Atelier Picom 23 sept 14 texte complet ici http://christophe.benavent.free.fr/?p=1103

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. 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. Amazon l'innovateur

4. CF item-to-item

6. Un processus continu

7. Est-ce une priorité ?

8. 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

9. 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….

10. Stenger (2006)

11. 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)

12. Les fonctions d'un moteur de
recommandation

13. Comparaison avec les moteurs de
recherche

14. typologie

15. Les données

17. Classification des modèles

18. Les principaux algorithmes
● CF + KNN ● SVD

19. Les critères d'évaluation
● Précision (accuracy)
– Nps/Ns
● Rappel (recall)
– Nps/Np
● RMSE

20. 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

21. Evaluation de l'expérience

22. La spécificité de l'achat électronique
● Avec une
recommandation on
compare à la dernière
alternative, sans à
l'ensemble des
alternatives

23. La recommandation réduit la
recherche ( Dellaert et Haübl, 2012)

24. Consommateurs et agent de
recommandations
(Fitzsimons & lehmann 2004)
● Le mécanisme de la réactance (Brehm)
●

25. Assimilation et constraste
● Contexte : des CD
familiers et non
familiers présentés
ou non
● Une information
spécifique est
donnée ou non
(échantillon)

26. Novices et experts

27. 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)

28. 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)