Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Moteur de Recommandation

4,615 views

Published on

Quelles sont les nouveautés et les stratégies gagnantes à mettre en œuvre pour un moteur de recommandation performant ?
Quels algorithmes de Machine Learning appliquer pour y parvenir ?

Un des défis majeurs pour 2017 pour les organisations est de transformer l’ensemble des data collectées en véritables actions opérationnelles. Ces actions s’appuient sur une compréhension plus profonde et unifiée du client en tant qu’individus et non plus en tant que partie d’un segment.

En parallèle, la démocratisation des technologies Big Data donne accès à des puissances de traitement considérables qui permettent d’appliquer les algorithmes de Machine Learning sur des centaines de milliers de points, des milliards d’enregistrements et des volumes de plusieurs péta-octets.
Les moteurs de recommandations sont une des applications phares du marketing prédictif.

Ce séminaire vise à apporter un nouvel éclairage sur la nature des moteurs de recommandation : objectifs visés et principaux algorithmes mis à contribution, les points de vigilances et les bonnes pratiques à respecter pour créer de la valeur. Il s’appuiera sur des retours d’expériences concrets tant dans la définition, la mise en œuvre et que dans le suivi de la performance.

Published in: Technology

Moteur de Recommandation

  1. 1. © Soft Computing – www.softcomputing.com Les moteurs de recommandation 20/04/2017
  2. 2. © 2 Moteurs de recommandation Séminaire le 20 avril 2017 Quelles sont les nouveautés et les stratégies gagnantes à mettre en œuvre pour un moteur de recommandation performant ? Quels algorithmes de Machine Learning appliquer pour y parvenir ? Un des défis majeurs pour 2017 pour les organisations est de transformer l’ensemble des data collectées en véritables actions opérationnelles. Ces actions s’appuient sur une compréhension plus profonde et unifiée du client en tant qu’individus et non plus en tant que partie d’un segment. Ce séminaire vise à apporter un nouvel éclairage sur la nature des moteurs de recommandation : objectifs visés et principaux algorithmes mis à contribution, les points de vigilances et les bonnes pratiques à respecter pour créer de la valeur. Il s’appuiera sur des retours d’expériences concrets tant dans la définition, la mise en œuvre et que dans le suivi de la performance. A propos Soft Computing est le spécialiste du marketing digital data-driven. Ses 400 consultants, experts en sciences de la donnée, en marketing digital et en technologies big data, aident au quotidien plus de 150 entreprises à travers le monde à exploiter tout le potentiel de la donnée pour améliorer l’expérience de leurs clients et le ROI de leur marketing digital. Soft Computing est côté à Paris sur NYSE Euronext (ISIN : FR0000075517, Symbole : SFT). Cet événement est réservé aux clients et prospects Soft Computing. Pour tout autre profil, l'inscription sera soumise à validation. Soft Computing |55 quai de Grenelle|75015 Paris|01 73 00 55 00 | www.softcomputing.com Modalités : Ce séminaire aura lieu dans les locaux de Soft Computing. Ou via notre site: www.softcomputing.com Agenda : 08h45 – 11h00 Etat de l’art et quelles nouveautés dans les usages Stratégies gagnantes dans la mise en œuvre Organisation, compétences et gouvernance Conclusion
  3. 3. © 3 DIRECTION COMMERCIALE ET MARKETING Sandra GOMES CLARION Directrice Commerciale et Marketing E-mail : contact@softcomputing.com Tel : +33 (0)1 73 00 55 00
  4. 4. © 4 Sommaire 1. Introduction 2. Panorama 3. Définitions 4. Description méthodologique 5. Conclusion
  5. 5. © 5 Carte d’identité
  6. 6. © 6 Exploiter tout le potentiel de la data Créer des expériences Client sans couture Démultiplier la performance du marketing digital Mission Marketing Intelligence Big Data Driven Digital Experience
  7. 7. © 7 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies
  8. 8. © 8 A la carte Think Build Run Délégation Projet Centre de services Digital-Marketing IT AMOA Offre Delivery Clients
  9. 9. © 9 Extraits de références Digital Marketing Big Data Cadrage des uses cases et mise en œuvre opérationnelle d'un POC DMP. Programme relationnel multi- devices et remarketing. Data Management Platform, CRM, Identity Management et web analytics et déploiement des usages Data Marketing. Migration technique et organisationnelle d’une DMP et d’une SSP. Mise en œuvre et exploitation opérationnelle d'une DMP. Centre de services de gestion des campagnes marketing multicanal. Mesure de l'impact des parcours multicanaux sur le NPS et recommandations d'améliorations. Refonte de la stratégie de fidélisation omnicanale multi- marques. Déploiement d’une plate-forme CRM multi-marques multi-pays. Centre de services gestion de campagnes marketing et connaissance clients. Accompagnement Data Science à la valorisation des données Big Data. Stratégie de sécurité et construction d'une plate-forme d'intégration continue pour industrialiser les flux Big Data. Formation aux méthodes et outils en Data Science, France et International. Définition de la gouvernance d’un Référentiel client multi-activité et international. Mise en œuvre de l'intégration des flux Big Data pour l'animation des parcours clients.
  10. 10. © 10 Experts reconnus InformerEcrire Enseigner blog.softcomputing.com/ fr.slideshare.net/softcomputing twitter.com/softcomputing linkedin.com/company/soft-computing facebook.com/softcomputing softcomputing.com/news/
  11. 11. © 11 Recruteur de talents Datascience Projet TechnologiesDigital Marketing CRM Big Data 100 CDI à pourvoir cette année Contact : recrutement@softcomputing.com – http://www.softcomputing.com/offres-d-emploi
  12. 12. © 12 Sommaire 1. Introduction 2. Panorama 3. Définitions 4. Description méthodologique 5. Conclusion
  13. 13. © 13 Moteur de recommandation : Pourquoi on en parle (plus) ?
  14. 14. © 14 Moteur de recommandation : Pourquoi on en parle (plus) ?
  15. 15. © 15 Moteur de recommandation : Pourquoi on en parle (plus) ?
  16. 16. © 16 Moteur de recommandation : Pourquoi on en parle (plus) ?
  17. 17. © 17 Moteur de recommandation : « la souche » « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique » « … méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires » « méthodes permettant à une machine d'évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou impossibles à remplir par des moyens algorithmiques plus classiques »
  18. 18. © 18 Moteur de recommandation Eléments d’un écosystème de ML / IA Moteurs de recommandation Reconnaissance vocale Analyse textuelle Reconnaissance d’image Analyse de sentiment Traitement du signal
  19. 19. © 19 Moteur de recommandation et marché du marketing prédictif : Un segment de marché porteur À l’horizon 2019, le marché de l’analyse prédictive est estimé par Transparency Market Research à 6,5 milliards de dollars
  20. 20. © 20 Moteur de recommandation et marché du marketing prédictif : Un segment de marché en bouleversement
  21. 21. © 21 Moteur de recommandation : Les réponses du marché Ouverture Transversalité
  22. 22. © 22 Moteur de recommandation : quelle intégration ? WEB Call center AutresEmailMobile Evénements client Offres préconisées Moteur de préconisation Web services Canaux de contact Batch/ real time Eco-environnement de l’entreprise Données ‘froides’ IHM de personnalisation des règles de gestion (scoring des préconisations, règles de décision) Collecte des identifiants et des données de navigation provenant du web Collecte des identifiants et des données de navigation provenant du mobile Frames
  23. 23. © 23 Sommaire 1. Introduction 2. Panorama 3. Définitions 4. Description méthodologique 5. Conclusion
  24. 24. © 24 Qu’est ce qu’un moteur de recommandation ? Centre de Solutions et de Un moteur de recommandation automatise le processus – le filtrage est data-driven, appris sur les données – l’apprentissage se fait en continu – plusieurs systèmes peuvent être agrégés Concept Moteurs Un système de recommandation est un processus consistant – à filtrer l’information – pour extraire l’information pertinente – pertinente envers un user particulier – pertinente à un moment particulier Exemple Un algorithme de recommandation prédit la préférence d’un individu – pour un produit : livre, film, bien immobilier … – pour un élément social : personne, communauté … La bonne com, à la bonne personne, au bon moment
  25. 25. © 25 Ce qu’on ne veut plus voir ! Centre de Solutions et de Info Confidentielle Livret sans mouvement depuis 1 an / 30 000 euros
  26. 26. © 26 Quels sont les objectifs / particularités de la recommandation ? Apporter un service ― nouvelle relation avec le client : conseils, proximité  Lien direct avec les IOT Création de satisfaction Promouvoir : Système de points, de promotions, de cadeaux … Fidélisation Augmenter le panier moyen ― en quantité : lutter contre la non conversion, cross sell ― en qualité : substitution, up sell Amélioration des ROI
  27. 27. © 27 Quelles sont les données utiles ? Observation de signaux comportementaux laissés par le user – Liste de produits / situations pour lesquelles le user a montré de l’intérêt – clic/écoute/lecture/achat …. Analyse des thématiques / fréquences / périodes …. – Crawling : Réseau social de l'utilisateur et la découverte de ses goûts et aversions  Historiques conséquents : BIG DATA Collecte explicite Collecte implicite Enquêtes pour faire participer consciemment le user – lui demander ses préférences entre 2 objets – lui demander de noter des produits – sites avec commentaires Ne pas apparaitre intrusif Rester dans la légalité sur l’utilisation de la data personnelle
  28. 28. © 28 Quels sont les différents types d’algorithmes? Centre de Solutions et de Recommandation Produit Tu veux voir un film d’espionnage qui se passe en Ecosse ? Vas voir le James Bond ! Recommandation Personnalisée Toi qui as vu tous les James Bond, tu vas adorer celui-là ! Recommandation Collaborative Tes amis ont tous vu le dernier James Bond, il faut y aller ! Recommandation Traditionnelle Le dernier James Bond est le meilleur de la série, accumulant les cascades …
  29. 29. © 29 Sommaire 1. Introduction 2. Panorama 3. Définitions 4. Description méthodologique 5. Conclusion
  30. 30. © 30 Objectifs Centre de Solutions et de  Expliciter les différentes méthodes «pures» de recommandation  Illustrer ces méthodes par un exemple tiré de la vie courante  Mettre en évidence la pertinence – en regard du besoin ‒ nature des données nécessaires ‒ avantages / inconvénients ‒ simplicité
  31. 31. © 31 RECOMMANDATION PERSONNALISÉE 1. Les concepts 2. Des exemples d’utilisation 3. Les Pro et les Cons1
  32. 32. © 32 Le concept avec illustration Centre de Solutions et de S'appuyer uniquement sur l'historique de l'individu pour lui faire une recommandation Points produit offerts par la GD aux porteurs de carte fidélité : les produits poussés sont les produits Best Freq ou Best CA - parmi les produits figurant dans l'historique du client, choisir le plus fréquent ou le plus cher annonces publicitaires sur le web : les annonces poussées par AdSence Google sont directement liées à l'historique de navigation de l'utilisateur
  33. 33. © 33 Avantages / Inconvénients Centre de Solutions et de ― Des règles a priori de filtrage – sens métier - peuvent être introduites ― Les algorithmes sont assez simples à mettre en œuvre : il suffit de garder en mémoire l'historique de comportement de chaque individu. Les traitements numériques sont rapides et « on live » ― Le client est valorisé : sentiment d’être compris ― La recommandation ne sort pas des habitudes de l’individu ― Impossible à utiliser pour des individus sans historique : tous les clients dans le cas d’achat unique comme un bien immobilier … Problèmatique « bulle de Facebook»
  34. 34. © 34 RECOMMANDATION PRODUIT 2 1. Les concepts 2. Des exemples d’utilisation 3. Les Pro et les Cons
  35. 35. © 35 Le concept Centre de Solutions et de S'appuyer sur les qualités du produit en les associant avec les intérêts de l'individu recommander un film à un internaute en se basant sur les noms au générique : rechercher les films - non déjà vus - avec les producteurs/réalisateurs/acte urs préférés recommander un roman policier nordique à un utilisateur dont on sait qu'il aime les romans policiers nordiques
  36. 36. © 36 La recommandation suite à une demande du client Centre de Solutions et de moteur de recommandation produit = moteur de substitution produit recommander un film à un internaute en se basant sur les noms au générique : rechercher les films - non déjà vus - avec les producteurs/réalisateurs/acteurs préférés
  37. 37. © 37 Feedback de Rocchio Utilité : Améliorer la recommandation produit Objectif : Intégrer l’information sur les retours du user concernant la recommandation faite pour introduire de l’apprentissage dans la recommandation produit. Efficacité : Etre en capacité de permettre à l'algorithme d'apprendre continuellement booste les performances Un groupe de la GD qui a poussé un produit de substitution à un produit demandé non disponible ― récupère dans sa base de données l'information A suivi / N’a pas suivi ― pondère la prochaine recommandation - sur ce même produit à substituer –
  38. 38. © 38 Avantages / Inconvénients Centre de Solutions et de Simple : ne s'appuie que sur les données de l'individu. Une recommandation produit peut être faite même avec un seul individu. Les produits recommandés sont plus diversifiés que dans le cas de la recommandation personnalisée : on peut recommander un produit qui ne figure pas dans l'historique s'il ressemble à un produit valorisé par le client Possibilité d’introduire des impératifs commerciaux: marques, stocks … Il y a une dose d'a priori. Pour quantifier la similarité des produits, il est nécessaire de lister et recueillir toutes les caractéristiques - peut être compliqué à automatiser - qui nous semblent importantes pour évaluer l'appétence du client. Par exemple, aime-t-il les romans policiers nordiques parce que o Cela se passe dans le nord ? o Ils sont écrits par des romanciers du nord ? o Ce sont des romans policiers ?
  39. 39. © 39 RECOMMANDATION COLLABORATIVE 3 1. Les concepts 2. Des exemples d’utilisation 3. Les Pro et les Cons
  40. 40. © 40 Le concept avec illustration Centre de Solutions et de S'appuyer sur le comportement d'individus similaires - c'est-à-dire ayant un historique proche. Me recommander des livres alors que ma demande initiale est « Soumission » de Michel Houellebecq On distingue deux approches duales  centrée user  centrée item
  41. 41. © 41 Recommandation d’un film – Approche user centrée Centre de Solutions et de Le jeu : me recommander un film en se basant sur les notes données par tous les internautes Données disponibles : table internaute × film de toutes les notes Méthode :  On cherche les K internautes qui me sont le plus proches  on construit la matrice des distances entre internautes  On calcule les moyennes des notes données par mes K plus proches voisins pour tous les films  On extrait le film F* qui a la meilleure note (et que je n’ai pas vu ?!)
  42. 42. © 42 Recommandation d’un film – Approche item centrée Centre de Solutions et de Le jeu : me recommander un film en se basant sur les notes données par tous les internautes Données disponibles : table internaute × film de toutes les notes Méthode :  Quel film ai-je le mieux noté ?  On mesure la similarité entre les films  on construit la matrice de substitution entre films  On extrait le film substituable : celui avec le meilleur indice de similarité (et que je n’ai pas vu ?!)
  43. 43. © 43 Avantages / Inconvénients Centre de Solutions et de Recommandation très précise, allant le plus loin possible dans la personnalisation Recommandation multiple en temps réel impossible. Problème d'occupation de mémoire : la base entière des historiques doit être accessible en permanence Centrée user L'apprentissage se fait hors-ligne; la recommandation se sert du modèle appris monté en mémoire. Centrée item Apprentissage super visé. Pas besoin de caractérisation des produits et de règles a priori. Sparsité des données lorsque les produits/les clients sont nombreux : il est difficile de calculer correctement les matrices de distances car 2 individus ont peu de produits en commun. Centrée user/item
  44. 44. © 44 Sommaire 1. Introduction 2. Panorama 3. Définitions 4. Description méthodologique 5. Conclusion
  45. 45. © 45 Conclusion : Dans les usages  Au début : les moteurs de recherche pour orienter  Puis : les moteurs de reco sur la toile pour vendre  Maintenant : utiliser les idées/algorithmes de la recommandation tout azimut pour fidéliser, offrir un service  créer du lien avec la marque et toujours pour augmenter le panier et le CA  Ensuite : les IOT
  46. 46. © 46 Toujours la même façon pour avancer Pourquoi j’en ai besoin et pour répondre à quels usages business ? Mes moyens existants ne me permettraient-ils pas de ‘craquer’ déjà quelques sujets ? Légal ? Quelles sont les nouvelles opportunités technologiques du marché ? Quelle solution ? Quelle intégration dans mon patrimoine applicatif ? Quelle gouvernance ?, quelles compétences ?, quels processus ?, quels KPI’s ?
  47. 47. © 47 Conclusion : Anticiper
  48. 48. © 48 Conclusion : On peut aider ? Conseil méthodologique Sélection de l’outillage Modélisation Intégration informatique Optimisation
  49. 49. © 49 Et pour vous, quel moteur de reco ?

×