Si les conseilleurs ne sont pas les payeurs, il n'empêche que leurs avis peuvent souvent être pertinents. C'est exactement le cas dans le e-commerce avec les recommandations qui permettent d'optimiser les visites effectuées par les internautes sur les sites de commerce en ligne. Et ce, avec un double impact : pour le e-commerçant, les recommandations de produits sont utilisées pour provoquer une vente qui n'aurait pas eu lieu ou bien accroître le montant du panier de l'acheteur, tandis que du côté de l'internaute, les recommandations peuvent lui donner des idées d'achats, basées soit sur l'analyse des goûts similaires d'autres acheteurs ou bien sur son historique de recherche.

Les bénéfices de la mise en oeuvre des recommandations en tant que levier d'aide à la vente sont aujourd'hui largement répandues sur la toile et donc particulièrement chez les e-commerçants qui ont tout à gagner à les proposer mais également faire en sorte qu'elles soient les plus pertinentes possibles. Or, cela n'a pas toujours été le cas. Chez Priceminister par exemple, acteur historique du e-commerce présent sur ce marché depuis 2000, utilisait une pratique bien manuelle pour pousser ses recommandations jusqu'en 2011. « Le choix des produits poussés sur la page d'accueil était fait par les équipes commerciales, en accord avec la saisonnalité », nous a expliqué Julien Lucas, responsable de l'expérience client de Priceminister. Problème : cette pratique, de type « one ton many » ne pouvait de facto pas du tout répondre à l'enjeu d'apporter des recommandations personnalisées pour chaque internaute et acheteur potentiel du site.

Un algorithme pour exploiter de nouvelles stratégies de recommandations

« A l'époque, créer des règles de personnalisation poussées demandait trop de temps en interne et nous n'avions pas d'expertise en datascience pour faire de l’algorithmie centré sur l'utilisateur dans une démarche ROIste », poursuit Julien Lucas. Face à la montée en puissance de la concurrence et mettre à niveau son système de recommandations, Priceminister s'est alors mis en recherche d'une solution pour les automatiser. Parmi les offres étudiées, Avail, Prudsys et RichRelevance ont fait partie du lot. Et c'est sur cette dernière que l'e-commerçant a jeté son dévolu.  « Nous savions que RichRelevance était utilisé par d'autres gros e-commerçants et on ne pouvait pas se permettre de tester trop de solutions en même temps pour raison de coût c'est pourquoi nous les avons choisi », fait savoir Julien Lucas. «  L'algorithme multi arm bandit de RichRelevance permet d'aller exploiter des nouvelles stratégies de recommandations en plus de nos centaines déjà en place. Par ailleurs la solution RichRelevance est cookieless c’est à dire que les comportements d’achat et de navigation des internautes sont capturés directement côté serveur pour consolider toutes les actions effectuées indépendamment du canal, à savoir site, site mobile ou application, sur lequel l'internaute interagit, ce qui permet de créer un parcours d'achat omnicanal avec des recommandations temps réel tenant en compte de la totalité du parcours. »

Priceminister analyse de près les impacts des recommandations sur ses ventes. (crédit : Priceminister)

Concernant la mise en oeuvre de RichRelevance, une quinzaine de jours ont suffit. « Sur toutes nos fiches produits, on fait des appels API rich sur lesquels on renvoie un JSON. L'avantage de ce genre de solution est qu'une fois mise en place, grâce à notre très gros volume de trafic, l'algorithme se montre très performant et on a pu obtenir en très peu de temps des recommandations personnalisées pertinentes ». En 2014, un second appel d'offres a été effectué pour mettre en compétition RichRelevance et a été confirmé face à Netwave, Antvoice et Target2Sell.

Côté gains, Priceminister estime que la solution de RichRelevance a permis de générer 1,5% de chiffre d'affaires supplémentaire - voire même jusqu'à 2% de plus en période de fêtes de Noël - ainsi qu'une amélioration d'1,2% de son taux de conversion. « Dans le futur, nous pensons créer nos propres stratégies de recommandations que l'on pourra mettre en compétition avec celles de RichRelevance en essayant d'en créer certaines basées sur des attributs produits comme la couleur ou la taille », conclut Julien Lecas.

Note aux lecteurs : cet article a été modifié le 13 mai 2016 à 14h43.