Recommandations de produits personnalisés pour les clients de L'Oréal Canada


Résumé : À l’automne 2017, le CRIM a terminé un partenariat de recherche et développement conclu avec L’Oréal Canada. Le projet consistait en la conception d’outils pouvant faciliter les recommandations de produits personnalisées pour les clients de L’Oréal Canada. Les algorithmes développés utilisent la technique du filtrage collaboratif (collaborative filtering), une forme d’apprentissage automatique, afin de développer des systèmes de recommandation.

Projet : Le CRIM a réalisé l’algorithme de base et a créé un outil que L’Oréal Canada pourra intégrer dans ses systèmes de communication. La collaboration avec le CRIM et le transfert de connaissances qui en résulte leur permettra de s’approprier les bases d’un système de recommandation qu’ils pourront ensuite adapter à leurs besoins spécifiques.

Test de l’outil et résultats
 

Afin de tester le fonctionnement de l’outil, des campagnes courriel contenant des suggestions de produits personnalisées ont été envoyées aux clients du groupe. L’Oréal Canada a observé une plus grande réactivité de la part des clients lorsque les recommandations étaient adaptées au profil de chacun des destinataires.

Fonctionnement : Filtrage collaboratif
 

Le filtrage collaboratif est une technique du domaine de l’intelligence artificielle qui vise à construire des systèmes de recommandation utilisant les opinions et évaluations d'un groupe pour aider l'individu à faire des choix. Afin que l’algorithme puisse sélectionner quels produits seront recommandés à chaque personne, il faut pouvoir regrouper les clients selon certains critères. Certains systèmes de recommandation se fient sur des données sociodémographiques (âge, sexe, lieu de résidence…) pour recommander des produits similaires aux usagers qui partagent des caractéristiques similaires. D’autres systèmes utilisent les caractéristiques des produits afin de cibler leurs recommandations. Par exemple, si la majorité des produits achetés par un usager sont des cosmétiques parfumés à la vanille, le système pourrait recommander plus fréquemment des produits contenant cette fragrance.

Les experts du CRIM, quant à eux, ont plutôt utilisé l’historique d’achat des utilisateurs afin de bâtir leur système de recommandation. Ils se sont basés à la fois sur les meilleurs vendeurs, qui sont recommandés au plus grand nombre de clients possible, et sur les regroupements de clients selon leurs achats passés. Par exemple, si deux clients se sont souvent procurés les mêmes produits, le système peut déterminer que leur profil est similaire et donc qu’ils pourraient être intéressés aux mêmes produits dans l’avenir. Dans ce cas, il suggérerait peut-être à l’un des produits achetés par l’autre, et vice versa.

Autres fonctionnalités
 

L’outil développé par le CRIM permet aussi de proposer à un client qui n’achète que des produits provenant d’une des marques du groupe L’Oréal Canada (qui en compte 39) des produits d’une autre marque, tout en évitant de placer les différentes marques en compétition l’une avec l’autre. L’équipe désirait aussi inclure les achats en boutique dans ses calculs, pour que ceux-ci puissent influer sur les recommandations envoyées par courriel, mais comme la plupart des clients ne fournissent pas leur courriel lors des transactions en personne, il n’était actuellement pas possible de récolter suffisamment de données pour les traduire en un algorithme efficient.

 

Ce projet a mis à l’œuvre l’expertise du CRIM en intelligence artificielle, en apprentissage automatique et en science des données.

Équipes

Nouvelles récentes

  • Le CRIM partie prenante d'un vaste projet technologique autour des langues autochtones canadiennes!
    05/12/2018

    Le CRIM est fier d’annoncer le début d’une collaboration à long terme avec le Conseil national de recherches du Canada (CNRC) dans le cadre d’un projet visant à encourager la revitalisation et la préservation des langues autochtones grâce aux technologies

    +

Événement à venir

  • HASE 2019
    3/01/19 2019h00
    Hangzhou, China
    Le CRIM présentera deux articles à la 19e édition du IEEE International Symposium on High Assurance Systems Engineering, qui se déroulera du 3 au 5 janvier 2019 à Hangzhou, Chine
    +
  • Montréal International RT @MTLINTL: #DYK Montréal has one of the deepest #AI talent pools in the world ???? More details ???? https://t.co/R073su8k8z #NeurIPS #NeurIPS2…
  • Tom Landry RT @Tom_Landry_: Hey @opengeospatial and @CRIM_ca ! Poster is set up at #AGU18 to present (draft) work of #MachineLearning task of Testbed-…

Publications récentes

  • Towards Automatic Feature Extraction for Activity Recognition from Wearable Sensors: A Deep Learning Approach

    +
  • Checking Sequence Generation for Symbolic Input/Output FSMs by Constraint Solving

    +