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. Ses auteurs decrivent en 2003 un moteur maison, construit parce que les algorithmes existants ne tenaient pas la charge des dizaines de millions de clients et de produits d'Amazon, et deja utilise sur la majorite des pages du site ainsi que dans de nombreuses campagnes email. La methode a ete concue vers 1997 par Greg Linden, Brent Smith et Jeremy York, puis publiee dans IEEE Internet Computing en 2003. En 2017, le comite editorial de la revue l'a designee comme l'article de son histoire ayant le mieux resiste a l'epreuve du temps. Sur l'impact commercial, Amazon n'a jamais publie de chiffre. Le papier de 2003 affirme seulement, sans le quantifier, que les taux de clic et de conversion des recommandations depassent largement ceux des contenus non cibles comme les bannieres ou les listes de meilleures ventes. Le « 35 % des achats sur Amazon viennent des recommandations » qui circule partout n'est pas un chiffre Amazon : c'est une estimation publiee par McKinsey en 2013, sans methodologie exposee, que la marque n'a jamais confirmee. Des chercheurs la contestent : Anuj Kumar (universite de Floride) la juge difficile a croire, et l'etude qu'il a publiee avec Kartik Hosanagar dans Information Systems Research, menee chez un grand magasin et non chez Amazon, mesure un indicateur different - un gain de ventes de 11 % attribuable aux recommandations. Enfin, aucun document public d'Amazon ne confirme que le filtrage item-to-item reste aujourd'hui la base du systeme : la derniere documentation primaire, le blog Amazon Science de 2019, retrace son histoire et decrit des modeles plus recents qui le surpassent sur la recommandation de films Prime Video.

Résultats Preuve C

Le mecanisme, l'echelle et l'anciennete sont documentes par Amazon elle-meme (papier IEEE de 2003 signe par ses ingenieurs, blog Amazon Science), et corrobores par la distinction IEEE de 2017. Mais Amazon n'a jamais publie de resultat commercial chiffre sur ses recommandations : le cas ne peut donc pretendre ni au niveau A (divulgation financiere) ni au niveau B (etude de cas chiffree). Le chiffre de 35 % des achats, largement recycle, est une estimation McKinsey de 2013 non confirmee par la marque et contestee par des chercheurs ; il n'est pas retenu comme resultat.

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.