De la prescription à la Recommandation

6 010 vues

Publié le

Atelier Picom 23 sept 14

texte complet ici
http://christophe.benavent.free.fr/?p=1103

Publié dans : Formation
0 commentaire
2 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
6 010
Sur SlideShare
0
Issues des intégrations
0
Intégrations
4 245
Actions
Partages
0
Téléchargements
23
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

De la prescription à la Recommandation

  1. 1. Un marketing de la prescription à l'heure des moteurs de recommandations Christophe Benavent Professeur à l'Université Paris Ouest Picom 23 septembre @benavent
  2. 2. Toujours d'actualités mais des technos déjà anciennes.... ● 26 juin 2014 : SearchXPR lève 2 millions d'euros pour son moteur de recommandation produit émotionnel ● 4 juin 2014 : Moteur de recommandation : pourquoi Target2Sell lève 1,4 million d'euros
  3. 3. Amazon l'innovateur
  4. 4. CF item-to-item
  5. 5. Un processus continu
  6. 6. Est-ce une priorité ?
  7. 7. Un marketing de la prescription Distributeur O1 O3 O2 Client Intermédiation : réduction des coûts logistiques Prescripteur Prescription : réduction des coûts cognitifs Hatchuel : prescription de fait, technique et de jugement ( réduction d'incertitude) Benghozi : marché de la prescription Thèse de Stenger référencement
  8. 8. De nombreux dispositifs ● Notes et avis de consommateurs ● Avis d'experts ● Wish list ● Chart ● Search engine ● Folksonomies ● Labels et tags ● Filtres et agent de recommandation ● Systèmes de Recommandations….
  9. 9. Stenger (2006)
  10. 10. Trois grandes formes de prescription ● Contextuelle : – s'appuyer sur des éléments de contexte ● Comportementale : – s'appuyer sur l'historisation des comportements ● Sociale – Exploiter les préférences des «  voisins » – Social proof ( Cialdini)
  11. 11. Les fonctions d'un moteur de recommandation
  12. 12. Comparaison avec les moteurs de recherche
  13. 13. typologie
  14. 14. Les données
  15. 15. Classification des modèles
  16. 16. Les principaux algorithmes ● CF + KNN ● SVD
  17. 17. Les critères d'évaluation ● Précision (accuracy) – Nps/Ns ● Rappel (recall) – Nps/Np ● RMSE
  18. 18. Serendipidity ● La précision et le recall génèrent souvent des solutions triviales => nécessité d'introduire de la « diversité » ● Deux approches : – Community- aware : pondérer le classement en fonction de l'entropie d'un item à travers les communautés. – Bubble -aware : pondérer le classement en fonction du non-regroupement (declustering des items) ● Interpolation : r = λ Basic + (1-λ) Entropic
  19. 19. Evaluation de l'expérience
  20. 20. La spécificité de l'achat électronique ● Avec une recommandation on compare à la dernière alternative, sans à l'ensemble des alternatives
  21. 21. La recommandation réduit la recherche ( Dellaert et Haübl, 2012)
  22. 22. Consommateurs et agent de recommandations (Fitzsimons & lehmann 2004) ● Le mécanisme de la réactance (Brehm) ●
  23. 23. Assimilation et constraste ● Contexte : des CD familiers et non familiers présentés ou non ● Une information spécifique est donnée ou non (échantillon)
  24. 24. Novices et experts
  25. 25. Le champs de la prescription ● Anticipation et réduction des coût cognitifs (Predictif) ● Réduction de l'incertitude (le conseil...) ● Où commence la persuasion ? ● Quelle place pour l'architecture des choix (Nudges)
  26. 26. Conclusion ● Le paradoxe des recommandations : réduire les coûts de recherche mais limiter le parcours client ● Des critères fondamentaux : expertise, crédibilité, expérience... ● Trouver le bon mix : exploration/ exploitation. ● La discipline de la recommandation : tester, encore tester. ● L'enjeu de l'acceptabilité (légitimité)

×