Deep learning et retail : la baguette magique pour anticiper les attentes des clients ?

Les acteurs du e-commerce cherchent toujours plus à personnaliser le message et les produits présentés au client, afin d’améliorer le ROI de leurs campagnes. L’intelligence artificielle irrigue ces améliorations permanentes.

La data est une base indispensable pour personnaliser le message et le produit présenté au client. Pour autant, l’intelligence artificielle n’est pas une intelligence magique: elle existe parce qu’on utilise les données rassemblées concernant les achats et les comportements clients pour les analyser grâce à un algorithme qui repose sur un réseau neuronal multi-couches, qui permet un apprentissage de type probabiliste, à partir de cas réels servant d’exemples à la machine.

Avec l’apprentissage automatique, le deep learning, en anglais, l’intelligence artificielle n'est donc plus seulement programmée pour exécuter, elle apprend par elle-même, utilisant les situations passées pour prédire au plus près les situations à venir.

A ce titre, l’intelligence artificielle est particulièrement utile pour prédire les achats futurs et booster les ventes. Ainsi, Amazon a développé son propre système de deep learning, nommé DSSTNE (prononcer Destiny), qui propose les recommandations de produits en analysant les produits habituellement achetés ensemble et les achats de clients similaires.

Afin d’assurer son amélioration continue, il est d’ailleurs intéressant de noter qu’Amazon a rendu DSSTNE Open Source, "afin que les chercheurs du monde entier contribuent à son amélioration [et que] cela stimule l’innovation dans de nombreux domaines" selon le géant de Seattle. 

Le deep learning : la nouvelle frontière de la performance e-commerce ?

Levier clé d’amélioration du taux de conversion des sites e-commerce, le deep learning utilise deux catégories d’algorithme de recommandation : les algorithmes à filtre collaboratif, qui comparent les comportements du client avec ceux de clients  similaires, et les algorithmes à filtre de contenus, qui proposent au client  des produits et services en fonction de son profil (genre, marques préférées, âge, etc.) et des caractéristiques produits (catégories, prix, couleurs, etc.).

Au-delà des géants de l’industrie comme Amazon, des solutions présentées sous la forme de suites personnalisables en fonction des besoins du site sont également disponibles à l’image de Target2sell, qui travaille pour des acteurs français comme Auchan, But, AramisAuto ou encore Yves Rocher. La solution se présente comme modulaire, puisqu’elle permet les recommandations personnalisées de produits et de médias ou encore un tri personnalisé des pages listes en cours de visite en ligne, des recommandations mails et l’intégration d’un Shopping Assistant en ligne, tandis que des solutions s’adressent aux petits e-commerçants, comme Nosto et son module à l’intégration facilitée, dont la tarification s’adapte en fonction de l’utilisation qui en est faite par le commerçant.

En matière de prédiction, et afin de réduire le moment de crispation du parcours client e-commerce, Amazon pourrait aller plus loin prochainement : un nouveau brevet déposé par l’entreprise laisse présager que le deep learning pourrait permettre d’expédier les produits vers la zone d’habitation du client avant même que ce dernier n’ait effectué la commande en ligne. En somme, un "Minority Report" de l’achat, pour le meilleur. Cet usage à venir démontre que le deep learning ne permet pas seulement d’optimiser la proposition client mais aussi la supply chain, les segments successifs de la chaîne de valeur que sont l’achat et la livraison étant de plus en plus imbriqués, en particulier en raison des exigences de rapidité de plus en plus fortes des clients.

Intégrer le Natural Language Processing (NLP) pour aller plus loin

La prédiction ne repose plus aujourd’hui uniquement sur l’historique des data du client. Ainsi, l’algorithme Word2Vec permet d’utiliser, en plus de l'historique data du client, le NLP pour proposer au client des produits qui correspondent au plus près à ses souhaits. 

Ainsi, l’algorithme est capable d’analyser le langage verbal utilisé par le client potentiel, évaluant son intérêt pour le produit (à priori positif ou négatif, connaissance précise du produit ou recherche large) et lui proposant ainsi le ou les produits qui correspond le mieux à sa recherche.

Comparant la formulation utilisée par le client potentiel avec les formulations habituellement utilisées par les autres clients, l’algorithme peut proposer une expérience de recherche au plus près des intentions véritables du client potentiel. Cet usage du NLP laisse aussi présager l’intérêt d’une telle solution dans le cadre du développement du v-commerce: à terme, les assistants vocaux devront être capables de comprendre les envies et les intentions d’achat du client en fonction des termes et même du ton employés lors de sa requête. 

Surtout ne pas enfermer le client dans ses habitudes

Pour autant, il ne faudrait pas qu’avec le deep learning le client ait le sentiment qu’on cherche à l’enfermer dans la répétition de ses comportements d’achat passés. L’absence de dissonance cognitive, qu'on peut définir comme l'état qui naît de la confrontation avec des opinions différentes et qui peuvent aller à l'encontre de nos valeurs personnelles, phénomène déjà largement connu sur les réseaux sociaux et notamment sur Facebook, pourrait devenir une réalité dans le domaine du commerce, et ainsi influencer les habitudes de consommation des clients, en les homogénéisant. 

Mais cette homogénéisation ne doit pas devenir synonyme d’appauvrissement pour l’expérience client. Le parcours en ligne doit continuer à promouvoir une richesse dans l’offre de produits et de services. Car c’est aussi en proposant des produits insoupçonnés, et donc en créant l’achat "coup de cœur" que les sites e-commerce pourront fidéliser, donnant au client l’envie de revenir pour être à nouveau étonné.

L'innovation et le nouveau doivent rester des attraits des sites e-commerce. A ce titre, l'analyse non historicisée, utilisant le NLP, apparaît comme plus riche, et pourrait constituer une seconde brique algorithmique d'anticipation des attentes clients et d'amélioration du taux de conversion.