\u00c0 l\u2019automne 2017, le CRIM a termin\u00e9 un partenariat de recherche et d\u00e9veloppement conclu avec L\u2019Or\u00e9al Canada. Le projet consistait en la conception d\u2019outils pouvant faciliter les recommandations de produits personnalis\u00e9es pour les clients de L\u2019Or\u00e9al Canada. Les algorithmes d\u00e9velopp\u00e9s utilisent la technique du filtrage collaboratif (collaborative filtering), une forme d\u2019apprentissage automatique, afin de d\u00e9velopper des syst\u00e8mes de recommandation.<\/p>\n
Le CRIM a r\u00e9alis\u00e9 l\u2019algorithme de base et a cr\u00e9\u00e9 un outil que L\u2019Or\u00e9al Canada pourra int\u00e9grer dans ses syst\u00e8mes de communication. La collaboration avec le CRIM et le transfert de connaissances qui en r\u00e9sulte leur permettra de s\u2019approprier les bases d\u2019un syst\u00e8me de recommandation qu\u2019ils pourront ensuite adapter \u00e0 leurs besoins sp\u00e9cifiques.<\/p>\n
Afin de tester le fonctionnement de l\u2019outil, des campagnes courriel contenant des suggestions de produits personnalis\u00e9es ont \u00e9t\u00e9 envoy\u00e9es aux clients du groupe. L\u2019Or\u00e9al Canada a observ\u00e9 une plus grande r\u00e9activit\u00e9 de la part des clients lorsque les recommandations \u00e9taient adapt\u00e9es au profil de chacun des destinataires.<\/p>\n
Le filtrage collaboratif est une technique du domaine de l\u2019intelligence artificielle qui vise \u00e0 construire des syst\u00e8mes de recommandation utilisant les opinions et \u00e9valuations d\u2019un groupe pour aider l\u2019individu \u00e0 faire des choix. Afin que l\u2019algorithme puisse s\u00e9lectionner quels produits seront recommand\u00e9s \u00e0 chaque personne, il faut pouvoir regrouper les clients selon certains crit\u00e8res. Certains syst\u00e8mes de recommandation se fient sur des donn\u00e9es sociod\u00e9mographiques (\u00e2ge, sexe, lieu de r\u00e9sidence\u2026) pour recommander des produits similaires aux usagers qui partagent des caract\u00e9ristiques similaires. D\u2019autres syst\u00e8mes utilisent les caract\u00e9ristiques des produits afin de cibler leurs recommandations. Par exemple, si la majorit\u00e9 des produits achet\u00e9s par un usager sont des cosm\u00e9tiques parfum\u00e9s \u00e0 la vanille, le syst\u00e8me pourrait recommander plus fr\u00e9quemment des produits contenant cette fragrance.<\/p>\n
Les experts du CRIM, quant \u00e0 eux, ont plut\u00f4t utilis\u00e9 l\u2019historique d\u2019achat des utilisateurs afin de b\u00e2tir leur syst\u00e8me de recommandation. Ils se sont bas\u00e9s \u00e0 la fois sur les meilleurs vendeurs, qui sont recommand\u00e9s au plus grand nombre de clients possible, et sur les regroupements de clients selon leurs achats pass\u00e9s. Par exemple, si deux clients se sont souvent procur\u00e9s les m\u00eames produits, le syst\u00e8me peut d\u00e9terminer que leur profil est similaire et donc qu\u2019ils pourraient \u00eatre int\u00e9ress\u00e9s aux m\u00eames produits dans l\u2019avenir. Dans ce cas, il sugg\u00e9rerait peut-\u00eatre \u00e0 l\u2019un des produits achet\u00e9s par l\u2019autre, et vice versa.<\/p>\n
L\u2019outil d\u00e9velopp\u00e9 par le CRIM permet aussi de proposer \u00e0 un client qui n\u2019ach\u00e8te que des produits provenant d\u2019une des marques du groupe L\u2019Or\u00e9al Canada (qui en compte 39) des produits d\u2019une autre marque, tout en \u00e9vitant de placer les diff\u00e9rentes marques en comp\u00e9tition l\u2019une avec l\u2019autre. L\u2019\u00e9quipe d\u00e9sirait aussi inclure les achats en boutique dans ses calculs, pour que ceux-ci puissent influer sur les recommandations envoy\u00e9es par courriel, mais comme la plupart des clients ne fournissent pas leur courriel lors des transactions en personne, il n\u2019\u00e9tait actuellement pas possible de r\u00e9colter suffisamment de donn\u00e9es pour les traduire en un algorithme efficient.<\/p>\n","protected":false},"excerpt":{"rendered":"
\u00c0 l\u2019automne 2017, le CRIM a termin\u00e9 un partenariat de recherche et d\u00e9veloppement conclu avec L\u2019Or\u00e9al Canada. Le projet consistait en la conception d\u2019outils pouvant faciliter les recommandations de produits personnalis\u00e9es pour les clients de L\u2019Or\u00e9al Canada. Les algorithmes d\u00e9velopp\u00e9s utilisent la technique du filtrage collaboratif (collaborative filtering), une forme d\u2019apprentissage automatique, afin de d\u00e9velopper […]<\/p>\n","protected":false},"author":34,"featured_media":1002,"menu_order":0,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":"","_links_to":"","_links_to_target":""},"projets":[349,335],"tags":[26,29,25,27,28],"class_list":["post-648","projet","type-projet","status-publish","format-standard","has-post-thumbnail","hentry","projets-dev-exp","projets-sci-don","tags-apprentissage-automatique","tags-commerce-de-detail","tags-intelligence-artificielle","tags-science-des-donnees","tags-systeme-de-recommandation"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/projet\/648","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/projet"}],"about":[{"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/types\/projet"}],"author":[{"embeddable":true,"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/users\/34"}],"version-history":[{"count":3,"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/projet\/648\/revisions"}],"predecessor-version":[{"id":6971,"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/projet\/648\/revisions\/6971"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/media\/1002"}],"wp:attachment":[{"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/media?parent=648"}],"wp:term":[{"taxonomy":"projets","embeddable":true,"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/projets?post=648"},{"taxonomy":"tags","embeddable":true,"href":"https:\/\/www.crim.ca\/fr\/wp-json\/wp\/v2\/tags?post=648"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}