Améliorer la pertinence des recommandations de Cross Sell grâce aux Ontologies

En fouillant un peu dans les archives de ce blog, j’ai dû remonter à Juillet 2008 pour retrouver un article sur le cross sell, ses enjeux, limites et bests practices. Après relecture, certains éléments restent valables, mais d’autres sont évidemment à mettre au goût du jour. Un petit rafraîchissement était donc nécessaire.

Quel est l’objectif du cross sell ?

De ce côté là, pas de grand changement. L’objectif principal reste toujours de proposer les bons produits ou services complémentaires en vente additionnelle au bon client pour améliorer l’expérience d’achat de son produit principal et les performances du site (hausse du panier moyen via le nombre d’articles par commande).

Les recommandations de cross sell peuvent générer à elles seules jusqu’à 10% du volume d’activité d’un site e-commerce. Les meilleurs endroits où exposer ces propositions de produits complémentaires restent les mêmes :

• en fiche produit du produit principal
• dans la page interstitielle ou layer de mise au panier après la mise au panier du produit principal (là où c’est le plus puissant)
• dans la page panier, juste avant d’entrer dans le processus de login, livraison et paiement.

Recommandations manuelles ou automatisées ?

Tout dépend du volume du catalogue proposé sur le site e-commerce. Avec l’émergence des places de marchés (marketplace), on parle de plusieurs centaines de milliers de produits. Dans ce cas, impossible de tout gérer à la main même si la tentation est grande. Mis à part quelques cas exceptionnels, il devient incontournable d’automatiser les calculs pour afficher les recommandations les plus pertinentes basées sur les achats des autres clients. Un algorithme détermine alors que tous ceux qui ont acheté le produit X ont généralement acheté le produit Y en complément.

Mais est-ce suffisant ? Les algorithmes sont-ils fiables dans tous les cas ? Pouvons-nous faire totalement confiance aux calculs automatisés ?

Pourquoi passer à un cross sell sémantique via les ontologies ?

L’idée principale est de créer des liaisons manuelles basées sur l’expertise métier. Avec un barbecue au charbon de bois de la marque Weber, un bon vendeur en magasin propose en général la housse de protection adaptée au modèle sélectionné, des ustensiles de cuissons, un sac de charbon de bois et une cheminée d’allumage spécifique à la marque,…

Nous avons travaillé sur 3 types d’association pour le moment :

• les accessoires
• les consommables
• les produits complémentaires

Nous nous basons sur la taxonomie de notre knowledge graph qui nous permet depuis plusieurs mois de cartographier toute notre connaissance métier. Merci Gaetan d’avoir éclairé cette belle vision ! L’un des premiers sujets a été de définir et ranger / classifier toutes nos natures de produits (Outillage > Outil de jardinage > Tondeuse > Robot tondeuse par exemple).

Cette 2ème étape consiste à créer des passerelles entre les natures de produits = on parle alors d’ontologie. Avec un « barbecue au charbon de bois », il est utile de créer une liaison avec le consommable « charbon de bois ».

Depuis plusieurs semaines, nous avons impliqué tous les experts métiers afin de créer toutes les passerelles possibles et imaginables, tout en étant guidés par les recommandations calculées automatiquement.

Nos recommandations de cross sell sont désormais gérées en 2 étapes : un guidage manuel est d’abord effectué par les experts via les ontologies, puis un algorithme propose la meilleure association via l’analyse des ventes passées.

Voici un bel exemple sur un Barbecue au charbon de bois :

Les prochaines étapes ?

1 – Nous avons activé quelques natures de produit en production. Nous allons mesurer en AB Test et comparer les performances des recommandations de cross sell 100% automatisées contre les recommandations de cross sell sémantiques guidées par les ontologies. L’idée est de vérifier que la couche d’intelligence métier améliore les performances. La crainte principale est que les règles métier réduisent fortement la volumétrie des produits affichés. Là où un algorithme proposait sans effort une vingtaine de produits, on affiche parfois que 1 ou 2 produits avec des choix arbitraires. Le manque de pertinence perçu par le passé pouvait potentiellement servir à découvrir d’autres produits auxquels le client n’aurait pas pensé (la petite part de mystère des algorithmes).

2 – Eliminer les doublons. Nous avons en effet parfois des produits identiques issus de natures de produits différentes (ustensile de barbecue / brosses de nettoyage pour barbecue) à cause d’un maillage sur des noeuds de taxonomie trop large.

3 – Proposer les services en cross sell, car pour le moment, cela n’est pas encore possible.

4 – UP SELL : nous pourrions imaginer des règles plus poussées afin de proposer des produits en cross sell qui bénéficient de caractéristiques plus performantes et ainsi proposer une montée en gamme.

5 – Personnaliser les produits proposés en fonction des centres d’intérêts du client : la disponibilité immédiate dans son magasin, son niveau de bricolage, son appétence aux produits en promotion, les mieux notés ou les nouveautés, sa/ses marque(s) préférée(s)…

6 – Optimiser les autres zones de recommandations : produits similaires, pack/bundle, lots, recommandations dans la page panier, … Nous avons encore du travail !

Pour conclure…

En conclusion, nous avons déployé sur le site LeroyMerlin une version hybride de cross sell automatisé, basée sur les achats passés et guidée par la connaissance métier (human guided automated recommendation) afin de gagner en pertinence, maximiser les performances et la satisfaction client.

Cerise sur le gâteau, cette connaissance métier est partagée, enrichie et optimisée par tous les experts e-commerce des différents pays qui rejoignent notre plateforme commune.

A très vite pour partager les 1ers résultats concrets !

Un grand bravo à tous les acteurs de ce beau projet : Victoria, Charles, Renaud, Nacerdine, Youssef, tous nos e-merchandisers et responsables des marchés digitaux pour ne citer qu’eux.