Filtrage collaboratif : un atout dans la manche de Cartamundi

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.

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.

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. »

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. »