Qu'est-ce que le filtrage collaboratif dans la mode ?
Méthode de recommandation qui suggère des éléments en fonction des choix d'utilisateurs similaires, plutôt que des attributs des produits.
En bref
Le filtrage collaboratif (collaborative filtering) est une méthode de recommandation qui suggère des articles en fonction des choix d'utilisateurs similaires, plutôt que des attributs du produit lui-même. Dans le wholesale de mode, il peut suggérer des modèles à un détaillant parce que des détaillants comparables les ont commandés ensemble.
Comment cela fonctionne-t-il en pratique ?
L'idée de départ est que des personnes qui ont fait les mêmes choix par le passé continueront à le faire. Le système observe les schémas de commandes, de consultations ou d'achats d'un grand nombre d'utilisateurs. Si les détaillants qui ont acheté un certain modèle de maille ont souvent commandé aussi un pantalon donné, le système suggérera ce pantalon à un nouvel acheteur de cette maille. Il n'a pas besoin de savoir à quoi ressemble l'un ou l'autre produit.
Il existe deux approches courantes :
- Fondée sur les utilisateurs : trouver des comptes similaires à celui-ci et suggérer ce qu'ils ont commandé.
- Fondée sur les articles : trouver les articles souvent choisis avec l'article concerné.
Dans la mode, il sert aux suggestions d'assortiment dans un portail B2B, aux fonctions « fréquemment achetés ensemble » de l'e-commerce et à l'identification d'opportunités de vente croisée pour les agents commerciaux.
Pourquoi est-ce important ?
Le filtrage collaboratif capte le comportement d'achat réel, y compris des combinaisons que des règles fondées sur les attributs ne prévoiraient pas. Il peut révéler comment différents types de magasins construisent leurs assortiments et permettre aux petits comptes de profiter des choix de détaillants comparables.
Comment l'IA l'utilise-t-elle ?
Le filtrage collaboratif est une technique centrale des systèmes de recommandation et des moteurs de personnalisation. Les versions modernes utilisent le machine learning pour détecter des schémas cachés et sont généralement combinées à des méthodes fondées sur le contenu et au clustering des comptes ou des clients.
Pièges fréquents
- Démarrage à froid. Les produits tout nouveaux que personne n'a encore achetés ne peuvent pas être recommandés, ce qui pose un vrai problème dans une mode saisonnière.
- Biais de popularité. Les best-sellers sont davantage recommandés, ce qui peut évincer la nouveauté.
- Données clairsemées. Les petites marques ou les catégories de niche peuvent avoir trop peu de commandes pour dégager des schémas fiables.
- Aveuglement au contexte. Les résultats doivent être filtrés selon le marché, la saison et la disponibilité.
Questions fréquentes
Qu'est-ce que le problème du démarrage à froid dans les recommandations de mode ?
C'est la situation où un nouveau produit ou un nouveau compte n'a pas d'historique, si bien que le filtrage collaboratif ne peut pas le recommander. On utilise alors des méthodes fondées sur les attributs et des modèles passés similaires pour combler le manque.
En quoi le filtrage collaboratif diffère-t-il du filtrage fondé sur le contenu ?
Le filtrage collaboratif s'appuie sur le comportement d'utilisateurs similaires, tandis que le filtrage fondé sur le contenu compare des attributs produit comme la catégorie, la couleur et la matière.
