Un catalogue de dix mille références est un catalogue dont un client verra trente produits. Les vingt premiers résultats décident de presque tout le chiffre d’affaires, et le reste dort. C’est le problème que résout une recommandation, quand elle est correctement évaluée, ce qui est rare.
Le piège du best-seller
Un moteur mal réglé converge toujours vers la même solution : recommander ce qui se vend le plus. Ses indicateurs sont excellents, parce que les produits populaires se vendent effectivement bien. Et son apport réel est nul : ces produits se seraient vendus de toute façon.
La bonne mesure n’est pas le taux de clic sur les recommandations, mais l’écart entre un groupe qui les voit et un groupe qui ne les voit pas. C’est plus long à mettre en place, et c’est la seule chose qui répond à la question posée.
Trois approches, trois moments
Par similarité de contenu. On compare les produits entre eux : description, catégorie, caractéristiques. Fonctionne dès le premier jour, y compris sur un produit qui n’a jamais été acheté. Faiblesse : elle propose surtout des variantes proches, ce qui est peu utile quand le client vient d’acheter l’article.
Par comportement. On s’appuie sur ce que des clients aux parcours similaires ont acheté. Beaucoup plus pertinent, et capable de trouver des associations que personne n’aurait devinées. Faiblesse : elle ne dit rien d’un produit nouveau ni d’un visiteur inconnu.
Par règle métier. Vos équipes savent des choses qu’aucun modèle ne trouvera : ce produit ne va pas avec celui-là, cette référence est en fin de vie, celle-ci a une marge trois fois supérieure. Ces règles doivent pouvoir surclasser le modèle, toujours.
Un montage sérieux combine les trois, et bascule de l’une à l’autre selon ce qu’il sait du visiteur.
L’enfermement, coût invisible
Un moteur optimisé sur le seul clic finit par rétrécir ce que chaque client voit. Il propose ce qui ressemble à ce qui a déjà été vu, le client clique, le modèle se conforte. À court terme les chiffres montent ; à moyen terme le catalogue exploré se réduit, et les découvertes qui font revenir un client disparaissent.
La parade est simple et se règle : réserver une part des recommandations à l’exploration, avec des produits que le modèle juge moins sûrs, mais qui élargissent le champ. Cette part se pilote, et son effet se mesure sur la durée de vie du client, pas sur la session.
Ce qui est surestimé
La personnalisation en temps réel. Recalculer à chaque clic coûte cher en infrastructure et n’apporte presque rien face à un calcul nocturne, sauf sur les sites à très forte fréquence de visite. Pour un catalogue B2B ou une boutique où l’on revient une fois par mois, la fraîcheur des recommandations n’est pas le facteur limitant.
Nous mesurons l’apport contre un groupe témoin avant d’industrialiser, dans notre prestation de systèmes de recommandation.