Par Ferdinand Piette, Machine Learning Scientist, PhD chez Sensefuel
Intelligence artificielle, machine learning…
Ces “buzzwords” sont devenus des incontournables du vocabulaire technologique,
mais combien de personnes comprennent réellement leur signification profonde ?
Avant de nous aventurer plus loin dans cet article pour comprendre comment ces
technologies peuvent être mises au service du e-commerce, prenons le temps de
dissiper le mystère qui les entoure.
L'intelligence
artificielle (IA) se caractérise par la création d'algorithmes informatiques
capables d'accomplir des tâches avec une “certaine” intelligence. Ce domaine
est très vaste et regroupe des dizaines de champs d'études comme par exemple
les systèmes distribués (systèmes multi-agents), la résolution de problèmes
d'optimisation (métaheuristique), la construction de systèmes experts, la
satisfaction de contraintes ou encore la planification.
Le machine learning est
l'un de ces champs d'étude de l'IA. Les algorithmes de machine learning ont la
capacité d'apprendre de la donnée et d'en extraire de l'information pertinente
grâce à l'application de règles statistiques qui définissent un modèle d'apprentissage.
Avec le machine learning, le développeur ne code plus directement le moyen de
résoudre un problème mais le moyen d’apprendre à résoudre le problème sur la
base de données.
L'apprentissage
automatique se décompose généralement en deux phases fondamentales :
l'apprentissage et la prédiction. Durant la phase d'entraînement, l'algorithme
ajuste ses paramètres en utilisant un ensemble de données, apprenant ainsi les
modèles et relations sous-jacents présents dans les données. Une fois le modèle
entraîné, il peut être déployé pour effectuer des prédictions ou prendre des
décisions sur de nouvelles données au cours de la phase d'inférence.
Lorsque l’on sait qu'un
site e-commerce gère une large gamme de produits, attire de nombreux
utilisateurs effectuant diverses actions (navigation, expression d'un intérêt
pour les produits, achats) et que tout cela génère une quantité considérable de
données… On réalise immédiatement le potentiel significatif des algorithmes de
machine learning dans la compréhension du comportement du visiteur et, par
conséquent, dans l’amélioration directe de l’expérience client et
l'optimisation des ventes.
Pour garantir
l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des
données de qualité et des contextes d'utilisation spécifiques. En voici
quelques exemples concrets.
Le machine learning
pour optimiser la recherche de produits
En matière de search,
le machine learning peut être employé de différentes manières :
- Pour optimiser la
compréhension automatique du sens sémantique d'une requête. Illustrons cela avec
une recherche vocale. Lorsqu'un visiteur exprime "Je voudrais un canapé
gris s'il te plaît", le moteur de recherche, basé sur le machine learning,
peut discerner que les termes importants sont "canapé gris" et que
“gris” correspond à une couleur, en mettant de côté le reste de la phrase.
Grâce à des technologies issues du NLP (Natural Language Processing) ou plus
récemment grâce aux LLMs (Large Language Models), le moteur de recherche a la
capacité de comprendre sémantiquement l'utilisateur, même si la phrase est
formulée en langage naturel, de manière complexe.
- Pour proposer des
produits en cas d’expression de recherche inconnue. En cas d'expression de
recherche inconnue, il est envisageable d'utiliser un algorithme de
réouverture. Celui-ci permet de présenter des articles pertinents même s'ils
sont désignés avec des termes différents. Par exemple, si un visiteur saisit
"sombrero", le site marchand pourra proposer des bonnets en hiver ou
des chapeaux de paille en été. Cette capacité résulte du fait que le machine
learning comprend sémantiquement que "sombrero" est proche de
"bonnet" ou de "chapeau".
Un autre aspect de
l'application de ces algorithmes consiste à personnaliser le parcours client.
Les algorithmes de
machine learning ouvrent des perspectives en matière de personnalisation
Celle-ci peut se faire
notamment au niveau du ranking de produits et se manifeste dans divers
contextes :
- la saisonnalité : le ranking peut varier
en accord avec les saisons. Par exemple, si les visiteurs cherchent des pulls
en été, le système privilégiera des articles plus légers, tandis qu'en hiver,
il mettra en avant des pulls plus épais et chauds.
- l’appétence
utilisateur :
lorsque ce dernier effectue des recherches de produits pour hommes puis saisit
le terme "chaussures", les résultats de recherche pourront être
orientés vers les chaussures destinées aux hommes.
- le profil utilisateur
: il
est possible d'apprendre à classifier les clients et définir des profils types
qui serviront ensuite à personnaliser les réponses du moteur de recherche ou
des algorithmes de recommandation, voire à créer des listings de produits
personnalisés sur la page d'accueil par exemple.
- les mots clés tapés : lorsque l'utilisateur
saisit "jean", le moteur de recherche comprend qu’il cherche
principalement des pantalons plutôt que des vestes en jean, une déduction tirée
de son apprentissage des attentes des utilisateurs. En ajustant le ranking en
fonction des mots clés, le machine learning organise les produits de manière
pertinente, en intégrant par exemple des notions de best-sellers.
La personnalisation
peut également s'étendre à d'autres aspects, comme par exemple dans :
- les fiches produits : des suggestions
peuvent être faites pour des produits populaires qui se marient bien avec celui
que l'utilisateur visualise. Cette fonctionnalité repose sur des algorithmes de
type cross-sell, identifiant les produits fréquemment achetés ensemble. De plus,
il est possible d'afficher les choix d'autres clients qui ont acheté le même
produit, offrant ainsi des suggestions complémentaires pour un panier. Une
autre possibilité serait de suggérer des articles similaires, mais dans une
gamme de prix supérieure (up sell).
- la page d'accueil : des produits
personnalisés peuvent être proposés à l'utilisateur en fonction de son
historique. Cela peut se faire de différentes manières : en ouverture pour lui
faire découvrir des articles qu'il ne connaît pas encore mais qui pourraient
l'intéresser, ou en fermeture pour lui suggérer des produits qu'il a déjà
achetés ou qu'il acquiert fréquemment. Cette approche est particulièrement
pertinente dans l'alimentaire, où la recommandation de produits réguliers
facilite l'expérience d'achat.
Les scénarios
d'utilisation mentionnés se concentrent sur des améliorations directes de
l'expérience client. Parallèlement, le machine learning peut également
contribuer à fournir aux personnes qui gèrent le site marchand des pistes
d’amélioration de leurs tâches professionnelles.
Les algorithmes de
machine learning : des alliés puissants pour les e-merchandiseurs
Considérons une
situation où un groupe de produits semble mal ventilé au sein d'une catégorie.
Les algorithmes de machine learning ont la capacité de détecter cette situation
et de la signaler. Une intervention humaine serait ensuite nécessaire pour évaluer
et qualifier la catégorie. De plus, les algorithmes peuvent également repérer
des catégories qui manquent de pertinence, regroupant une variété de produits
sans lien significatif et suggérer de la diviser en sous-catégories plus
spécifiques.
Ces algorithmes offrent
également aux e-merchandiseurs des suggestions de synonymes pertinents à
intégrer dans le Back Office. Cette fonctionnalité repose sur l'analyse des
zéro résultats des utilisateurs, permettant ainsi une optimisation fine des
résultats de recherche. Par exemple, la proposition de synonymes tels que
'applique murale' pour 'luminaire', ou encore 'chemise de nuit' pour
'nuisette', démontre la capacité de ces technologies à anticiper et répondre
aux attentes des clients.
En conclusion
L'expertise des
algorithmes de machine learning réside dans leur aptitude à assimiler finement
les comportements des utilisateurs, à identifier des tendances, à classifier et
à révéler des corrélations significatives entre les produits. Cette capacité en
fait des outils incontournables pour optimiser l'expérience globale des
utilisateurs, en particulier dans les domaines de la recherche et de la
recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus
immersive et personnalisée, contribuant de manière conséquente à maximiser le
taux de conversion sur le site marchand.
À quoi ressemblera le
futur de la recherche en ligne ? Il est certain qu’il ne se limitera plus aux
requêtes par mots-clés telles que nous les connaissons aujourd'hui. Les
évolutions récentes de l'intelligence artificielle, notamment dans le domaine
de l'IA générative ; comme par exemple les LLMs (modèles de langage naturel
capables de comprendre et générer du texte humain) utilisés par ChatGPT ;
ouvrent la voie à de nouvelles perspectives.
Ces avancées
technologiques offrent des opportunités de réinventer la manière dont nous
utilisons les moteurs de recherche et pourraient évoluer vers une interaction
plus directe, où la discussion avec ces moteurs de recherche deviendrait aussi
naturelle que celle avec un vendeur physique en magasin.
Demain, l'expérience utilisateur sur les sites web pourrait subir une transformation majeure, marquant une évolution significative par rapport à nos habitudes actuelles.