Site e-commerce vedette, Veepee c’est 250 offres par jour attirant 2 millions de visiteurs. Et pour s’assurer de maximiser ses ventes, l’e-commerçant mise sur un moteur de recommandation exploitant l’intelligence artificielle.
A lire aussi : Le « Wifi as a service », pour une expérience homogène en point de vente
Pour y répondre, les sites ont développé depuis des années des moteurs de recommandation. Avec l’intelligence artificielle, les méthodes employées évoluent cependant. C’est le cas notamment chez Veepee, pépite française du e-commerce et membre du classement Next40 des startups hexagonales.
Des techniques de recommandation insatisfaisantes
Le spécialiste des ventes flash sur Internet propose chaque jour, à 7h et 19h, 250 produits, attirant 2 millions de visiteurs uniques. Chacune de ces offres, au spectre très large (voyage, mode, etc.) reste en ligne 5 jours. Durant ce laps de temps, Veepee cherche donc à maximiser le taux de conversion, c’est-à-dire la transformation de la visite en acte d’achat.
Avec autant de produits disponibles à l’écran, cela peut relever du challenge. Simplifier l’achat en recommandant en priorité au visiteur les offres qu’il est le plus susceptible d’acheter, c’est justement le principe du moteur de recommandation. Dans ce domaine différentes approches existent, mais celles-ci peuvent présenter des inconvénients.
C’est le cas par exemple du modèle de recommandation dit « content based » consistant à s’appuyer sur les achats passés pour recommander des produits similaires au client. Toutefois, comme le précise Amine Zghal, Senior Data Scientist pour Veepee, cette approche s’accompagne d’un effet bulle et donc d’une faible diversité dans les produits recommandés.
Le « collaborative filtering », basé lui sur des similarités entre acheteurs, comporte également des effets non souhaités par l’e-commerçant, notamment en négligeant les données de contexte. Pour son moteur de recommandation, l’équipe Data Science de Veepee a donc opté en 2018 pour un modèle hybride à base d’intelligence artificielle.
A chaque visiteur sa page d’offres personnalisée
Son but est de calculer un score d’affinité pour les offres afin d’établir des priorités entre elles. En fonction des scores, la page d’accueil du site est ainsi personnalisée pour chaque visiteur. Le modèle d’IA doit d’ailleurs être particulièrement performant puisque le ranking à l’écran doit s’effectuer en 50 millisecondes, soit pendant le temps de chargement de la page d’accueil.
Pour y parvenir, un réseau de neurones siamois (de type pairwise loss pour les experts) a été mis au point. En entrée du modèle, différentes sources de données sont ingérées, relatives par exemple au contexte (météo, jour de la semaine, heure…), au client et à son activité, mais aussi à la description de la vente et à sa performance commerciale.
Depuis sa version 1 fin 2018, le moteur de recommandation a fait l’objet de multiples itérations. En juin 2021, le modèle était ainsi en version 12. Au fil de ces évolutions, Veepee a étendu ses recommandations à une part croissante du trafic, 5% en 2018 et désormais 99%. Et les gains de performance sont très significatifs.
La V1 permettait une amélioration du taux de conversion d’environ 3% par rapport au classement manuel des ventes sur la page d’accueil. Désormais, après plus de 3 ans d’itérations et 28 variations testées, le gain sur le taux de conversion avoisine les 15%. Pour atteindre ce score, Veepee a dû relever quelques défis.
Prouver la valeur de l’IA aux métiers et lever les doutes
« Le premier challenge que connaît tout data scientist, c’est de disposer de la donnée, de bonne qualité et fraiche », témoigne Amine Zghal. Or, au lancement, l’e-commerçant ne disposait pas de son data lake actuel.
L’ingestion de la donnée et son nettoyage devaient donc s’effectuer manuellement. Techniquement, l’entreprise a aussi dû relever le défi de la rapidité et de la disponibilité (99,9%). Ces tâches sont simplifiées désormais. Et Veepee travaille à présent à l’automatisation de l’entrainement (une fois par mois) du modèle sur Google Cloud.
Mais l’exploitation de l’intelligence artificielle ne se cantonne pas à des enjeux technologiques. Le département Data Science devait aussi rassurer les métiers et lever leurs craintes à l’égard d’un système perçu comme une boîte noire. De mauvaises performances commerciales pouvaient donc être imputées par le business à l’IA.
« Nous avons organisé de nombreuses réunions pour expliquer simplement le fonctionnement de l’algorithme et comment nous créons de la valeur en modifiant le ranking des ventes pour chaque membre. Nous avons pu transformer cette méfiance et ce doute en un partenariat solide avec les business units et le marketing afin de lancer de nouveaux projets », se félicite le data scientist.