Comment améliorer les recommandations en ligne

Des chercheurs de l’université Erasmus ont publié un nouveau document dans le Journal de marketing qui explore les recommandations en ligne et leur efficacité, fournissant aux spécialistes du marketing des outils leur permettant d'optimiser cet important outil d'engagement.

L’étude, à paraître dans le numéro de novembre du Journal de marketing, s'intitule "Rendre les recommandations plus efficaces grâce au cadrage: impact des cadrages basés sur l'utilisateur sur les clics sur les recommandations selon les utilisateurs" et est rédigé par Phyliss Jia Gai et Anne-Kathrin Klesse.

Les recommandations basées sur des algorithmes sont partout. Imaginez que vous parcourez des articles de presse sur le site Web du New York Times. Vous voyez un article dans la section "Science", trouvez-le intéressant, cliquez sur le titre et commencez à lire. Une fois que vous avez terminé l'article, la page Web génère automatiquement d'autres recommandations d'article afin que vous étendiez votre engagement avec le contenu de la plate-forme. Les recommandations portent le slogan suivant: "Plus de science", la section que vous avez déjà lue.

Bien que la plupart des entreprises expliquent pourquoi les clients reçoivent des recommandations, leurs stratégies spécifiques diffèrent. Certaines sociétés, comme le New York Times, soulignent que les recommandations sont basées sur des éléments: elles reposent sur des attributs communs à tous les produits (par exemple, "More in Science" du New York Times et "Similaire à [what you have listened to]"de Spotify). En revanche, d’autres sociétés soulignent que leurs recommandations sont basées sur les utilisateurs en se concentrant sur le chevauchement des préférences des clients (par exemple," Les clients qui ont visualisé cet élément ont également consulté … ", de Amazon et" Les clients ont également regardé .. . "Netflix). Il est important de noter que les entreprises peuvent expliquer la même recommandation en fonction des éléments ou des utilisateurs, car les systèmes de recommandation actuels adoptent fréquemment une approche hybride tenant compte des attributs communs aux produits et des préférences communes des clients.

L’étude examine laquelle des deux explications (ci-après désignées encadrement par éléments et par utilisateurs) est plus efficace pour déclencher des clics sur une recommandation. L'équipe de recherche suggère que les encadrements basés sur les éléments et les utilisateurs diffèrent en termes d'informations fournies aux clients concernant la manière dont une recommandation est faite. Les deux cadres indiquent aux clients que la recommandation est basée sur une correspondance de produit de l'élément central avec lequel les clients ont manifesté un intérêt: Le cadre basé sur l'article correspond aux produits par leurs attributs, tandis que le cadre basé sur l'utilisateur correspond aux produits par leurs consommateurs. De manière critique, le cadrage basé sur l'utilisateur suggère également aux clients que la recommandation est basée sur la correspondance des goûts entre les utilisateurs partageant un intérêt pour l'élément central. En fournissant des informations sur la correspondance des goûts allant au-delà de la correspondance des produits, le cadrage basé sur l'utilisateur sert en quelque sorte de "double garantie" aux clients qui aiment le produit recommandé.

Pour vérifier si le cadrage basé sur l'utilisateur dépassait le cadrage basé sur les éléments en termes de clics sur les recommandations, les chercheurs ont mené deux études sur le terrain au sein de WeChat, la première application de médias sociaux en Chine. Ils ont collaboré avec une société de médias qui publie des articles de vulgarisation scientifique et des résumés de recherches universitaires sur WeChat et a intégré une paire de recommandations à la fin de l’article central de chaque journée. Un article a été recommandé en utilisant un cadrage basé sur l'utilisateur et l'autre en utilisant un cadrage basé sur un élément. Gai explique que "dans les deux études, le cadrage basé sur l'utilisateur augmentait le taux de clic des articles recommandés par rapport au cadrage basé sur les éléments. Interrogés sur leur compréhension des deux cadres, les abonnés ont répondu qu'ils voyaient les deux base de recommandations, mais le cadrage basé sur l'utilisateur signale également la correspondance des goûts. Cela confirme que le cadrage basé sur l'utilisateur fournit des informations supplémentaires. "

"Cependant, les clients ne voient pas toujours le mariage des goûts comme une réussite", ajoute Klesse. "Lorsque l'appariement des goûts est perçu comme inexact, l'encadrement basé sur l'utilisateur n'est plus plus avantageux que l'encadrement basé sur les articles ou devient même désavantageux." Un facteur essentiel qui contribue au succès perçu de la correspondance des goûts est le niveau d'expérience déjà accumulé par les clients dans un domaine de consommation. Les personnes plus expérimentées ont tendance à considérer leurs propres goûts comme idiosyncratiques. En conséquence, il leur est plus difficile de croire que leurs goûts peuvent être mis en correspondance avec les goûts des autres personnes basés sur un seul élément central. Un autre facteur critique est la présence de profils d'autres utilisateurs. Les entreprises affichent parfois les informations d'autres utilisateurs intéressés par la recommandation, mais ces informations se retournent contre elles lorsqu'elles indiquent aux clients qu'ils sont différents des autres utilisateurs. Des indices de dissemblance, tels que l'âge et le sexe, amènent les gens à déduire que leurs goûts diffèrent de ceux des autres utilisateurs et conduisent les clients à se soustraire aux recommandations formulées par les utilisateurs.

Ces nouvelles découvertes sont pertinentes pour les entreprises qui utilisent des recommandations de produits. La recherche suggère que l'explication compte pour la raison pour laquelle les clients voient une recommandation. Il est important de noter que l’adaptation de l’explication d’une recommandation entraîne un coût quasi nul et constitue donc un outil efficace qui peut aider les entreprises à optimiser le rendement des systèmes de recommandation. Il est important de noter que l’étude met en évidence les situations dans lesquelles le cadrage basé sur l’utilisateur est plus efficace que le cadrage basé sur les éléments et dans lesquelles il devient désavantageux. En tirant parti de ces résultats, les responsables peuvent adapter le contenu de leurs recommandations à différents clients et produits et ainsi augmenter les taux de clics.