Dans le contexte numérique actuel, caractérisé par une surabondance d’informations, que l’on appelle infobésité, il apparaît que les capacités humaines ne permettent pas l’analyse exhaustive de l’offre d’un corpus au sein d’une plateforme. Même dans le cadre de l’utilisation d’un moteur de recherche intégré, les résultats pertinents sont généralement noyés dans un « bruit » informationnel, ce qui en empêche, ou tout du moins en ralentit, le repérage. Pour aider l’esprit humain dans son processus de sélection, des systèmes de recommandation grand public ont vu le jour dans la dernière décennie du vingtième siècle.
Qu’est-ce qu’un système de recommandation?
Un système de recommandation est un outil de filtrage de l’information offrant à un usager l’assistance à la sélection personnalisée face à un catalogue de caractéristiques. Les cadres d’application de ces systèmes sont multiples : au sein des réseaux socio-numériques, du marketing digital avec la relation client pour la vente en ligne ou encore des services personnalisés liés à une offre culturelle.
Les différents types de recommandation
Il existe deux types de recommandation, la personnalisée et la non-personnalisée. En termes de différence, la personnalisée permet de proposer différents produits en fonction du profil de chaque utilisateur. Contrairement à la non-personnalisée, les produits recommandés sont déduits en fonction du comportement général de tous les utilisateurs.
Avoir recours à la recommandation personnalisée permet d’assurer une valorisation du client. Ce dernier aura le sentiment d’être compris, ce qui aura un impact non négligeable. En effet, en proposant aux utilisateurs des produits susceptibles de leur plaire, il y aura plus de chance de répondre leurs besoins.
Quoi de mieux qu’un cas concret pour mieux comprendre!
Afin de mieux comprendre le sujet, nous allons analyser l’exemple d’une plateforme de recommandation de films (Exemple : Netflix).
C’est pour satisfaire ses utilisateurs, que Netflix a mis en place un système de recommandation basé sur:
- Des recommandations non personnalisées
- Les plus gros succès sur Netflix (films populaires)
- Tendance Actuelle (Les films les mieux notés)
- Nouveautés
- Des recommandations personnalisées
- Basées sur la personne connectée : ce type de recommandation prend en considération les informations générées par l’utilisateur. Exemple : Sa géolocalisation, le type film qui lui plait (Comédie, Action, Science-fiction…)
- Basée sur le calcul de similarité : pour faire des propositions à un utilisateur, la stratégie consiste à identifier des utilisateurs dont le « profil » est similaire au profil de l’utilisateur ciblé ; les films appréciés par ces utilisateurs similaires seront proposées à l’utilisateur ciblé
Conclusion
Enfin, un bon système de recommandation doit permettre la sérendipité, c’est à dire la découverte hasardeuse et heureuse. En effet, même les techniques les plus puissantes ont une tendance à long terme à proposer à l’utilisateur ce qu’il sait déjà aimer, sans aucune nouveauté.
Article rédigé par : HAMMAMI Idriss – Développeur Full Stack Java EE/Angular
