Pourquoi un client achète-t-il un produit qui n’a a priori aucun rapport avec son « profil d’acheteur » ? En février, à l’occasion de la conférence ACM portant sur la recherche et l’exploration des données, Amazon présentera une nouvelle étude sur le comportement d’achat de ses clients.

Comprendre le comportement d’achat grâce à l’IA

Amazon cherche sans cesse à s’améliorer. Récemment la plateforme disait qu’elle allait se servir de l’IA pour répondre précisément aux requêtes des clients, quelle que soit leur langue. Dans un autre rapport publié par des chercheurs d’Amazon, nous pouvons lire que les clients ont un faible pour les produits qui sont considérés comme étant « populaires » ou pour des produits « moins chers ». Grâce à l’intelligence artificielle et notamment aux données recueillies grâce à son assistant vocal, Amazon est capable d’établir un profil de consommation type par utilisateur.

L’entreprise de Jeff Bezos fait aujourd’hui le constat que malgré un profil bien défini, les clients continuent d’acheter des produits « non pertinents ». Ce rapport tente d’expliquer pourquoi. Les chercheurs estiment également que les acheteurs sont largement plus susceptibles d’acheter des produits non pertinents dans quelques catégories, notamment les jouets et les produits numériques. Ce n’est pas absolument pas le cas dans des catégories comme les produits de beauté ou l’épicerie.

Amazon veut optimiser ses algorithmes de recherche de produits, notamment celui qui aide les clients à passer des commandes par l’intermédiaire d’Alexa. L’objectif de cet algorithme est de proposer les produits les plus pertinents à l’utilisateur, en fonction de son profil. À cause de cette « irrégularité » relevée dans le comportement d’achat des clients, Amazon cherche à perfectionner son modèle.

Des tests permettent de trouver la combinaison idéale

Au cours d’un test, l’équipe de chercheurs a utilisé 1 500 requêtes pour former trois modèles différents de machine learning : l’un enseigné pour maximiser la pertinence, le deuxième pour maximiser le niveau d’achat et le troisième pour maximiser le niveau d’engagement. Ils ont ensuite construit deux modèles de fusion – un qui combinait le modèle de pertinence et le modèle d’engagement et un autre qui combinait le modèle de pertinence et le modèle d’achat.

Les chercheurs affirment qu’il y a un compromis parfait entre la pertinence et le niveau d’achat. En effet, l’amélioration du rendement d’un critère a eu une incidence sur le rendement de l’autre. D’après Lewin-Eytan, directeur de l’étude :

« Les modèles que nous avons utilisé pour évaluer le compromis entre la pertinence et le niveau d’achat étaient assez grossiers. Un modèle de machine learning plus complexe devrait pouvoir obtenir de meilleurs résultats, en particulier s’il est explicitement formé pour prendre en compte certains des facteurs que nous avons identifiés précédemment, tels que la longueur de la requête, le prix et la relation indirecte. Bien qu’ils soient encore préliminaires, nos résultats apportent de nouvelles idées sur la façon de concevoir des algorithmes de recherche de produits et suggèrent que la pertinence objective et les facteurs d’achat doivent être pris en compte dans les résultats proposés aux clients« .