1. Accueil
  2. Réflexion
  3. Tribune d'expert
  4. Algorithme : le nouveau Graal

Algorithme : le nouveau Graal

Algorithme : le nouveau Graal
Introduction
Comprendre, anticiper et s'adapter aux attentes de vos consommateurs ... avec la puissance des algorithmes mutants, on pourrait tout résoudre en équation. Par Cédric Robert

En somme, mieux comprendre l’utilisateur pour mieux l’orienter et optimiser ses ventes, tel serait le credo emprunté par les entreprises et les marques aujourd’hui sur le net. Le réel défi pour les agences web et leurs annonceurs est donc double : dans un premier temps, il s’agit d’être en mesure d’analyser la quantité accrue de données générées par les utilisateurs au fil des années (Datamining associé au Big data). Dans un second temps, via cette analyse, les entreprises se doivent de façonner les interactions du parcours client sur le site, de son entrée jusqu’à l’acte d’achat.

La prédiction du comportement utilisateur au coeur de la stratégie d’optimisation

Anticiper, prédire et ainsi recommander le chemin menant au Graal (l’acte d’achat) est l’une des clés de performance du e-business. Pour cela, des outils existent déjà : l’AB ou le multi-testing par exemple, qui permettent en partie de tester la performance d’une page ou d’un entonnoir de conversion.

On pourrait qualifier ces 2 techniques de mise en concurrence de deux ou plusieurs versions de pages (A et B) afin d’en améliorer l’efficacité (optimiser le taux de transformation, le chiffre d’affaires…) et/ou de mesurer l’impact de ces versions sur l’atteinte d’un objectif (clic, remplissage d’un formulaire, taux d’ouverture etc..).
Prenons un exemple concret : votre société possède un site e-commerce. Vous utilisez l’AB testing en proposant dans votre page Produit deux boutons, avec un wording et une couleur différente (bouton 1 : Bleu + “Acheter” / bouton 2 : Vert + “Ajouter au panier”), redirigeant vers la même page destination. Suite à ce test, vos outils analytics indiquent laquelle de ces 2 offres a le plus performé.

Une technique certes utile mais qui possède ses limites. En effet, l’AB testing comme le multi-testing se restreignent à une analyse généraliste des performances. Pour entrevoir l’affinement de ces analyses, il faut alors créer une multitude de sous-tests successifs à l’infini, ce qui requiert un budget et un temps-homme considérables.
En effet, supposons que votre entreprise teste 2 ensembles de versions : E1 composé des versions A, B, C  et E2 composé des versions K et M. Si votre ensemble E1 obtient un meilleur taux de conversion, vous soumettrez les versions A, B, et C à vos visiteurs. Mais vous ne saurez pas si le mix A, C et K aurait été plus performant et plus pertinent… ce qui nous ramène à une problématique de tests infinis. Ajoutons à cela le fait que vous jouez avec votre trafic en live impliquant la redirection d’une partie de ce trafic vers un ou plusieurs choix qui ne donnent pas satisfaction, quel gâchis à l’heure du big data !

L’avènement des algorithmes : Live creative improvement

Se pose alors la question suivante : comment développer une stratégie intelligente permettant l’anticipation, la compréhension du comportement du visiteur et  in fine l’augmentation du taux de transformation de son site ? La réponse trouve sa genèse dans la création d’algorithmes évolutifs (genetic algorithm).

Le but ici n’est pas de comprendre fondamentalement leurs modes de fonctionnement, qui s’apparentent au domaine scientifique, mais de comprendre en quoi ils seront déterminants dans l’optimisation de votre taux de transformation. Le premier avantage de l’intelligence artificielle dont ces algorithmes sont pourvus, se base sur leur capacité d’analyse, leur préparation des masses de données en amont en sélectionnant et excluant les données utiles et superficielles. L’algorithme de self-organizing map par exemple, organise, en ce que l’on pourrait qualifier de cartes virtuelles, les items qui seront le plus à même d’être proposés à l’internaute.  

L’autre avantage, a contrario de l’A/B testing, réside dans l’adaptabilité de l’algorithme à proposer des informations personnalisées en temps réel à l’ensemble des visiteurs en fonction de leur navigation et de leurs interactions sur le site.
La technique de Machine Learning d’évolution artificielle (EA) permet de générer la sélection des meilleures combinaisons possibles pour donner naissance à de nouvelles encore plus performantes. Ce qui entraînera la formation d’un cercle vertueux au fil des générations, améliorant votre taux de transformation et, par la même occasion, l’affinage de votre capacité de prédiction.
Le concept delive creative improvement utilisant cet algorithme permet dans un premier temps de fournir des combinaisons à une vitesse inégalable. Mais surtout, il permet in fine de transformer un problème mathématiquement insolvable en une solution optimisée à un nombre quasi infini de possibilités.

Amazon, le roi de la recommandation personnalisée

Bien que l’utilisation de ces techniques reste encore anarchique dans l’Hexagone, hormis pour les sites commerçants les plus chevronnés, elles ont permis à certaines entreprises de damer rapidement le pion à leurs concurrents.
Amazon fait bien évidemment office de référence en la matière depuis quelques années. Son algorithme, appelé « item-to-item collaborative filtering », se base sur l’association des articles similaires (items) notés, ajoutés à la fameuse liste des envies et/ou achetés par les internautes avec des articles semblables, et leur combinaison en liste de recommandation.
Outre l’augmentation des ventes via cet algorithme, la véritable  force de l’e-commerçant réside dans sa capacité à s’être substitué aux vendeurs, spécialistes et aux conseils avisés.

Certes aujourd’hui n’est pas Amazon qui veut. Cependant, pour obtenir une performance fiable et autonome à 90% ainsi qu’une gestion du temps homme et budgétaire optimisée, les entreprises se doivent de se munir d’outils intelligents…et laisser le hasard au placard.  

Cédric Robert

Cédric est Consultant User Intelligence chez DISKO