Comment Wayfair et Spotify utilisent l’apprentissage automatique pour engager les clients | Sloan du MIT

Que vous parcouriez les allées en ligne de Wayfair pour trouver une section juste ou que vous vous connectiez à une liste de lecture Spotify lors d’une course matinale, les algorithmes d’apprentissage automatique sont la sauce secrète pour garantir une correspondance parfaite.

Wayfair, un premier détaillant numérique axé sur la catégorie domestique, et Spotify, un service multimédia de streaming audio, desservent deux marchés différents. Cependant, les deux sont des entreprises basées sur une plate-forme construites autour des données et des interactions avec les clients, utilisant l’apprentissage automatique pour offrir des expériences utilisateur hautement personnalisées et des recommandations de produits et de contenu organisées.

Lors de la récente conférence EmTech Digital organisée par MIT Technology Review, des experts en apprentissage automatique de Wayfair et Spotify ont donné un aperçu de la manière dont ils exploitent la technologie pour offrir des expériences sur mesure qui favorisent des relations clients durables et rentables.

Chez Wayfair, plus de 3 000 technologues travaillent sur la plateforme, qui relie les clients aux fournisseurs sur un marché de plus de 14 millions de produits répartis sur cinq sites Web. Spotify dessert 406 millions d’utilisateurs actifs sur 184 marchés, ainsi que des millions de créateurs qui ont généré 82 millions de morceaux de musique et 3,6 millions de podcasts.

Pour les deux, le défi de faire des recommandations ponctuelles et des expériences personnalisées se résume à un problème d’échelle.

Vous avez des dizaines de millions ou des centaines de millions d’éléments de contenu et des centaines de millions d’utilisateurs, donc le problème devient multiplicatif, comment déterminez-vous ces connexions de valeur clé, a déclaré Tony Jebara, vice-président de l’ingénierie et responsable de l’apprentissage automatique chez Spotify. En même temps, lorsque vous commencez à recommander l’une des 100 millions de choses à quelqu’un, vous l’aidez vraiment à aller au-delà de ce qu’il pourrait trouver par lui-même.

Wayfair : Aider les clients à trouver le bon produit

Compte tenu de sa concentration sur la catégorie des maisons, où le style et les goûts varient considérablement, Wayfair est convaincu que l’utilisation de la technologie pour offrir des expériences personnalisées lui donne un avantage concurrentiel, selon Fiona Tan, directrice de la technologie de l’entreprise.

Tan a déclaré que l’entreprise applique généralement deux règles pour déterminer les meilleurs cas d’utilisation de l’automatisation. Le premier consiste à identifier les domaines disposant de grandes quantités de données accessibles et pertinentes qui peuvent être exploitées pour obtenir des informations. La seconde est la recherche de problèmes de tolérance à l’incertitude.

« Les tâches avec plus de tolérance pour le pardon des prédictions erronées et où nous avons une voie claire vers les améliorations et le contrôle sont celles qui conviennent le mieux à des degrés d’automatisation plus élevés », a-t-elle déclaré.

C’est un exercice d’équilibre, et Wayfair utilise l’apprentissage automatique dans plusieurs domaines où le risque est plus tolérable, notamment :

Publicité. La société a entièrement optimisé et automatisé le processus d’enchères pour les enchères publicitaires en ligne, garantissant qu’elle sécurise le bon placement pour améliorer son classement de recherche sans surpayer les enchères.

Chercher. Avec les fonctions de recherche de Wayfairs, le défi est double : la plate-forme doit interpréter correctement ce que les clients veulent, même lorsqu’ils demandent en termes vagues, et les fournisseurs doivent fournir des informations appropriées sur les produits afin de renvoyer des résultats optimaux.

Initialement, Wayfair s’est concentré sur la recherche lexicale, où si un client recherchait un canapé rouge, la plateforme ne renverrait que des résultats classés comme canapés rouges. La société a maintenant adopté la recherche sémantique, qui tient compte de la signification des termes de recherche plutôt que de trouver une correspondance littérale. La requête pour un canapé rouge peut renvoyer des canapés bordeaux, car il correspond suffisamment aux critères des utilisateurs.

Cela a été vraiment bon du point de vue de la correspondance et de la satisfaction des clients, a déclaré Tan, expliquant que les ventes de revenus ont augmenté car les clients sont moins susceptibles de quitter le site après une recherche insatisfaisante.

Wayfair travaille également sur des efforts pour développer son catalogue de produits au-delà des données collectées auprès des fournisseurs. Son plan est d’utiliser l’apprentissage automatique pour extraire des informations à partir de données explicites déclarées par les fournisseurs ainsi qu’à travers des données implicites tirées des descriptions de produits spécifiques pour créer des descriptions de produits riches et précises. Parce qu’il existe un niveau de risque raisonnable, servir un produit correspondant aux mauvaises dimensions, par exemple, pourrait éroder la confiance des clients. Wayfair augmente l’apprentissage automatique avec des humains dans la boucle pour assurer une plus grande précision, a déclaré Tan.

Défis de la chaîne d’approvisionnement. Étant donné que les produits Wayfair sont situés à environ 1 000 miles d’un client, en moyenne, il est important de pouvoir connecter les clients avec les produits souhaités qui sont plus proches pour réduire les coûts. Une nouvelle capacité de tri géographique s’appuie sur l’apprentissage automatique pour identifier et booster les produits les plus proches des clients, avec un rayon de 250 miles comme cible.

Il y a un reclassement intéressant que nous faisons, a déclaré Tan. Nous voulons nous assurer que nous équilibrons que le choix des produits est pertinent, mais ceux qui sont plus proches du client sont stimulés.

Spotify : viser une durée de vie de contenu

Chez Spotify, l’apprentissage automatique est la clé pour amener les consommateurs au-delà de la recherche et de la conservation de contenu familier pour encourager l’exploration et de nouvelles expériences.

Si vous laissez la recherche décider de ce que les gens écoutent, ils ne se diversifient pas autant, a déclaré Jebara. Vous devez recommander et pousser les utilisateurs vers de nouvelles choses.

Initialement, Spotify utilisait des techniques d’apprentissage automatique telles que le filtrage collaboratif, qui est une méthode permettant de prédire ce qu’un utilisateur aimera. Désormais, Spotify utilise l’apprentissage automatique pour améliorer les recommandations et la personnalisation.

Les données pertinentes incluent les listes de lecture, les comportements d’écoute des utilisateurs, des informations sur des pistes ou des podcasts spécifiques et des analyses qui illustrent la façon dont les utilisateurs naviguent, ce sur quoi ils cliquent et même ce qu’ils sautent ou aiment. Ces données sont utilisées pour informer les modèles formés pour connaître les goûts des utilisateurs.

Le résultat permet à l’entreprise de personnaliser les expériences des utilisateurs, y compris ce qu’ils voient à travers des éléments tels que la page d’accueil, la page de recherche et les listes de lecture suggérées. Ces mêmes modèles alimentent certaines des nouvelles fonctionnalités de Spotify telles que les listes de lecture mixtes où vous pouvez mélanger vos goûts musicaux avec des amis ou des artistes.

À mesure que les recommandations et les personnalisations gagnent en sophistication, Spotify ne s’appuie pas uniquement sur l’apprentissage automatique. Les connaissances éditoriales humaines sont utilisées pour les listes de lecture algotoriales, dans lesquelles les listes créées par des éditeurs humains sont personnalisées par des algorithmes.

Il s’avère que vous ne pouvez pas tout faire dans le monde avec juste l’apprentissage automatique, a déclaré Jebara. Nous comptons également beaucoup sur nos éditeurs car ils ont des milliards de vrais neurones entre leurs oreilles et sont des experts culturels de pointe qui peuvent nous dire qu’un nouveau genre de musique est en train d’arriver.

Spotify utilise également l’apprentissage par renforcement, un moyen de former des modèles d’apprentissage automatique pour prendre des décisions dans un environnement complexe et incertain, a déclaré Jebara. La société espère l’utiliser pour promouvoir la découverte de nouveaux genres et artistes et encourager les auditeurs à consommer de nouveaux contenus. Spotify a conçu des simulateurs pour modéliser la réaction des utilisateurs à une série de recommandations afin de former plus efficacement les modèles d’apprentissage automatique.

Cela nous donne un excellent moyen de former ces systèmes, a déclaré Jebara. Il s’avère que l’apprentissage par renforcement nous donne déjà d’énormes gains sur les systèmes d’apprentissage automatique et c’est une prochaine frontière vraiment excitante. Nous pensons que la personnalisation doit fournir une durée de vie de contenu plutôt que d’optimiser pour le prochain clic.

Lire ensuite : Apprentissage automatique, expliqué