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.

1. © Soft Computing – www.softcomputing.com
Les moteurs de recommandation
20/04/2017

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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion

5. © 5
Carte d’identité

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
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Technologies

8. © 8
A la carte
Think Build Run
Délégation Projet Centre de services
Digital-Marketing IT AMOA
Offre
Delivery
Clients

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
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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion

13. © 13
Moteur de recommandation : Pourquoi on en parle (plus) ?

14. © 14
Moteur de recommandation : Pourquoi on en parle (plus) ?

15. © 15
Moteur de recommandation : Pourquoi on en parle (plus) ?

16. © 16
Moteur de recommandation : Pourquoi on en parle (plus) ?

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
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
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
Moteur de recommandation et marché du marketing
prédictif : Un segment de marché en bouleversement

21. © 21
Moteur de recommandation : Les réponses du marché
Ouverture Transversalité

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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion

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
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
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
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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion

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
RECOMMANDATION PERSONNALISÉE
1. Les concepts
2. Des exemples d’utilisation
3. Les Pro et les Cons1

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
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
RECOMMANDATION PRODUIT
2
1. Les concepts
2. Des exemples d’utilisation
3. Les Pro et les Cons

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
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
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
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
RECOMMANDATION COLLABORATIVE
3
1. Les concepts
2. Des exemples d’utilisation
3. Les Pro et les Cons

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
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
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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion

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
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
Conclusion : Anticiper

48. © 48
Conclusion : On peut aider ?
Conseil
méthodologique
Sélection de
l’outillage
Modélisation
Intégration
informatique
Optimisation

49. © 49
Et pour vous, quel moteur de reco ?