Personnaliser les recommandations d'achats en ligne Les systèmes de vente en ligne recommandent des produits supplémentaires au consommateur, mais ces recommandations ne sont pas très utiles. Un nouveau système personnalise de manière intelligente des recommandations intéressantes pour l'utilisateur. Économie numérique © Thinkstock Les systèmes de recommandations sont présents dans les contextes d'achats en ligne. Typiquement, le système suggère d'autres articles en fonction des choix antérieurs de l'utilisateur. Cependant, ce genre de systèmes de «filtrage collaboratif» n'apprennent pas bien et peuvent ne jamais reconnaître l'intérêt potentiel d'un consommateur pour un produit qui n'est pas encore populaire. Sinon, un système peut utiliser un filtrage de contenu pour recommander des produits supplémentaires en fonction du contenu des paniers d'achats antérieurs du consommateur. Cela est également inefficace car les produits proposés sont très semblables aux produits achetés, et ainsi redondants. Le projet financé par l'UE intitulé ASSORTMENTCUSTOMIZE vise à développer des méthodes logicielles pour personnaliser les recommandations proposées aux utilisateurs en fonction de leurs caractéristiques individuelles. Il utilise les données d'achat pour déterminer la catégorie du consommateur et des facteurs de positionnement en fonction de l'intérêt, de l'objet ou de l'âge. Le système utilise ces classes et catégories de produits, ainsi que le prix et le coût des produits, pour compiler une liste des meilleures suggestions pour un consommateur particulier. Chaque décision effectuée par la suite par le consommateur affinera l'algorithme. Les calculs de ce genre sont généralement assez longs; mais l'outil ASSORTMENTCUSTOMIZE permettra de les faire rapidement à l'aide d'une programmation innovante. Cela permettra aux vendeurs de proposer des ensembles de suggestions de produits aux clients qui correspondent à leurs caractéristiques, optimisant par conséquent leurs profits. Le projet testera les algorithmes sur la place de marché de la télévision par câble, mais la technologie pourra être appliquée dans d'autres contextes riches en choix. Au cours de la première phase du projet, les paramètres d'origine du modèle ont été revus pour permettre au logiciel d'apprendre n'importe quelle quantité de caractéristiques client de manière simultanée. Auparavant, il était limité à une caractéristique à la fois. Le projet a également récupéré un grand ensemble de données de choix auprès d'un vendeur de vidéos américain, qui a permis d'établir des historiques client utiles pour le projet. Des simulations utilisant ces données et un algorithme optimisé ont abouti à une prototype de travail en version web. De nombreuses autres optimisations logicielles ont également été réalisées. La phase suivante a consisté en un test du système en juin 2013 impliquant plus de 2000 utilisateurs. Cela permet d'avoir des résultats plus réalistes. Un article présentant les résultats du projet sera soumis à la prestigieuse revue Management Science.
