Le moteur de recommandation suit un processus très logique qui peut se décrire comme suit dans les grandes lignes.
Tout d’abord, le système requiert une décision car un visiteur, dans un certain contexte, est en interaction avec la marque (appel Call center, ouverture d’un email, ouverture d’une page web sur le site e-commerce de l’entreprise…).
Les moteurs de recommandation en temps réel les plus évolués du marché vont passer par une série d’étapes. Celles-ci ont pour but de proposer la meilleure recommandation, le plus vite possible et en accord avec l’objectif que le marketeur a fixé lors de la configuration de son outil de recommandation. Cet objectif est donc la traduction de la stratégie marketing appliquée au moteur de recommandation.
Le processus du moteur de recommandation
Les étapes du moteur de recommandation
- Le moteur applique les règles d’éligibilité permettant ainsi de pré-trier l’audience et les éléments à proposer.
- Le moteur de recommandation dénombre les offres via les règles marketing établies et ses algorithmes.
- Le moteur doit ensuite arbitrer entre les différentes offres possibles, puis proposer sa recommandation au système consommateur.
La grande subtilité du moteur de recommandation se situe donc dans l’équilibre entre les règles métiers et le machine learning.
Configurer son moteur de recommandation en temps réel
Ci-dessous quelques exemples schématisés des étapes de choix de recommandation par un moteur temps réel avec différentes configuration et équilibre règle/ Machine Learning.
Le moteur peut ainsi être entièrement configuré via des règles marketing :
Décision en temps réel : la configuration via les règles marketing
Ou, à l’inverse, entièrement basé sur du machine learning (auto apprenant) :
Décision en temps : la configuration via les règles marketing
Un équilibre peut se mettre en place :
Décision en temps réel : une configuration équilibrée entre l’utilisation des règles marketing et le machine learning
Jusqu’à des cas complexes avec plusieurs règles cohabitant avec le Machine Learning :
Décision en temps réel : les cas complexes