Personnalisez votre expérience utilisateur grâce à l’Intelligence Artificielle

Au fil de la dernière décennie, le concept d’expérience utilisateur s’est solidement ancré comme une nécessité pour toute nouvelle application. Cette idée s’est enracinée non seulement grâce aux objectifs de toujours mieux répondre à la demande des utilisateurs, mais aussi car tout un panel technologique l’a progressivement rendue possible. S’imaginer aujourd’hui un nouveau produit sans que son contenu ne soit personnalisé semble presque téméraire, tant les géants du numérique nous ont habitués à parcourir sur Internet un contenu qui nous ressemble.

De votre navigation sur Amazon, à vos partages sur Instagram, en passant par vos recherches Google (sans oublier vos soirées Netflix), la totalité de votre expérience du net est personnalisée. En plus de permettre à leurs utilisateurs de plus facilement trouver satisfaction, ces entreprises développent une compréhension profonde de leurs attentes et peuvent aller au-delà de la simple recommandation de produit, de photos ou de films d’un soir.

Qu’y-a-t’il concrètement derrière cette “personnalisation” ? Qu’apporterait-elle à votre produit ? Comment faire pour la mettre en oeuvre ?

Avant de vous montrer comment intégrer la personnalisation de contenu à votre application, nous allons d’abord poser quelques rappels sur la théorie sous-jacente à ce concept.

La personnalisation du contenu, comment ça marche ?

L’idée initiale implique un utilisateur, un ensemble de contenus, et les interactions de cet utilisateur avec ces contenus. Si vous appréciez un contenu en particulier, vous vous attendez “logiquement” à en voir davantage en relation avec ce dernier.

Il n’existe pas un seul type de personnalisation, car les ensembles qui sont étudiés (utilisateurs, contenus, interactions) sont suffisamment riches et distincts pour en déduire plusieurs manières de personnaliser une expérience. Nous allons ici essayer d’en comprendre 4 différents : Le Filtrage Collaboratif basé sur les utilisateurs et basé sur le contenu, puis la recommandation basée sur le contenu et enfin la recommandation basée sur le métier.

Filtrage Collaboratif basé sur les utilisateurs (User-Based Collaborative Filtering)

L’objectif est de regrouper par ressemblance, et de recommander ensuite suivant ces groupes. Toute l’information se situe au niveau des interactions : deux utilisateurs peuvent être diamétralement différents, mais avoir des goûts qui s’entrecoupent.

Prenons donc le cas de deux personnes sur une plateforme de livres : chacune des deux aura lu tout un ensemble de livres. Ce sont les livres en commun dans l’historique de ces deux personnes qui les rapprochent. Logiquement, ceux que l’un a lu mais l’autre non vont donc lui être recommandés, et inversement. Même s’ils ne partagent pas intégralement le même historique, les caractéristiques des livres avec lesquels ils ont interagi permettent de créer une forme de groupe.

C’est d’ailleurs exactement la politique de Netflix au travers de ses Taste Communities. En interagissant avec le contenu de Netflix, le moteur de personnalisation essaye de vous comprendre et de vous situer dans des groupes d’utilisateurs ayant des interactions similaires avec la plateforme.

Si nous devions faire une analogie avec la plateforme Amazon, il s’agirait de la section “les clients ayant acheté cet article ont également acheté”. Par exemple, sur la page d’une raquette de Tennis :

Filtrage Collaboratif basé sur le contenu (Content-Based Collaborative Filtering)

Ce filtrage est très similaire au précédent, puisqu’il se base lui aussi sur une comparaison des interactions des utilisateurs avec le contenu. Cependant, contrairement au précédent, il se positionne cette fois-ci du point de vue du contenu.

Partons d’utilisateurs ayant lu un même ensemble de livres. Ces livres se ressemblent donc : ils ont été lus par des utilisateurs ayant les mêmes styles d’interactions. De cette manière, il est possible de supposer que si l’on s’intéresse à l’un de ces livres, l’on va aussi s’intéresser à d’autres qui ont été sources d’interactions autant que le nôtre.

En conséquence, si un nouvel utilisateur lit un des livres lus par cet ensemble d’utilisateurs, et même s’ils ne font absolument pas partie de la même Taste Community, nous allons lui recommander le reste des livres de cet ensemble. De la même manière, le contenu des livres importe peu. Il est probable que naturellement ces livres se ressemblent, mais l’évaluation de leurs similitudes par le moteur de personnalisation n’est exclusivement basée que sur les interactions dont ils ont pu faire l’objet.

Pour faire à nouveau un parallèle avec la plateforme Amazon, ce type de recommandation correspond à la section “fréquemment achetés ensemble”. Si l’on prend cette fois-ci un Smartphone comme exemple, on remarque que sont souvent achetés avec, la coque et l’écran de protection :

La recommandation basée sur le contenu (Content-based)

Il s’agit tout de même d’utiliser également les caractéristiques intrinsèques de notre contenu (qu’il serait dommage de ne pas utiliser …!).

Tout naturellement, si un utilisateur lit beaucoup de livres d’une catégorie, nous allons lui recommander d’autres livres de cette même catégorie (indépendamment à priori des autres utilisateurs).

Pour finir avec nos comparaisons avec Amazon, cette recommandation se retrouve dans la section “produits liés à cet article”. Si l’on prend finalement le livre de l’intégrale du Seigneur des Anneaux :

NB: On remarquera parmi les autres livres et récits une tasse dans les recommandations ! Même si ce n’est pas un livre, cette tasse a beaucoup de lien avec l’oeuvre littéraire puisqu’elle se base sur son contenu (le seigneur des anneaux).

La recommandation basée sur le métier (Business-based)

Ce dernier “type” de personnalisation permet de donner davantage la “main” sur le système en déterminant vous-même quel contenu doit être recommandé. C’est dans ce genre de recommandation que l’on pourra retrouver les classements de type “populaire”, “tendance”, “hot”, … , qui sont déterminés par des règles métier simples.

Il est également possible d’y voir du contenu promotionnel et saisonnier. Contrairement aux recommandations précédentes plus “naturelles” et autonomes, ce style-ci nécessitera de se pencher sur les métriques utilisateurs et de comprendre l’intérêt de présenter un certain type de contenu à un certain type d’utilisateurs, à un certain moment dans le temps.

Pour en revenir une dernière fois à Amazon, vous remarquerez le petit indicateur “Sponsorisé” au-dessus de la section correspondant à la recommandation basée sur le contenu. Vous pouvez y voir ici un exemple de recommandation basée sur le métier : Amazon propose des services (payants) permettant de mettre en avant vos produits lorsque vous êtes un vendeur.

Pour aller plus loin …

Il est évidemment possible de mixer ces systèmes de personnalisation pour créer un système hybride capable d’adapter son mode de recommandation suivant ceux qui seront les plus bénéfiques pour l’utilisateur. L’objectif est d’accompagner le plus possible l’utilisateur au travers de recommandations pertinentes, autant pour l’intérêt qu’il manifestera, que pour la curiosité qu’il montrera à aller visiter un contenu qu’il ne connaît à priori pas.

Dans tous ces types de personnalisation, l’Intelligence Artificielle prend le rôle d’agent décisionnel, faisant le choix en bout de traitement de ce qui sera le plus pertinent à proposer à l’utilisateur, et potentiellement dans quel ordre. Après la génération de possibilités, c’est cette Intelligence qui (entre autres) sélectionne ce qui sera le plus intéressant.

La personnalisation de contenu demande beaucoup, énormément d’informations. Il faut être capable de savoir absolument tout ce que l’utilisateur fait sur votre plateforme. En dehors des problèmes de conscience que cela pourrait vous causer, il faut surtout disposer d’un système de tracking. Pour cela, soit vous possédez déjà votre propre système, soit vous utilisez les offres de fournisseurs de Customer Data tels que Mixpanel, Amplitude ou encore Airship. En plus du tracking, ces fournisseurs vous octroient un regard structuré et synthétique sur les interactions de vos utilisateurs avec votre plateforme, vous faisant gagner en compréhension et en clarté sur les fruits de cette dernière.

Avec quoi (et qui ?) fait-on de la personnalisation ?

Avec des services entièrement managés

Une première possibilité est d’utiliser des services Cloud qui vous permettront d’obtenir rapidement et facilement une recommandation de qualité. Que ce soit AWS Personalize, GCP Recommendations AI, ou Amplitude Recommend, tous apportent des modèles pré-entraînés et simples à mettre sur pieds.

L’avantage de ces solutions est que dès le lancement de votre produit, vous aurez accès à une recommandation de contenu à la fois qualitative et aisée d’intégration. Si vous lancez un produit qui se base sur la recommandation de contenu, ces outils sont tout indiqués. Leur grille tarifaire est à étudier mais reste raisonnable pour la qualité de service que vous obtenez en échange (GCP Recommendations AI : 30 centimes les 1000 requêtes de recommandations).

Si vous êtes intéressé, nous vous encourageons à aller regarder la suite d’articles techniques écrite par l’équipe de betomorrow.ai . Nous y détaillons précisément comment, grâce à Mixpanel et AWS Personalize, il est facilement possible de mettre en place un système de recommandation allant du tracking utilisateurs jusqu’à la recommandation de contenu. C’est par ici : A recommendation playthrough : tracking users with Mixpanel and exporting data to AWS S3.

Avec une solution sur mesure

Tous les systèmes de personnalisation ne fonctionnent pas nécessairement en filtrage collaboratif ou en “recommandation de contenu”, et certains ont besoin d’être intégralement pensés et conçus pour une vision. Imaginons par exemple que vous souhaitiez recommander à des élèves les bons exercices qui leur permettront d’enfin en finir avec les calculs d’intégrales ! Il ne s’agit plus d’une simple problématique d’utilisateurs, de contenu et d’interactions, mais d’une forme bien plus riche de la donnée qui nécessite une étude et une conception à part entière …

Il existe pour cela une myriade d’outils tels qu’ElasticSearch, Apache Spark, Scikit-Learn ou bien d’autres permettant de confectionner votre propre solution, pensée et paramètrée pour votre besoin. Il n’existe de toute manière pas de bonne réponse universelle pour faire de la personnalisation. Tout dépend de votre budget, de la priorité de la fonctionnalité et de votre équipe de développement. Chaque aspect compte : de l’étude de la donnée et des utilisateurs à la réalisation technique, en passant par la constitution de votre Dataset via du Tracking utilisateur, tout est primordial si vous désirez obtenir une réponse la plus qualitative possible.

Quoi qu’il en soit, prendre une décision sur un aspect critique de votre produit n’est pas une tâche aisée, encore plus lorsque cela demande une connaissance à la fois théorique et technique de ce qu’elle implique. Le risque est d’autant plus grand lorsque vous investissez dans une direction précise avec une équipe auto-gérée.

Vous n’êtes pas seuls. Dans ce genre de situation, la meilleure solution pourrait tout aussi bien être de faire appel à des acteurs dont le métier tourne autour de l’Intelligence Artificielle et de la Data. Ces acteurs pourront vous aiguiller afin de préciser vos besoins et vous accompagner dans l’objectif de mener à bien votre projet. Face à une pluralité de solutions possibles, l’oeil expert de personnes dont c’est le coeur de métier vous permettront d’aborder avec confiance le futur et la réussite de votre produit.

À BeTomorrow, nous sommes convaincus de l’impact de la personnalisation de contenu, autant du point de vue produit que technique. Parce que nous sommes conscients de ce que ces visions impliquent, nous avons fait de la pédagogie et de l’accompagnement le premier de nos devoirs. Notre objectif n’est pas de vendre une fonctionnalité, mais d’en faire apprendre toutes les facettes, et travaillons chaque cas afin de faire bénéficier à tous du maximum de son potentiel. C’est dans cet esprit de conception et de réalisation, “main dans la main”, que nous encourageons et accompagnons l’incorporation de la Personnalisation de Contenu à des projets existants.

Conclusion

La personnalisation est une branche de l’Intelligence Artificielle qui a le potentiel d’apporter beaucoup de valeur à votre produit. Nous avons ici étudié ses principes fondamentaux, mais n’avons pas exposé toutes ses applications possibles (priorisation de résultats de recherches, couplage avec l’adaptive learning, l’aide à la décision, …). En plus d’être dimensionnable à votre besoin grâce à la diversité de solutions possibles, c’est de manière générale un investissement stratégique pour ajouter à vos services une valeur à fort potentiel.

Vous désirez en savoir plus ? Nous serons heureux d’en discuter avec vous chez BeTomorrow. Contactez-nous !