Etat de l’art sur les diff´erents types de syst`emes de recommandation ´

Un syst`eme de recommandation est un syst`eme qui fournit une recommandation, c’est-`a-dire, une pr´ediction, un avis, ou une liste d’articles pour aider un utilisateur lors de l’achat d’articles. Nous passons bri`evement en revue dans cette section les principaux types de syst`emes de recom-mandations (RS) existants d´edi´es au e-commerce [Schafer et al.(1999)] [Schafer et al.(2001)] [Schafer(2005)] [Terveen & Hill(2001)]. Nous utilisons ´egalement dans ce m´emoire le terme de e-recommandation pour d´ecrire ces syst`emes de recommandation en ligne.

Face `a un nombre toujours croissant de sites web de e-commerce, il n’est pas surprenant de constater que les cyber-consommateurs (clients) n’ont pas un comportement d’achat exclusif :

ils se montrent circonspects vis-`a-vis de l’achat en ligne car ils se sentent d´emunis devant le choix du site le plus adapt´e `a leur besoin. La pl´eiade de sites d’e-commerce propos´ee aux internautes met n´ecessairement en d´efaut leur connaissance superficielle de cet univers des possibles [McNee et al. (2003)] [Terveen & Hill (2001)]. Ainsi, confront´es `a ce choix, les clients sans a priori, ont tendance `a se tourner naturellement vers les opinions et les exp´eriences d’autres cyber-consommateurs. Le concept d’e-recommandation est n´e de cette probl´ematique. Le principe de la e-recommandation est de proposer au client, confront´e `a ce dilemme, les opinions et les t´emoignages d’autres cyber-consommateurs qui ont d´ej`a test´e et ´evalu´e les sites qui l’int´eressent.

Plusieurs approches algorithmiques ont ´et´e appliqu´ees `a la probl´ematique de mise en place de syst`emes de recommandation pr´ecis et efficaces. Les premiers syst`emes de recommandation ´etaient les “content filtering systems” conc¸us pour r´eduire la surcharge de l’information dans des domaines textuels [Schafer(2005)]. Ceux-ci ´etaient souvent bas´es sur le filtrage traditionnel de l’information et les syst`emes de recherche documentaire. Les syst`emes de recommandation qui contiennent des m´ethodes de recherche documentaire sont fr´equemment utilis´ees pour satisfaire des besoins ´eph´em`eres (de conservation limit´ee, souvent `a utilisation unique) de bases de donn´ees relativement statiques.

G´en´eralement, on attend les meilleures recommandations de quelqu’un avec qui on partage les mˆemes goˆuts, il reste toutefois `a trouver cette personne. Les syst`emes de recommandation `a base de “collaborative filtering” (CF) constituent une tentative pour faciliter le processus de “matching” des gens partageant les mˆemes interˆets et faire par la suite des recommandations sur cette base. En effet, un clientA ´evalue un certain nombre de produits, `a partir de ses ´evaluations le syst`eme construit une repr´esentation approximative des centres d’interˆets deA. Le syst`eme fait par la suite correspondre ces ´evaluations avec toutes les autres ´evaluations soumises par les autres utilisateurs et d´efinit ainsi les plus proches voisins deA. Finalement, le syst`eme de CF va recommander `aAdes produits que ses plus proches voisins ont ´evalu´es positivement. Pour se situer par rapport au contexte des mesures de satisfaction de clients, on dira que ces syst`emes de CF fournissent des mesures directes de satisfaction.

On peut ´evoquer ´egalement, les “Content Bases System”. Ces syst`emes utilisent uniquement les pr´ef´erences du client, ils lui recommandent des produits similaires `a d’autres produits que le client a choisis auparavant. Ce principe est aussi utilis´e pour guider l’acheteur dans son analyse comparative avant son achat. Si par exemple le client a l’intention d’acheter un “Sony ericsson”, le “Content Bases System” lui propose tous les produits concurrents de “Sony ericsson” et ce en se basant sur une simple analyse des donn´ees caract´eristiques du produit. L`a, il s’agit d’une mesure indirecte de la satisfaction du client.

D’autres types de syst`emes de recommandation utilisent des techniques de fouille de donn´ees “Data Mining”. Dans ce cas, les recommandations sont construites en utilisant la connaissance

apprise `a partir des actions et des attributs des clients. Ces syst`emes sont souvent bas´es sur le d´eveloppement de profils d’utilisateurs qui peuvent ˆetre persistants (bas´es sur des donn´ees d´emographiques ou bas´ees sur un historique “de consommation d’articles”), ´eph´em`eres (bas´es sur les actions pendant la session en cours), ou les deux. Ces algorithmes incluent des techniques de groupement (clustering), des techniques de classification, la g´en´eration de r`egles d’association et la production de graphes de similitude. Ainsi, si on reprend l’exemple du client ayant achet´e un “Sony ericsson”, la recommendation consistera `a lui signifier que75%des personnes ayant achet´e ce produit l’avait achet´e avec le pack ´etui, carte m´emoire et le kit main libre. L`a encore, nous sommes dans le cas d’une mesure indirecte de la satisfaction du client.

Le point commun `a tous ces syst`emes de recommandation est le fait qu’ils sont d´edi´es `a soutenir un client dans le choix d’un produit ou d’un fournisseur de produits [Schafer(2005)]. Comme nous sommes dans une optique de mesure de satisfaction des clients, les RS de type “collaborative Filtering” sont plus int´eressants dans notre cas du fait qu’ils proposent une mesure directe de la satisfaction. Toutefois, ces syst`emes ne proposent encore que rarement une analyse multicrit`ere. C’est la raison pour laquelle nous nous sommes tourn´es vers un site particulier proposant de la e-recommandation `a partir de mesures directes de satisfaction des clients selon un panel de crit`eres d´efinis au pr´ealable. Il s’agit de “ciao.com”, pour lequel nous allons tenter de formaliser cette analyse multicrit`ere.

Grˆace `a ces formidables bases de donn´ees, la e-recommandation, entre autres celle propos´ee par “ciao”, acquiert une importance grandissante dans le monde du e-commerce. Ces guides du e-commerce, tr`es fr´equent´es, en proposant une ´evaluation en temps r´eel des sites concurrents, sont perc¸us comme de nouveaux garants de la e-consommation. Ces sites se pr´esentent en effet comme des guides de s´election des sites de e-commerce et ils jouent par cons´equent un rˆole tr`es influant dans le business de ces derniers. En effet, les sites de e-recommandation, en particulier le cas de “ciao”, peuvent stimuler les ventes des sites de e-commerce de diff´erentes fac¸ons [Schafer

et al.(1999)] [Schafer et al.(2001)] :

– En convertissant de simples navigateurs en quˆete d’informations sur le web en acheteurs potentiels, ils sont g´en´erateurs de clients. A un internaute cherchant des renseignements sur un produit ou un service, le site de recommandation va offrir une information utile `a travers une riche base de retours d’exp´eriences d’autres internautes. Le client peut ˆetre int´eress´e par un autre produit, il va avoir la possibilit´e d’acqu´erir l’objet par le biais d’un simple clic sur un lien vers le site de e-commerce qui aura convaincu l’internaute,

– En proposant aux personnes cherchant des recommandations sur certains produits, des liens vers d’autres articles compatibles avec leur recherche ; il s’agit l`a de cross-selling,

– En renforc¸ant la “ loyaut´e ” des cyber-consommateurs : `a partir de l’apprentissage sur les comportements d’achat de la communaut´e (le potentiel des sites de recommandation), les sites de e-commerce pourront ´etablir des profils de consommateurs et am´eliorer ainsi leurs offres pour mieux r´epondre aux attentes des clients. Cet apprentissage peut ˆetre restreint sur des individus prototypes. En effet, dans la communaut´e des consommateurs, on peut identifier des “influenceurs” dont les critiques et les recommandations sont tr`es suivies et

tr`es sollicit´ees par le reste du groupe,

– En permettant de faire de la veille ´economique par la prise en compte des ´evolutions tech-nologiques dans les diff´erents secteurs d’activit´e ce qui peut conduire `a am´eliorer sans cesse la comp´etitivit´e dans l’e-commerce (produits...).