Amazon

Objectif

Faire remonter le bon produit au bon moment pour chaque visiteur, sur chaque surface du site, sans intervention manuelle de merchandising.

Le déploiement

Amazon a mis au point une methode de recommandation dite item-to-item collaborative filtering. Plutot que de rapprocher un client d'autres clients qui lui ressemblent, l'algorithme part de chaque article et calcule a l'avance les produits qui apparaissent souvent ensemble dans les historiques d'achat et de navigation. Quand un visiteur regarde ou achete un produit, le systeme ressort en temps reel les articles les plus associes, ponderes selon la proximite avec ce que la personne a deja consulte. Ce moteur alimente les carrousels de la page d'accueil, les blocs " Frequemment achetes ensemble " des fiches produit, les recommandations du panier et les campagnes email. La methode a ete concue vers 1997 chez Amazon par Greg Linden, Brent Smith et Jeremy York, puis decrite dans un papier publie en 2003. En 2017, le comite editorial d'IEEE Internet Computing l'a designe comme l'article de son histoire ayant le mieux resiste a l'epreuve du temps. Le systeme reste la fondation de la recommandation Amazon, enrichi depuis par des modeles plus recents.

Résultats Preuve C

Le mecanisme et son passage a l'echelle sont documentes par le blog scientifique officiel d'Amazon et par un papier IEEE distingue en 2017, soit pres de trois decennies en production. Le chiffre de 35 % des achats est une estimation McKinsey de 2013, pas une divulgation financiere d'Amazon : on ne le presente donc pas comme un resultat de niveau A.

1. 1
   Collecter les signaux IA / plateforme

   Achats, ajouts au panier, vues et clics remontent en continu et sont rattaches au produit concerne.

2. 2
   Pre-calculer les similarites Equipe data science

   Pour chaque article, on construit hors ligne la liste des produits les plus co-consommes. C'est ce pre-calcul qui permet de tenir la charge a l'echelle du catalogue.

3. 3
   Servir la recommandation IA / plateforme

   A l'affichage, le systeme croise les articles vus ou achetes par la personne avec ces tables et classe les candidats.

4. 4
   Boucler sur le comportement IA / plateforme

   Le clic ou l'achat qui suit une recommandation redevient un signal d'entree. Le systeme se corrige sans qu'un merchandiser choisisse les produits a la main.