La question qui détermine si le projet a du sens
Les systèmes de recommandation font partie des cas d’usage de l’IA dont le retour sur investissement est le mieux documenté dans l’e-commerce et le commerce de détail. Ils comptent aussi parmi les plus difficiles à évaluer correctement, car la corrélation entre « une recommandation a été affichée » et « le client a acheté » n’implique pas de causalité : le client aurait pu acheter le produit sans la recommandation.
La question de départ comporte deux volets. Le catalogue et la base de clients actifs sont-ils assez larges pour que la personnalisation produise des écarts significatifs ? Et peut-on mesurer l’effet incrémental des recommandations, et pas seulement le taux de clics ?
Un catalogue de dix produits et cent clients n’a pas besoin d’un système de recommandation par l’IA. Un catalogue de milliers de références, avec des comportements d’achat hétérogènes chez des milliers de clients, est l’environnement où le retour sur investissement est le plus net.
Évaluation de l’opportunité
Les systèmes de recommandation créent de la valeur dans quatre situations : la découverte de produits (le client ignore l’existence d’un article qui l’intéresse), la vente croisée (compléter un achat par des produits associés), la montée en gamme (proposer la version de plus forte valeur quand le client est disposé à l’acheter) et la fidélisation (rappeler au client des produits dont il a été satisfait).
L’analyse préalable qui mesure l’ampleur de l’opportunité porte sur quelques questions. Quelle part des achats correspond à un premier achat dans la catégorie, et quelle part à un réachat ? Combien de catégories un client moyen visite-t-il à chaque session ? Quel est le taux de conversion actuel des pages produit ? Ces données indiquent où se trouve le principal levier.
Données nécessaires
Historique des transactions par client. Le filtrage collaboratif (recommander à partir de ce qu’ont acheté des clients similaires) exige une densité d’interactions suffisante : un client qui achète peu laisse un profil de préférences trop mince pour des recommandations personnalisées. Les systèmes de recommandation se heurtent au « problème du démarrage à froid » pour les nouveaux clients.
Données de comportement, pas seulement d’achat. Les visites de pages produit, les articles ajoutés au panier puis abandonnés, les recherches effectuées, le temps passé sur la page : tous ces signaux enrichissent le profil du client au-delà de ce qu’il achète finalement.
Attributs des produits. Pour le filtrage fondé sur le contenu (recommander des produits proches de ceux que le client a vus ou achetés), les attributs du produit (catégorie, prix, caractéristiques, marque) permettent de recommander même des produits nouveaux, sans historique d’achat.
Données de stock en temps réel. Recommander un produit épuisé dégrade l’expérience du client et fait perdre une vente. L’intégration au stock en temps réel est nécessaire pour écarter les recommandations indisponibles.
Structure des coûts et complexité
Il existe des bibliothèques et des plateformes de recommandation éprouvées qui réduisent le coût de développement du modèle. Le poste le plus variable est l’intégration : la manière d’insérer les recommandations dans la boutique en ligne, les e-mails, l’application mobile ou les échanges avec le service client.
La personnalisation en temps réel (les recommandations s’actualisent selon le comportement pendant la session) demande une infrastructure de calcul différente de la personnalisation par lots (les recommandations sont calculées une fois par jour et servies telles quelles).
Évaluation des risques
Risque de bulle. Un système qui ne recommande que ce que le client connaît et achète déjà limite la découverte et réduit la diversité des achats. Les systèmes bien conçus associent une composante d’exploration (recommander un article nouveau mais susceptible d’intéresser) à une composante d’exploitation (recommander ce qui a le plus de chances de plaire).
Risque de cannibalisation. Si le client aurait de toute façon acheté le produit B, le lui montrer depuis le produit A n’ajoute aucun chiffre d’affaires : seul son parcours de navigation change. Mesurer l’effet incrémental réel exige des tests A/B avec des groupes témoins auxquels les recommandations ne sont pas présentées.
Risque pour la vie privée. Les systèmes fondés sur un suivi poussé du comportement de l’utilisateur ont des implications en matière de vie privée qu’il faut évaluer au regard du RGPD, surtout en cas de suivi entre sessions ou entre appareils.
Indicateurs de réussite
- Taux de clics (CTR) des recommandations
- Taux de conversion depuis les recommandations par rapport à la navigation standard
- Chiffre d’affaires par session avec et sans recommandations actives
- Panier moyen avec et sans vente croisée active
- Couverture du catalogue : % de références qui apparaissent dans les recommandations (un grand catalogue dont les recommandations montrent toujours les mêmes 50 produits a un problème de diversité)
- Chiffre d’affaires incrémental mesuré par test A/B (le seul indicateur qui mesure la causalité, et non la corrélation)
Comment se crée le retour sur investissement
Le mécanisme principal est la hausse de la valeur moyenne des transactions (plus d’articles par achat grâce à la vente croisée) et de la fréquence d’achat (le client revient plus tôt parce que le système lui rappelle des produits qui l’intéressent). Le mécanisme secondaire est la baisse du coût d’acquisition : un client qui trouve plus de valeur dans la boutique a une valeur vie client (CLV) plus élevée et doit moins souvent être reconquis.
En B2B, le système de recommandation peut aussi réduire le coût de traitement des commandes : s’il propose, au moment de la commande, les produits que le client achète habituellement, il réduit le temps que celui-ci consacre à composer sa commande à la main.
Questions fréquentes
Les recommandations par e-mail sont-elles aussi efficaces qu’en boutique ? Leur mécanisme est différent. En boutique, elles agissent sur une intention d’achat active (le client navigue). Par e-mail, elles agissent sur une demande latente (elles créent l’intention). L’e-mail a des taux de conversion absolus plus faibles, mais il peut générer des visites qui n’auraient pas eu lieu autrement. Les deux canaux sont complémentaires.
Un petit catalogue peut-il tirer parti d’un système de recommandation ? Cela dépend de la diversité des préférences des clients. Avec un petit catalogue mais des préférences individuelles très variées (goûts gastronomiques ou habitudes de lecture, par exemple), un système de recommandation reste utile. Avec un petit catalogue et des préférences homogènes, la valeur de la personnalisation est limitée et une sélection éditoriale soignée peut donner d’aussi bons résultats.