Quels sites web utilisent les algorithmes de recommandation ?

Qu’est-ce qu’un algorithme de recommandation ?

Un algorithme de recommandation est un outil qui établit un ensemble de critères et d’évaluations sur les données de l’utilisateur pour faire des prédictions sur les recommandations qui peuvent être utiles ou utiles à l’utilisateur.

Ces systèmes sélectionnent les données fournies par l’utilisateur directement ou indirectement, et procèdent à l’analyse et au traitement des informations provenant de l’historique de l’utilisateur pour transformer ces données en connaissances de recommandation.

Les systèmes de recommandation ont actuellement un haut niveau d’efficacité car ils peuvent associer des éléments de nos profils de consommation, tels que l’historique des achats, la sélection de contenu et même nos heures d’activité, pour faire des recommandations.

Cela nous permet de découvrir de nouveaux éléments présentant un pourcentage plus élevé de proximité avec nos goûts, nos préférences et nos besoins.

Le fonctionnement des algorithmes de recommandation a évolué grâce au Machine Learning. Auparavant, les moteurs de recherche, les plateformes de contenu et les ventes de produits fonctionnaient avec des classements ou des listes de popularité.

Ces systèmes étaient fonctionnels dans une certaine mesure, mais ils ne pouvaient pas personnaliser l’expérience de l’utilisateur et affichaient des articles qui ne correspondaient pas à nos intérêts.

Les sites web utilisant les algorithmes de recommandation

Amazon

Vous trouverez ci-dessous quelques-unes des façons dont ils utilisent actuellement les recommandations sur leur site web :

Fréquemment achetés ensemble

Cette recommandation a un objectif principal : augmenter la valeur moyenne des commandes. “Frequently Bought Together” est une recommandation de produits qui ont été fréquemment achetés ensemble, et vise à augmenter à la fois les ventes incitatives et les ventes croisées en fournissant des suggestions de produits basées sur les articles dans leur panier ou sous le produit qu’ils regardent actuellement sur le site web.

Vos articles récemment consultés et vos recommandations en vedette – inspirés par votre historique de navigation

Pour ce type de recommandation, Amazon se base sur les produits que vous avez consultés et vous recommande des produits très similaires, de formes, de tailles et de marques différentes, afin de vous aider à trouver un produit très similaire à celui qui vous intéresse.

Cette liste de recommandations propose différentes marques, couleurs, formes et tailles dans l’espoir de placer devant l’utilisateur un produit auquel il ne pourra pas résister.

Historique de navigation

Si un utilisateur a regardé un produit, cela signifie qu’il a exprimé un léger intérêt pour ce produit et Amazon le sait. Elle affichera donc l’historique de navigation au cas où l’utilisateur souhaiterait revenir rapidement en arrière et acheter un produit pour lequel il a déjà manifesté un intérêt.

En rapport avec les articles que vous avez consultés

La mention “En rapport avec des articles que vous avez consultés” indique des produits similaires, dans des tailles, des marques, etc. différentes, à des produits que vous avez consultés dans le passé. Ce produit a le même objectif que le point 2 (vous aider à trouver un produit que vous voulez acheter), mais Amazon l’a marqué différemment sur son site.

Les clients qui ont acheté cet article ont également acheté

Comme dans le cas n°1 (fréquemment achetés ensemble), Amazon affiche les articles qui ont été achetés ensemble dans le passé par d’autres clients, dans le but d’augmenter la valeur moyenne des ventes et des ventes croisées.

Recommandé pour vous sur la base d’un achat précédent

Lorsqu’un utilisateur achète un Kindle sur Amazon.com, le site affiche immédiatement une section “détails de la commande”. Le système recommande une variété de cas différents pour exactement le Kindle qui a été acheté précédemment dans le but d’encourager l’utilisateur à faire un deuxième achat avec une offre de vente croisée très pertinente.

Netflix

Afin de pouvoir faire des recommandations pour chacun des profils d’utilisateurs de la plateforme, Netflix collecte différentes données sur les interactions des utilisateurs avec la plateforme.

Ces données comprennent, par exemple, la manière dont le contenu est consommé, les appareils à partir desquels il est consulté, parmi bien d’autres choses.

L’algorithme de Netflix enregistre les recherches effectuées pour tous les contenus disponibles et apprend ainsi les intérêts de l’utilisateur.

Elle enregistre même les jours de la semaine où les produits de la plateforme sont les plus consommés et les heures passées à les regarder. Bien évidemment, les données sur le contenu consommé par un profil servent à alimenter l’algorithme de recommandations, qui va générer une liste de contenus similaires à ceux de vos dernières interactions.

Netflix enregistre également l’appareil à partir duquel un contenu est visionné et, en fonction de cela, il génère des recommandations différentes pour un appareil ou un autre.

Pour chaque profil d’utilisateur, une base comportementale est générée qui permet à l’algorithme de trouver des similitudes entre les différents profils et de faire des recommandations basées sur les données de profils similaires.

Youtube

L’algorithme de recommandation de youtube repose sur :

–Temps de visionnage : l’un des principaux facteurs pris en compte par YouTube pour afficher une vidéo est le temps de visionnage. Les données de la plateforme montrent que lorsqu’un utilisateur regarde une vidéo dans son intégralité, c’est qu’il en apprécie le contenu et, par conséquent, les vidéos dont la durée de visionnage est plus longue seront recommandées à davantage d’utilisateurs.

–Temps d’affichage : bien que certaines vidéos soient affichées dans le moteur de recommandation dès le premier jour de leur publication, il faut généralement quelques jours (parfois même des mois) avant que la vidéo ne soit affichée comme une recommandation. Cela s’explique par le fait que YouTube dispose de beaucoup de données sur les chaînes plus anciennes, de sorte que son algorithme sait immédiatement si une vidéo est recommandée. Les chaînes plus récentes, en revanche, ne disposent pas de suffisamment de données, de sorte qu’elles ont tendance à mettre plus de temps à apparaître.

–Taille de la chaîne : l’une des plaintes les plus courantes des utilisateurs et des créateurs est que YouTube ne recommande souvent pas le contenu des petites chaînes. Là encore, il s’agit d’un problème de données, car ces chaînes fournissent moins de données à YouTube, de sorte que l’algorithme ne fait pas suffisamment “confiance” au contenu pour le recommander. Cependant, tout dépend de l’engagement généré, car une petite chaîne qui a beaucoup d’interaction avec les utilisateurs verra son contenu apparaître dans le moteur de recommandation.

–Abonnements : S’il serait normal de croire que les abonnements influencent les recommandations, ils le font dans une moindre mesure. La réponse est que nous nous abonnons souvent à des chaînes dont nous ne regardons jamais le contenu. YouTube analyse ce comportement, c’est pourquoi il ne recommande pas de contenu de ce type, et ne tient pas compte du ratio “abonnés/visions” de la chaîne pour que son contenu apparaisse dans les recommandations. Là encore, le contenu apparaîtra dans les recommandations si les utilisateurs le consomment et interagissent avec lui.

Facebook

L’algorithme de Facebook fonctionne comme un effet de chaîne, où la visibilité d’une publication augmente à partir du moment où elle est publiée.

Une fois que nous avons téléchargé un nouveau contenu, l’algorithme se charge de calculer le nombre de followers à qui il apparaîtra dans leur fil d’actualité ; car comme vous le verrez, il n’apparaît pas à tout le monde.

Ce premier contact entre le follower et le contenu est appelé “portée initiale” et constitue un facteur déterminant pour la visibilité ou non du message.

Si, dès le premier instant, les utilisateurs commencent à interagir avec la publication (j’aime, je commente et je partage), l’algorithme de Facebook considérera le contenu comme intéressant et commencera à le partager avec davantage d’utilisateurs.

Cela semble vraiment une formule simple en théorie, mais pour s’assurer que nos followers s’intéressent à notre contenu dès le départ, celui-ci doit être de haute qualité pour obtenir un bon engagement.

Spotify

Spotify dispose de trois mécanismes pour faire des recommandations :

Le premier est appelé “modèles de filtrage collaboratif“, il est axé sur l’analyse de votre comportement et de celui des autres.
Le second, “modèles de traitement du langage naturel“, est basé sur l’analyse de texte.
Le troisième, les “modèles audio bruts“, est basé sur l’analyse des pistes audio brutes.
Premier modèle de recommandation. Filtrage collaboratif.
La première entreprise à utiliser ce modèle a été Netflix.

Elle analyse le comportement des différents utilisateurs par rapport à leurs produits. Il s’agit essentiellement de “les utilisateurs intéressés par X sont également intéressés par Y et Z”. En d’autres termes, les utilisateurs qui ont écouté la chanson X sont également susceptibles d’écouter Y et Z.

Permettez-moi de vous donner un exemple plus parlant :

Écoutez les chansons X, V et Z
Écoutez les chansons V, W et Z.
Spotify recommande à A d’écouter la chanson W
Spotify recommande à B d’écouter la chanson X
Deuxième modèle de recommandation. Traitement du langage naturel.

Le deuxième mécanisme qui sous-tend les recommandations de Spotify est le traitement du langage naturel. Il s’agit d’un modèle qui s’appuie sur les mots courants utilisés dans les articles d’actualité, sur les pages web, dans les blogs, entre autres textes.

Il s’agit d’une approche classique qui combine des composants Big Data batch pour l’analyse massive des recommandeurs avec une couche en temps réel utilisant NoSql (spécifiquement Cassandra) pour faire les recommandations lorsque l’utilisateur utilise le service.

En d’autres termes, le programme traque les adjectifs, ou tout langage particulier utilisé pour faire référence à certains artistes et chansons. Il recherche également dans les articles les artistes et les chansons qui sont mentionnés avec d’autres.

Troisième modèle de recommandation. Audio brut.
Il s’agit d’un modèle basé sur l’audio brut. Ce modèle audio est celui qui se concentre sur les caractéristiques des chansons. Il mesure différents éléments tels que la durée estimée, la clé, le mode, le tempo et le volume.

Ces mesures permettent à Spotify d’établir des similitudes entre les chansons et de voir ainsi quelles chansons conviennent à quels utilisateurs en fonction de leur propre historique d’écoute. L’avantage de ce dernier modèle est qu’il permet à l’application de suggérer de nouveaux artistes qui ne sont généralement pas enregistrés par les deux autres mécanismes.

Il s’agit essentiellement d’analyser les informations relatives aux caractéristiques audio à l’aide d’un type de réseau neuronal appelé réseau neuronal convolutif.

Les réseaux neuronaux convolutifs sont la même technologie que celle utilisée dans les logiciels de reconnaissance faciale.

Dans le cas de Spotify, ils ont été modifiés pour être utilisés sur des données audio plutôt que sur des pixels. Cet algorithme est également très utilisé dans des domaines tels que l’analyse d’images ou de vidéos, car il permet l’extraction automatique des caractéristiques de l’objet analysé.

L’utilisation de ce recommandeur dans ce cas spécifique est très intéressante, car il peut évaluer une nouvelle chanson même si elle n’a pas d’historique, car il la décompose en ses caractéristiques musicales et celles-ci peuvent être comparées à l’historique de l’utilisateur.

Twitter

Au début, Twitter affichait tout le contenu dans l’ordre chronologique inverse. Ainsi, tant qu’une marque publiait régulièrement selon un calendrier, il était plus facile de susciter l’engagement, car il suffisait d’apparaître au bon moment.

Cependant, les choses sont très différentes aujourd’hui. Dans son état actuel, tout est centré sur l’algorithme de Twitter, qui privilégie l’engagement sous la forme de retweets, de conversations et du nombre total de followers.

Comme le souligne la plateforme elle-même, l’algorithme utilise l’intelligence artificielle avec l’apprentissage profond qui gère le flux de l’utilisateur en tenant compte d’une variété de facteurs. En fait, il prend en compte des aspects tels que l’auteur du tweet, le contenu et l’activité des utilisateurs susceptibles de voir le message.

Pour entrer dans les détails, sachez qu’avec l’algorithme de Twitter, la qualité de votre message est évaluée en fonction de qui vous êtes et de la crédibilité de votre activité passée sur Twitter.

L’algorithme prend également en compte le degré d’engagement que vous obtenez dans les premiers instants de la diffusion de votre message, ce qui inclut le temps nécessaire pour lire votre contenu et le fait que les gens en parlent ou non.

Plus un tweet reçoit de signaux positifs, meilleures sont les chances d’engagement et d’interaction. Ces éléments sont visibles dans la section analytique de votre compte de manière plus détaillée, dans la section Tweets.

Il est possible de voir les colonnes pour les impressions, les engagements et le taux d’engagement. Les données donnent une idée du nombre de personnes qui voient vos messages et du nombre d’utilisateurs qui interagissent activement en rt, en aimant ou en répondant.

Google Discover

Google essaie de connaître les centres d’intérêt de chaque utilisateur sans que celui-ci ait à faire de recherche, c’est-à-dire sans rien lui demander, il sait ce qu’il doit nous montrer. Google nous connaît très bien, aussi bien que notre partenaire ou notre meilleur ami.

Pour expliquer comment votre contenu apparaît dans Google Discover pour certains utilisateurs sans qu’ils aient effectué une recherche sur votre actualité, nous avons étudié les sources d’information que Google utilise pour en savoir plus sur les internautes.

Le moteur qui fait fonctionner Google Discover est l’algorithme dit “Queryless”. Cet algorithme est basé sur l’activité de l’utilisateur dans son historique de recherche, sur les applications installées sur ses appareils mobiles, sur sa localisation et même sur les contacts et les préférences de ses interlocuteurs.

En tenant compte de toutes les informations stockées sur les utilisateurs, l’algorithme fait correspondre le contenu des publications médiatiques aux intérêts de chaque utilisateur individuel, en montrant à chaque utilisateur uniquement les informations qui l’intéressent, sans qu’il soit nécessaire de faire une recherche explicite.

Il s’agit donc d’un jeu d’affinités entre les cartes et les intérêts des utilisateurs. Chaque carte ou message se voit attribuer une catégorie qui peut déclencher trois types de déclencheurs :

• Affinité par intérêt.
• Affinité par association : par intérêt pour le sujet ou l’entité.
• Affinité par tendance : l’utilisateur ne reflète pas explicitement son intérêt dans son comportement de recherche, mais le produit vous est montré parce qu’il est tendance à ce moment-là.