Intelligence artificielle, machine learning… Ces mots à la mode sont devenus des éléments essentiels du vocabulaire technologique, mais combien de personnes en comprennent réellement le sens profond ?
Avant de nous aventurer plus avant dans cet article pour comprendre comment ces technologies peuvent être mises au service du commerce électronique, prenons le temps de dissiper le mystère qui les entoure.
L’intelligence artificielle (IA) se caractérise par la création d’algorithmes informatiques capables d’exécuter des tâches avec une « certaine » intelligence. Ce domaine est très vaste et comprend des dizaines de domaines d’études tels que les systèmes distribués (systèmes multi-agents), la résolution de problèmes d’optimisation (métaheuristiques), la construction de systèmes experts, la satisfaction de contraintes ou la planification.
Le machine learning est l’un de ces domaines d’étude de l’IA. Les algorithmes de machine learning ont la capacité d’apprendre à partir de données et d’en extraire des informations pertinentes en appliquant des règles statistiques qui définissent un modèle d’apprentissage. Avec le machine learning, le développeur ne code plus directement la manière de résoudre un problème mais la manière d’apprendre à résoudre le problème en se basant sur les données.
L’apprentissage automatique se décompose généralement en deux phases fondamentales : l’apprentissage et la prédiction. Au cours de la phase d’apprentissage, l’algorithme ajuste ses paramètres à l’aide d’un ensemble de données, en apprenant les modèles et les relations sous-jacents présents dans les données. Une fois le modèle formé, il peut être déployé pour faire des prédictions ou des décisions sur de nouvelles données pendant la phase d’inférence.
Quand on sait qu’un site e-commerce gère une large gamme de produits, attire de nombreux utilisateurs effectuant diverses actions (navigation, manifestation d’intérêt pour les produits, achats) et que tout cela génère une quantité considérable de données… On se rend immédiatement compte du potentiel important des algorithmes de machine learning pour comprendre le comportement des visiteurs et, par conséquent, pour améliorer directement l’expérience client et optimiser les ventes.
Pour garantir l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des données de qualité et des contextes d’utilisation spécifiques. Voici quelques exemples concrets.
Machine learning pour optimiser la recherche de produits
En matière de recherche, l’apprentissage automatique peut être utilisé de différentes manières :
– Optimiser la compréhension automatique du sens sémantique d’une requête. Illustrons cela avec une recherche vocale. Lorsqu’un visiteur dit « Je voudrais un canapé gris s’il vous 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, laissant de côté le reste de la phrase. Grâce aux technologies issues du NLP (Natural Language Processing) ou plus récemment grâce aux LLM (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.
– De suggérer des produits en cas d’expression de recherche inconnue.
En cas d’expression de recherche inconnue, il est possible d’utiliser un algorithme de réouverture. Cela permet de présenter des articles pertinents même s’ils sont désignés par des termes différents. Par exemple, si un visiteur saisit « sombrero », le site marchand pourra proposer des chapeaux en hiver ou des chapeaux de paille en été. Cette capacité résulte du fait que l’apprentissage automatique comprend sémantiquement que « sombrero » est proche de « hat » ou « bonnet ».
Un autre aspect de l’application de ces algorithmes est de personnaliser le parcours client.
Les algorithmes de machine learning ouvrent des perspectives en termes de personnalisation
Cela peut se faire notamment au niveau du classement des produits et se manifeste dans divers contextes :
- SAISONNALITÉ : Le classement peut varier en fonction des saisons. Par exemple, si les visiteurs recherchent des pulls en été, le système privilégiera les articles plus légers, tandis qu’en hiver, il mettra en avant les pulls plus épais et plus chauds.
- Appétit de l’utilisateur : Lorsque ce dernier recherche des produits pour hommes et saisit ensuite le terme « chaussures », les résultats de recherche peuvent être orientés vers des chaussures destinées aux hommes.
- Le profil utilisateur : Il est possible d’apprendre à classer les clients et à définir des profils types qui serviront ensuite à personnaliser les réponses du moteur de recherche ou des algorithmes de recommandation, voire à créer des fiches produits personnalisées sur la page d’accueil par exemple.
- Les mots clés tapés : Lorsqu’un internaute tape « jeans », le moteur de recherche comprend qu’il recherche avant tout des pantalons et non des vestes en jean, une déduction tirée de son apprentissage des attentes des utilisateurs. En ajustant le classement 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 :
- Fiches produits : Il est possible de proposer des produits populaires qui s’accordent bien avec celui que l’utilisateur est en train de consulter. Cette fonctionnalité s’appuie sur des algorithmes de vente croisée, qui identifient les produits fréquemment achetés ensemble. De plus, il est possible d’afficher les choix d’autres clients ayant acheté le même produit, offrant ainsi des suggestions complémentaires pour un panier. Une autre possibilité serait de proposer des articles similaires, mais dans une gamme de prix plus élevée (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 : au début pour lui présenter des articles qu’il ne connaît pas encore mais qui pourraient l’intéresser, ou à la fin pour lui suggérer des produits qu’il a déjà achetés ou qu’il achète fréquemment. Cette approche est particulièrement pertinente dans le secteur alimentaire, où recommander des produits réguliers facilite l’expérience d’achat.
Les cas d’utilisation mentionnés se concentrent sur les améliorations directes de l’expérience client. Dans le même temps, l’apprentissage automatique peut également aider à fournir aux personnes qui gèrent le site de commerce électronique des informations sur la manière d’améliorer leurs tâches.
Les algorithmes de machine learning : de puissants alliés pour les e-commerçants
Imaginons une situation où un groupe de produits semble mal réparti 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 alors nécessaire pour évaluer et qualifier la catégorie. De plus, les algorithmes peuvent également repérer les catégories qui manquent de pertinence, regroupant une variété de produits sans aucun lien significatif, et suggérer de les diviser en sous-catégories plus spécifiques.
Ces algorithmes proposent également aux e-marchands des suggestions de synonymes pertinents à intégrer dans le Back Office. Cette fonctionnalité s’appuie sur l’analyse de résultats utilisateurs nuls, permettant ainsi une optimisation fine des résultats de recherche. Par exemple, la suggestion de synonymes tels que « applique » pour « luminaire », ou « chemise de nuit » pour « nuisette », démontre la capacité de ces technologies à anticiper et à répondre aux attentes des clients.
En conclusion
L’expertise des algorithmes de machine learning réside dans leur capacité à assimiler finement les comportements des utilisateurs, identifier les tendances, classer et révéler les corrélations significatives entre les produits. Cette capacité en fait des outils incontournables pour optimiser l’expérience utilisateur globale, notamment dans les domaines de la recherche et de la recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus immersive et personnalisée, contribuant significativement à maximiser le taux de conversion sur le site marchand.
À quoi ressemblera l’avenir de la recherche en ligne ? Il est certain qu’elle ne se limitera plus aux requêtes par mots-clés telles que nous les connaissons aujourd’hui. Les récents développements en intelligence artificielle, notamment dans le domaine de l’IA générative, comme les LLM (modèles de langage naturel capables de comprendre et de générer du texte humain) utilisés par ChatGPT, ouvrent la voie à de nouvelles perspectives.
Ces avancées technologiques offrent des opportunités de réinventer notre façon d’utiliser les moteurs de recherche et pourraient évoluer vers une interaction plus directe, où la discussion avec les 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.
Une chronique de Ferdinand Piette, scientifique en apprentissage automatique, PhD chez Sensefuel
J’aime ça :
J’aime chargement…
