SlideShare une entreprise Scribd logo
© Soft Computing – www.softcomputing.com
Les moteurs de recommandation
20/04/2017
© 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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion
© 5
Carte d’identité
© 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
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Technologies
© 8
A la carte
Think Build Run
Délégation Projet Centre de services
Digital-Marketing IT AMOA
Offre
Delivery
Clients
© 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
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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion
© 13
Moteur de recommandation : Pourquoi on en parle (plus) ?
© 14
Moteur de recommandation : Pourquoi on en parle (plus) ?
© 15
Moteur de recommandation : Pourquoi on en parle (plus) ?
© 16
Moteur de recommandation : Pourquoi on en parle (plus) ?
© 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
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
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
Moteur de recommandation et marché du marketing
prédictif : Un segment de marché en bouleversement
© 21
Moteur de recommandation : Les réponses du marché
Ouverture Transversalité
© 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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion
© 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
Ce qu’on ne veut plus voir !
Centre de Solutions et de
Info
Confidentielle
Livret sans mouvement depuis 1 an / 30 000 euros
© 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
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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion
© 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
RECOMMANDATION PERSONNALISÉE
1. Les concepts
2. Des exemples d’utilisation
3. Les Pro et les Cons1
© 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
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
RECOMMANDATION PRODUIT
2
1. Les concepts
2. Des exemples d’utilisation
3. Les Pro et les Cons
© 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
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
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
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
RECOMMANDATION COLLABORATIVE
3
1. Les concepts
2. Des exemples d’utilisation
3. Les Pro et les Cons
© 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
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
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
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
Sommaire
1. Introduction
2. Panorama
3. Définitions
4. Description méthodologique
5. Conclusion
© 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
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
Conclusion : Anticiper
© 48
Conclusion : On peut aider ?
Conseil
méthodologique
Sélection de
l’outillage
Modélisation
Intégration
informatique
Optimisation
© 49
Et pour vous, quel moteur de reco ?

Contenu connexe

Tendances

Introduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniquesIntroduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniques
Ismail CHAIB
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
OuailChoukhairi
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
Quentin Ambard
 
Data mining - Classification - arbres de décision
Data mining - Classification - arbres de décisionData mining - Classification - arbres de décision
Data mining - Classification - arbres de décision
Mohamed Heny SELMI
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
Donia Hammami
 
Arbre de décision
Arbre de décisionArbre de décision
Arbre de décision
Yassine Badri
 
Deep learning
Deep learningDeep learning
Deep learning
Bilal Rezkellah
 
Partie2BI-DW2019
Partie2BI-DW2019Partie2BI-DW2019
Partie2BI-DW2019
Aziz Darouichi
 
Data Mining
Data MiningData Mining
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
Abdelghafour Zguindou
 
Les arbres de décisions
Les arbres de décisionsLes arbres de décisions
Les arbres de décisions
Mariem Chaaben
 
Règles d’association
Règles d’associationRègles d’association
Règles d’association
Hassine Hammami
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
Lilia Sfaxi
 
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes StatistiquesIntroduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes StatistiquesGiorgio Pauletto
 
Système de recommandations de films
Système de recommandations de filmsSystème de recommandations de films
Système de recommandations de films
Ibn Tofail University
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
Jaouad Dabounou
 
Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de recherche
Mohamed Heny SELMI
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine Learnig
Felipe Sanchez Garzon
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
Lilia Sfaxi
 

Tendances (20)

Introduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniquesIntroduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniques
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
Data mining - Classification - arbres de décision
Data mining - Classification - arbres de décisionData mining - Classification - arbres de décision
Data mining - Classification - arbres de décision
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
 
Arbre de décision
Arbre de décisionArbre de décision
Arbre de décision
 
Deep learning
Deep learningDeep learning
Deep learning
 
Partie2BI-DW2019
Partie2BI-DW2019Partie2BI-DW2019
Partie2BI-DW2019
 
Data Mining
Data MiningData Mining
Data Mining
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
Les arbres de décisions
Les arbres de décisionsLes arbres de décisions
Les arbres de décisions
 
Règles d’association
Règles d’associationRègles d’association
Règles d’association
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
 
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes StatistiquesIntroduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes Statistiques
 
Système de recommandations de films
Système de recommandations de filmsSystème de recommandations de films
Système de recommandations de films
 
Algorithme knn
Algorithme knnAlgorithme knn
Algorithme knn
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
 
Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de recherche
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine Learnig
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
 

Similaire à Moteur de Recommandation

Du Data Mining à la Data Science
Du Data Mining à la Data ScienceDu Data Mining à la Data Science
Du Data Mining à la Data Science
Soft Computing
 
Data Science
Data ScienceData Science
Data Science
Soft Computing
 
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
Soft Computing
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
Soft Computing
 
La datavisualisation
La datavisualisationLa datavisualisation
La datavisualisation
Soft Computing
 
7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM
7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM
7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM
Sage france
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
Soft Computing
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
Soft Computing
 
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Soft Computing
 
7 regles d'or pour réussir et rentabiliser un projet CRM
7 regles d'or pour réussir et rentabiliser un projet CRM7 regles d'or pour réussir et rentabiliser un projet CRM
7 regles d'or pour réussir et rentabiliser un projet CRM
Sage france
 
Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...
Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...
Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...
SEO CAMP
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
Soft Computing
 
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation CommercialeOutils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Soft Computing
 
Ergonomie site web
Ergonomie site webErgonomie site web
Ergonomie site web
COMPETITIC
 
7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm
Sage france
 
7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm 7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm
Veridis Logiciels Sage
 
Catalogue de formations
Catalogue de formationsCatalogue de formations
Catalogue de formations
Softeam Agency
 
03 mdn2018 - table ronde prospection digitale - ugo malavar
03 mdn2018 - table ronde prospection digitale - ugo malavar03 mdn2018 - table ronde prospection digitale - ugo malavar
03 mdn2018 - table ronde prospection digitale - ugo malavar
Cyril Marsaud
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
Soft Computing
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
Soft Computing
 

Similaire à Moteur de Recommandation (20)

Du Data Mining à la Data Science
Du Data Mining à la Data ScienceDu Data Mining à la Data Science
Du Data Mining à la Data Science
 
Data Science
Data ScienceData Science
Data Science
 
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
 
La datavisualisation
La datavisualisationLa datavisualisation
La datavisualisation
 
7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM
7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM
7 règles d’Or pour réussir un Projet CRM – Témoignage du LEM
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
 
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
 
7 regles d'or pour réussir et rentabiliser un projet CRM
7 regles d'or pour réussir et rentabiliser un projet CRM7 regles d'or pour réussir et rentabiliser un projet CRM
7 regles d'or pour réussir et rentabiliser un projet CRM
 
Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...
Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...
Data + UX = décisions objectives pour optimiser la conversion - Ingrid Thonet...
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
 
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation CommercialeOutils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
 
Ergonomie site web
Ergonomie site webErgonomie site web
Ergonomie site web
 
7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm
 
7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm 7 regles d'or pour réussir et rentabiliser un crm
7 regles d'or pour réussir et rentabiliser un crm
 
Catalogue de formations
Catalogue de formationsCatalogue de formations
Catalogue de formations
 
03 mdn2018 - table ronde prospection digitale - ugo malavar
03 mdn2018 - table ronde prospection digitale - ugo malavar03 mdn2018 - table ronde prospection digitale - ugo malavar
03 mdn2018 - table ronde prospection digitale - ugo malavar
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
 

Plus de Soft Computing

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
Soft Computing
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
Soft Computing
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
Soft Computing
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
Soft Computing
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
Soft Computing
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
Soft Computing
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
Soft Computing
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
Soft Computing
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
Soft Computing
 
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
Soft Computing
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
Soft Computing
 
Phygital
PhygitalPhygital
Phygital
Soft Computing
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
Soft Computing
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
Soft Computing
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
Soft Computing
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
Soft Computing
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
Soft Computing
 
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réelCRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
Soft Computing
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
Soft Computing
 
Matinale Technologique SAS
Matinale Technologique SASMatinale Technologique SAS
Matinale Technologique SAS
Soft Computing
 

Plus de Soft Computing (20)

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
 
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
 
Phygital
PhygitalPhygital
Phygital
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
 
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réelCRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
 
Matinale Technologique SAS
Matinale Technologique SASMatinale Technologique SAS
Matinale Technologique SAS
 

Dernier

Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024
UNITECBordeaux
 
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
OCTO Technology
 
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
OCTO Technology
 
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'universitéDe l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
Université de Franche-Comté
 
OCTO TALKS : 4 Tech Trends du Software Engineering.pdf
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO TALKS : 4 Tech Trends du Software Engineering.pdf
OCTO TALKS : 4 Tech Trends du Software Engineering.pdf
OCTO Technology
 
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Laurent Speyser
 

Dernier (6)

Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024
 
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
 
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
 
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'universitéDe l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
 
OCTO TALKS : 4 Tech Trends du Software Engineering.pdf
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO TALKS : 4 Tech Trends du Software Engineering.pdf
OCTO TALKS : 4 Tech Trends du Software Engineering.pdf
 
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
 

Moteur de Recommandation

  • 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
  • 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 ?