PARAMÈTRES ET PRÉFÉRENCES DE CONFIDENTIALITÉ

Nous utilisons des cookies pour personnaliser le contenu et les annonces, pour fournir des fonctionnalités de médias sociaux et pour analyser notre trafic. Nous partageons également des informations sur votre utilisation de notre site avec nos partenaires des médias sociaux, de la publicité et de l'analyse. En savoir plus
cartamundi filtrage collaboratif small
26/09/2019

Filtrage collaboratif : un atout dans la manche de Cartamundi

Comment fonctionne le filtrage collaboratif, quels sont les principaux défis et comment peut-il améliorer l'efficacité ? Découvrez un cas d'usage complet chez Cartamundi, un fabricant belge de cartes à jouer.
« La marque que vous aimez sans le savoir »: c’est ainsi que Cartamundi se présente sur son site Web. Et si vous avez déjà joué à un jeu de société, il y a de grandes chances que vous ayez manipulé des cartes produites par le fabricant de cartes belge. Cependant, leur efficacité opérationnelle n'a rien d'un jeu. Pour optimiser la manière dont ses employés utilisent SAP, Cartamundi expérimente une technologie : le « filtrage collaboratif ».   

Tout comme les cartes de Cartamundi, le filtrage collaboratif est une de ces choses que vous connaissiez déjà sans le savoir. « Chaque fois que vous recevez des recommandations personnalisées de Netflix, Spotify ou Amazon, c'est le filtrage collaboratif qui est à l'oeuvre », explique Katrien Sterken, consultante SAP chez delaware. « C’est le moteur derrière l’expérience Web personnalisée que nous avons appris à aimer. » 

Comment fonctionne le filtrage collaboratif ?

Les systèmes de recommandation utilisent le filtrage collaboratif pour identifier et prédire les modèles de comportement, comme ce que nous « likons », achetons, regardons, écoutons, etc. Dans le « filtrage collaboratif basé sur les éléments », vous comparez sans cesse deux éléments et déterminez le chevauchement entre deux utilisateurs pour ces éléments. Plus le chevauchement est important, plus les similitudes entre les deux éléments sont fortes. Dans le « filtrage collaboratif basé sur l'utilisateur », vous déterminez le chevauchement des éléments entre deux utilisateurs. Cela vous donne une idée de la similarité des utilisateurs. Pour formuler des recommandations pertinentes, le système identifie l'utilisateur le plus similaire et prend un élément que l'utilisateur initial ne détient pas encore

Par exemple, si les utilisateurs A et B aiment presque toutes les mêmes séries sur Netflix, mais que l'utilisateur B a vu (et aimé) Stranger Things et que l'utilisateur A ne l'a pas encore fait, Netflix recommandera probablement cette série à ce dernier. Pour se faire, le filtrage collaboratif requiert un grand nombre d'utilisateurs actifs pour effectuer des prévisions et/ou des recommandations précises. Plus vous disposez de données, meilleures seront les recommandations.

 filtrage collaboratif delaware

Nous pouvons prédire si l'utilisateur E souhaitera un certain casque en comparant ses goûts avec ceux des utilisateurs ayant indiqué des goûts similaires pour d'autres éléments. Dans ce cas, la distance entre les utilisateurs B et E est la même que la distance entre les utilisateurs C et E : les deux éléments se chevauchent. Étant donné que B et C sont les utilisateurs les plus similaires, et que les deux ne veulent pas de casque, il y a de fortes chances que E n'en veuille pas non plus.

Filtrage collaboratif pour l'optimisation d'entreprise

Bien que la personnalisation des recommandations soit une source importante de revenus pour de nombreuses entreprises, les applications de cette technologie vont au-delà de la recherche de nouveaux morceaux à écouter ou de séries à regarder. Dans le cadre de l'experience DEL20, Cartamundi a décidé d'étudier la manière dont le filtrage collaboratif pourrait jouer un rôle pour identifier la façon dont SAP est utilisé dans l'ensemble de l'entrepriseL'objectif est double :

  • Orienter les utilisateurs - via des recommandations - vers des transactions SAP dont ils n'avaient peut-être jamais entendu parler auparavant, mais qui les aideraient probablement à effectuer leur travail de manière plus efficace.
  • Obtenir des informations sur l'utilisation des transactions et des modules SAP en comparant les ensembles de données de plusieurs entreprises. 

Bien entendu, cela nécessitait un mappage minutieux de toutes les transactions SAP au sein de l'entreprise :

  • Quels modules sont les plus utilisés ensemble ?
  • Quels modules sont utilisés par des profils similaires ?

Représentation visuelle des modules SAP souvent utilisés ensemble

Pour obtenir des informations plus complètes sur l'utilisation de SAP, les données transactionnelles d'autres entreprises souhaitant participer à l'expérience ont également été intégrées. Cela a permis de comparer des configurations similaires en matière de transactions les plus utilisées par des utilisateurs similaires dans toutes les sociétés.

Sur la base de ces informations, le système de recommandation est en mesure de « remplir les blancs » quant aux transactions susceptibles d’être utiles à un utilisateur donné et peut aider à « maximiser son efficacité », explique Katrien. « Un bon exemple est celui d'un planificateur de production ayant examiné chaque commande client dans SAP via la transaction VA03. Cette personne ne savait pas qu'il existait également une transaction VA05N, soit une liste de rapports de commandes avec différents critères de sélection. Ce rapport pratique affiche toutes les données de commande nécessaires dans une seule vue. » 

 

Les limites du filtrage collaboratif

L'un des plus grands défis auxquels les expérimentateurs ont été rapidement confrontés était le volume du jeu de données« Nous avons dû limiter nos extractions à 3 mois pour que le traitement soit possible », explique Katrien. « C’est la raison pour laquelle nous cherchons actuellement à passer à un modèle d’apprentissage automatique qui nous permettra de traiter encore plus de données et de faire de meilleures prédictions. »

Le contexte constitue un autre obstacle : la plupart des systèmes de recommandation font encore défaut aujourd'hui. « Combien de fois avez-vous été traqué sur Facebook par une montre vintage ou un autre article que vous avez déjà acheté ? Les erreurs comme celles-ci montrent qu'il reste encore beaucoup à faire en matière de contexte. Dans le cadre de notre expérience avec Cartamundi, cela se manifestait par le fait que les utilisateurs obtenaient des recommandations pour des modules auxquels ils n’avaient pas accès. Pour la prochaine phase de l’expérience, nous ajouterons du contexte pour que les recommandations soient encore plus précises et pertinentes. » 

« Le programme DEL20 de delaware nous a donné l’occasion de développer des idées avec leurs experts en technologie, comme l’expérience SAPFlix, dans une phase conceptuelle. Les deux entreprises en bénéficient directement. »

- Mark Van Den Bosch, DSI de Cartamundi
Le filtrage collaboratif peut-il améliorer le fonctionnement de votre entreprise ? Envoyez-nous un message - nous serions heureux d’étudier la question.