IA et graphs natifs, le doublé gagnant pour créer les recommandations les plus sophistiquées

Les secteurs de la vente et des services ont intérêt à se pencher sur l'intelligence artificielle et les graphes natifs pour offrir des recommandations de nouvelle génération. Voici de quelle façon.

Nous apprécions tous les recommandations des grands noms de la distribution en ligne indiquant "Les clients ayant acheté cet article ont aussi acheté…" et celles des plateformes de streaming qui précisent " Les clients ayant regardé ceci ont aussi regardé…". Il s'agit d'outils inestimables qui nous montrent la valeur de l'acquisition client par voie de recommandations de produits ou d'articles les plus personnalisés possibles.

Il en découle que même la plus petite entreprise de vente ou de service sait que, pour survivre dans notre monde de plus en plus numérique, elle doit offrir des recommandations de produits ou de services tout autant personnalisées afin de séduire et d'interpeller un client toujours plus exigeant.

Le problème : des recommandations du type "Les clients qui ont acheté cet article ont aussi acheté celui-ci" peuvent paraître trop élémentaires et ne plus intéresser les clients. Aujourd'hui, les clients en ligne attendent d'office des recommandations basées sur leurs préférences individuelles, leur historique, leurs centres d'intérêt et leur contexte social. L’ensemble met la barre très haut - sans doute trop haut pour de nombreux DSI.

L'approche innovante des recommandations 3.0

Pour survivre dans ce contexte plus ardu, répondre aux attentes des clients et les dépasser, les commerçants et les fournisseurs de services doivent proposer quelque chose de bien plus élaboré.

Ce doit être une suggestion détaillée comme : "Vous avez acheté cet article ou ce produit aujourd'hui, la semaine dernière, la semaine précédente ou en mars dernier ; vous avez également consulté tous ces articles et services aujourd'hui, la semaine dernière, la semaine précédente et il y a un an - que pensez-vous de celui-ci ?"

La marque doit soumettre à ses clients avisés des sollicitations intelligentes, hyper-contextualisées et capables de comprendre et de mémoriser ce qu'un acheteur essaie vraiment de trouver. Cependant, dans les faits, ce type de recommandations hyper personnalisées ne peut être généré qu'avec l'aide de la technologie comme moyen d'embarquer bien plus de capacités intelligentes et alimentées par les données dans le moteur de recommandations. 

La clé : de l'IA, des logiciels intelligents, et de la donnée alimentée en temps réel

Et la clé pour activer le moteur en backend capable de générer ces recommandations de nouvelle génération réside dans la technologie des bases de données de graphes.

Un leader mondial de la vente en ligne a, par exemple, utilisé les bases de données de graphes pour créer un service à destination de ses clients aux États-Unis - un "bot" d'achat intelligent et personnel qui converse avec les utilisateurs par le biais de capacités de recherche par textes, voix ou photo. Non seulement cette application comprend les textes, images et paroles de l'acheteur, mais également ses intentions dans l'orthographe et la grammaire quand elle analyse le sens et le contexte des conversations.

Concrètement, pour un acheteur qui cherche une paire de gants à moins de 25 €, le site sait quels détails demander ensuite, par exemple le type de gants, le style, la marque, le budget ou la taille. En traversant la base de données de graphes, l'application cumule ces informations et vérifie le stock en continu pour trouver la meilleure adéquation.

Le directeur des produits de ce géant de la vente explique qu'il s'est tourné vers les graphes parce que les moteurs de recherche et de recommandations de produits existants n'étaient pas capables de fournir ou de déduire des informations contextuelles dans une requête d'achat.

Prenons par exemple les informations sous-entendues dans la phrase "Ma femme et moi partons camper à Lake District la semaine prochaine, nous avons besoin d'une tente". La plupart des moteurs de recherche vont seulement réagir au terme "tente", si bien que tout le contexte additionnel sur l'endroit, la température, la taille de la tente, le paysage, etc., est en général perdu de vue alors que ces informations spécifiques sont souvent ce qui détermine de nombreuses décisions d'achat.

Relayer ou conserver cet ensemble contextuel est souvent une corvée dont hérite l'utilisateur qui doit alors éplucher manuellement les résultats de recherche. Non seulement faire des achats devient alors un peu plus contraignant qu'il ne le faudrait, mais aussi, cela implique que l'utilisateur ne reçoit aucune proposition d'options qu'il n'aurait pas délibérément choisies : il n'y a pas de marge pour la nuance ou le hasard - et donc d'opportunité pour faire davantage de ventes.

En revanche, le moteur de recommandations en temps réel de ce site comprend et apprend à partir du langage contextuel utilisé par l'acheteur et pointe rapidement des recommandations de produits spécifiques. Pour y parvenir, il est nécessaire de combiner le traitement du langage naturel, l'apprentissage machine et la modélisation prédictive avec, en fond, une base de données de graphes.

Pourquoi les logiciels de graphes ?

Selon des acteurs majeurs de la vente en ligne et d'autres concepteurs de moteurs de recommandations, les graphes offrent une structure qui permet un stockage distribué, en ligne et en temps réel et se dimensionne pour contenir tout le catalogue de produits en vente, mémorise et apprend des précédentes interactions avec l'acheteur. C'est également le socle du système qui élabore son propre profil interne du client et l'utilise en priorité pour faire des suggestions hyper-personnalisées et pertinentes. De plus, ce contexte est stocké pour que le ShopBot puisse appeler ces informations lors des interactions suivantes.

Cela illustre également la prise de décision en temps réel. Les ingénieurs de la société prise ici en exemple savaient qu'un chatbot nécessite une échelle, une résilience et une disponibilité adaptées à Internet afin de fournir des réponses exploitables en quelques millisecondes. C'est pourquoi ils ont utilisé une base de données de graphes native conçue à cet effet, car elle offre des performances exceptionnelles d'écriture et de lecture. Même sur des millions de nœuds, l'application reste très réactive aux requêtes des utilisateurs.

Aurait-il été possible pour cette entreprise d'accomplir cela en utilisant une base de données relationnelle standard ? Ce moyen traditionnel de stocker les données n'apporte pas grand chose en termes de contextes et de relations. Les requêtes SQL sont également compliquées et souvent, ne sont pas en mesure de livrer l'information en temps réel - or, pour des recommandations utiles, les informations contextualisées en temps réel doivent être accessibles.

C'est pourquoi le relationnel n'est pas le meilleur moyen d'élaborer ces moteurs de recommandations très sophistiqués. La même réserve s'applique aux bases de données de big data qui ont du mal à administrer les relations entre les données, alors que la technologie des graphes est conçue dans ce but.

En synthèse, pour exploiter l'IA appliquée à la création de recommandations sophistiquées de nouvelle génération qu'attend le marché - des recommandations qui aident à faire des ventes additionnelles et à ravir les clients - les graphes natifs offrent le moyen le plus efficace d'arriver à ses fins.