Les technologies d’apprentissage automatique au service du e-commerce

Technologies d’apprentissage automatique et e-commerce ou comment le “machine learning” peut permettre aux sites e-commerce de gagner jusqu’à 30% de chiffre d’affaires en plus.

Le succès de la vente en ligne s’accompagne de volumes de données importants (les visites, les clics, les parcours clients, les abandons de panier etc.), qui laissent les e-commerçants souvent bien démunis.

Comment traiter, comprendre, analyser et utiliser toutes ces informations pour améliorer l’offre qu’ils proposent à leurs e-acheteurs ?
Quels produits mettre en avant ?
Quelles promotions mettre en place ?
A quel moment ?

Les technologies d’apprentissage automatique peuvent apporter une réponse efficace et directement utilisable à toutes ces interrogations.

L'apprentissage automatique c'est quoi, comment ça marche ?

L'apprentissage automatique repose sur des technologies qui permettent à un ordinateur “d’apprendre” grâce à l'analyse de gros volumes d'informations pour en déduire des tendances ou des règles, sur les comportements d’achat par exemple.
L’apprentissage automatique est une technologie prédictive dans la mesure où les règles déduites permettent de prévoir un comportement en fonction des profils utilisateurs qui auront été établis.

L’apprentissage automatique appliqué aux sites de e-commerce

Il semble évident de déclarer que pour un e-commerçant, il est essentiel d’organiser la présentation de ses pages (et donc de ses produits) de la façon la plus attractive possible.
Assez classiquement, l’ordre privilégié par les e-commerçants va s’établir du “produit qui se vend le mieux” à ceux qui se vendent le moins bien. C’est là que se pose la première question : qu’est-ce qu’un produit qui se vend le mieux ? Est-ce :

le produit qui, dans l’absolu, génère le plus de chiffre d'affaires ?
le produit qui a le meilleur taux de transformation ?
le produit dont le taux de transformation multiplié par la marge commerciale ?

Pour répondre à cette question, l’analyse prédictive commencer par intégrer une donnée complémentaire et va poser :

Etant donné un utilisateur à un instant t, quelle est la liste des produits p1 → pn à afficher pour maximiser l'espérance de chiffre d'affaire.
Certes, on pourrait se satisfaire de l’utilisation du produit du taux de transformation par la marge commerciale pour évaluer cette probabilité. Mais comme dans les exercices de physique de notre enfance, cette méthode néglige de nombreuses variables essentielles de la “vraie” vie.

Fausse idée #1

En effet, à l’instar des calculs dans lesquels nous nous lancions pour trouver le temps que mettrait le skieur pour dévaler une pente de degré x, connaissant sa masse et sa vitesse, nous faisions fi des frottements….
C’est un peu la même logique dans le monde e-commerce. Se Satisfaire de Taux de marge x marge commerciale, c’est notamment faire fi des fluctuations du taux de marge pendant la durée de vie du produit…
Or, bien souvent, pour un produit donné, ce taux va varier pendant la durée de vie du produit : en fonction des saisons, de promotions temporaires, ou tout simplement du temps depuis lequel il a été mis en ligne.

Fausse idée #2

Dans le même logique, faire le choix de ce calcul induit que chaque produit est indépendant des autres. Or ce n’est jamais tout à fait le cas.
Prenons l’exemple d’une boutique en ligne de chaussure : même si les bottes rouges se vendent systématiquement mieux que les bottes noires, il paraît absurde de ne mettre que des bottes rouges sur la première page.
Pourquoi ? Parce que même si les bottes rouges ont leurs fanatiques, il faut également proposer des bottes noires pour satisfaire la proportion de la population qui n'est intéressée que par les bottes noires.

Fausse idée #3

Troisième hypothèse implicite : le comportement d'achat n'évolue pas en fonction du temps.
C’est évidemment rarement le cas, puisque plusieurs phénomènes, comme les soldes ou l'attente du salaire à la fin du mois, modifient la capacité d’achat ou l'appétence des acheteurs, et peut leur faire préférer des articles plus ou moins chers.

Fausse idée #4

Une quatrième hypothèse est que les acheteurs ont tous les même comportement.
Or, la localisation géographique, sa ville, ou l’historique d’achat de chaque acheteur pourraient permettre d'anticiper quel type ou marque de botte lui proposer.
Nous pourrions continuer notre liste... L’apprentissage automatique apporte une réponse plus précise à ces interrogations et permet d’obtenir des résultats beaucoup plus significatifs.
C’est bien un des atouts de l’analyse prédictive : l'automatisation de l'analyse de gros volume de données appliquées à de nombreuses hypothèses.
Dans l’exemple que nous avons utilisé, l’apprentissage automatique fournirait au e-commerçant les éléments nécessaires pour rationaliser l’organisation de ses pages et la présentation de ses produits sur le site.
Notre expérience, fondée sur un travail régulier avec les plus grands sites de e-commerce français, montre qu’une augmentation du chiffre d’affaires de l’ordre de 30 % est assez conservatrice…
Vous commencez à penser que ces nouvelles technologies sont un atout pour votre site ?