat. Aujourd’hui les algorithmes principaux de filtrages utilisés  sont le filtrage collaboratif, le filtrage basé sur le contenu ou encore le modèle hybride.

Le filtrage collaboratif

Le filtrage collaboratif est un algorithme intégré au moteur de recommandation pour trouver des similarités entre les préférences d’un utilisateur à d’autres. Cependant la méthode consiste à faire des prédictions  sur les intérêts d’un utilisateur en collectant des avis de nombreux utilisateurs.  En outre cette approche consiste au fait que l’utilisateur qui a aimé un produit dans le passé sera enclin à aimer le même produit ou un autre qui se rapproche dans l’avenir.

Le filtrage basé sur le contenu

Le filtrage basé sur le contenu se concentre sur les descriptions de produits et les préférences des utilisateurs. Pour ensuite suggérer des produits supplémentaires qui coïncident le mieux avec les préférences de l’utilisateur. La méthode de filtrage part du fait que vous aimez un produit, vous aimerez probablement celui-ci.

Le model hybride

Le modèle hybride combine différent composant de systèmes de recommandation ou leur logique. Et avec cela génère une recommandation à l’aide d’une variété d’algorithmes de classement et de tri. 

L’exemple Amazon

Amazon utilise un moteur de recommandation basé sur le filtrage collaboratif.

À en juger par le succès d’Amazon, le système de recommandation fonctionne. La société a annoncé une augmentation de 29% de ses ventes à 12,83 milliards de dollars au cours de son deuxième trimestre fiscal, contre 9,9 milliards de dollars à la même période l’année dernière. Une grande partie de cette croissance est sans doute liée à la façon dont Amazon a intégré les recommandations dans presque toutes les parties du processus d’achat… 

Source : City University of Hong Kong

 

Le moteur de recommandation d’Amazon suggère une variété de produits de diverses catégories que vous avez explorées. Tout cela dans le but de vous présenter des produits sur lesquelles vous êtes plus susceptible de cliquer et d’acheter.

35% of Amazon.com’s revenue is generated by its recommendation engine.  source : mckinsey

 

Cette suggestion n’a qu’un seul objectif : augmenter la valeur moyenne des commandes. Etant donné que les recommandations « Achetez-le avec » sont conçues pour faire des ventes incitatives en suggérant des produits en fonction des éléments de leur panier.

Amazon utilise un filtrage collaboratif qui s’adapte à de grands ensembles de données et génère des suggestions de haute qualité en temps réel. Ce type de filtrage compare chacun des articles achetés et évalués par l’utilisateur à des articles connexes, puis liste les résultats dans une liste de recommandations. Cependant leur algorithme de recommandation est un outil qui fournit une expérience d’achat sur mesure à chaque consommateur, permettant à Amazon d’améliorer la valeur moyenne des commandes.