Qu’est-ce qu’un système de recommandation ?

Vous savez, lorsque Netflix suggère une émission et vous vous demandez : « Comment l'a-t-il su ? » Ou quand Amazon vous montre des produits qui sont étrangement parfaits pour vous ? C'est un système de recommandation au travail. Il s'agit essentiellement d'un logiciel qui examine ce que vous (et des personnes comme vous) avez fait dans le passé et qui l'utilise pour deviner ce que vous voudrez probablement ensuite.

La bonne nouvelle ? Vous n'avez pas besoin d'être Netflix pour en créer un. Si vous êtes un développeur solo qui crée une application, un blog ou une boutique en ligne, vous pouvez ajouter des recommandations pour fidéliser vos utilisateurs. Décrivons comment ces choses fonctionnent réellement, dans un anglais simple, avec des exemples réels que vous pouvez suivre.

Les deux approches principales (avec des exemples réels)

Il n’y a en réalité que deux idées fondamentales derrière chaque système de recommandation. Une fois que vous les comprenez, tout le reste n’est que des variations sur le thème.

1. Filtrage collaboratif : "Les gens comme vous ont également aimé..."

Cette approche examine ce que des utilisateurs similaires ont fait. Ça s'en fichequoile contenu l’est réellement. Il remarque simplement des modèles de comportement.

Exemple concret :Supposons que vous créez une application de critique de livres. L'utilisateur A a adoré les livres n°1, n°2 et n°3. L'utilisateur B a adoré les livres n°1 et n°2 mais n'a pas encore vu le tome n°3. Le filtrage collaboratif indique : "L'utilisateur B adorera probablement aussi le livre n°3, car il a les mêmes goûts que l'utilisateur A."

C'est exactement ainsi que fonctionne la playlist « Discover Weekly » de Spotify. Il trouve les utilisateurs ayant des habitudes d'écoute similaires aux vôtres, puis recommande des chansons qu'ils ont aimées et que vous n'avez pas encore entendues.

2. Filtrage basé sur le contenu : "Parce que vous avez aimé cette chose spécifique..."

Cette approche examine les caractéristiques réelles de ce avec quoi un utilisateur a interagi, puis trouve d'autres éléments présentant des caractéristiques similaires.

Exemple concret :Vous créez une application de recettes. Un utilisateur continue de sauvegarder des recettes de pâtes végétariennes qui prennent moins de 30 minutes. Le filtrage basé sur le contenu recommanderait d'autres plats de pâtes végétariens rapides, même si aucun autre utilisateur ne les a encore essayés, car leingrédients et attributscorrespondre à ce que cet utilisateur préfère clairement.

La barre latérale « Vidéos associées » de YouTube fonctionne de cette façon. Il examine les balises, le titre et la catégorie de ce que vous regardez, puis trouve des vidéos avec des attributs similaires.

Deux types de systèmes de recommandation

👥

Filtrage collaboratif
"Les utilisateurs comme vous ont également apprécié..." (Spotify, Amazon)

🔍

Filtrage basé sur le contenu
"Parce que cet objet a des caractéristiques similaires..." (YouTube, Netflix)

🧪

Hybride (le meilleur des deux)
Combinez les deux pour de meilleurs résultats (ce que font la plupart des grandes applications)

📈

Basé sur la popularité (démarrage le plus simple)
"Le plus populaire cette semaine" - aucune donnée utilisateur n'est nécessaire

⏱️

Mises à jour en temps réel
Adaptez-vous instantanément lorsque les utilisateurs interagissent avec votre application

Qu’en est-il des intégrations ? (C'est plus simple qu'il n'y paraît)

Vous entendrez souvent le terme « intégrations » dans les didacticiels sur les systèmes de recommandation. Cela semble intimidant, mais l’idée est extrêmement simple.

Pensez-y comme ceci : imaginez que chaque utilisateur et chaque élément de votre application soit placé sur une carte géante. Les utilisateurs qui aiment des choses similaires se retrouvent rapprochés sur la carte. Les éléments similaires finissent également par être rapprochés. Une "intégration" correspond simplement aux coordonnées (l'emplacement) d'un utilisateur ou d'un élément sur cette carte.

Exemple concret :Dans une application musicale, un utilisateur qui écoute du jazz, du blues et de la soul serait placé à proximité de ces genres sur la carte. Un utilisateur qui écoute du métal et du punk se trouverait dans un tout autre domaine. Lorsqu'un nouvel album de jazz sort, le système vérifie quels utilisateurs sont « proches » du jazz sur la carte et le leur recommande.

Pourquoi c'est important si vous créez une application seul

Si vous êtes un développeur solo, l'ajout même d'un simple système de recommandation peut changer la donne pour maintenir l'engagement des utilisateurs. Voici pourquoi :

Les utilisateurs restent plus longtemps.Lorsque les gens voient du contenu qui leur semble personnellement choisi, ils passent plus de temps dans votre application. Pensez à la façon dont vous continuez à faire défiler TikTok, car il continue de vous montrer exactement ce qui vous passionne.
Les utilisateurs découvrent davantage votre contenu.Si vous avez un blog contenant 200 articles, la plupart des visiteurs ne verront que les derniers. Une section « Vous pourriez également aimer » peut faire apparaître des articles plus anciens qui sont toujours pertinents pour chaque lecteur.
Les utilisateurs reviennent plus souvent.Les résumés personnalisés par e-mail (« Voici les nouveautés en fonction de vos intérêts ») donnent aux gens une raison de revenir. C'est ainsi que Medium vous permet de cliquer sur les articles.

Comment en construire un (étape par étape)

Voici une feuille de route pratique qui ne vous submergera pas :

Commencez par suivre ce que font les utilisateurs.Avant de pouvoir recommander quoi que ce soit, vous avez besoin de données. Suivez les clics, les likes, les sauvegardes, le temps passé sur les pages, les achats, tout ce qui a du sens pour votre application. Même une simple table de base de données commeidentifiant_utilisateur | article_id | actions | horodatagesuffit pour commencer.
Commencez par l’approche la plus simple.Ne passez pas directement à l’apprentissage automatique. Commencez par « articles les plus populaires » ou « les utilisateurs qui ont acheté X ont également acheté Y ». Pour une petite application, quelques requêtes SQL peuvent générer des recommandations étonnamment bonnes.
Diplômé dans une bibliothèque lorsque vous êtes prêt.PythonBibliothèque surpriserend le filtrage collaboratif très simple. Vous pouvez avoir un modèle de recommandation fonctionnel dans environ 20 lignes de code.Recommandations TensorFlowc'est génial si vous voulez aller plus loin.
Gardez-le frais.Les recommandations deviennent rapidement obsolètes. Configurez une tâche hebdomadaire pour recycler votre modèle avec de nouvelles données. Le goût d'un utilisateur en janvier pourrait être complètement différent d'ici mars.

Si vous ne souhaitez pas le créer vous-même, les services gérés peuvent gérer le gros du travail.AWS Personnaliservous permet d'alimenter vos données et d'obtenir des recommandations via une API.L'IA des recommandations de Googlefait la même chose. Les deux proposent des niveaux gratuits suffisamment généreux pour les petites applications.

Construire votre premier système de recommandation

Suivre les actions des utilisateurs

Enregistrez les clics, les likes, les achats et le temps passé

Commencez simplement

"Le plus populaire" ou "également acheté" avec les requêtes SQL de base

Ajouter une bibliothèque

Utilisez les recommandateurs Surprise ou TensorFlow de Python

Recyclage hebdomadaire

Gardez les recommandations à jour à mesure que les goûts des utilisateurs changent

Mesurez ce qui fonctionne

Suivez les taux de clics sur vos recommandations

Points clés à retenir

Vous n'avez pas besoin d'être un data scientist.Une simple requête « les personnes qui ont aimé X ont également aimé Y » peut faire des merveilles pour une petite application.
Commencez par ce que vous avez.Même les données de base sur les clics suffisent pour formuler des recommandations utiles.
Il existe des outils gratuits qui font le gros du travail.Les bibliothèques comme Surprise et les services gérés comme AWS Personalize proposent des niveaux gratuits parfaits pour les développeurs solo.
Gardez-le frais.Entraînez régulièrement votre modèle. Les recommandations périmées sont pires que l’absence de recommandations.
Mesurez l’impact.Vérifiez si les utilisateurs cliquent réellement sur vos recommandations. Si ce n’est pas le cas, modifiez votre approche.

Conclusion

Les systèmes de recommandation ne sont pas réservés aux géants de la technologie dotés d’énormes équipes d’ingénierie. En tant que développeur solo, vous pouvez commencer avec quelque chose d'aussi simple que « le plus populaire cette semaine » et progresser progressivement vers des suggestions personnalisées basées sur des données utilisateur réelles. Les outils sont gratuits, les bibliothèques sont adaptées aux débutants et l'impact sur l'engagement des utilisateurs peut être énorme.

La clé est de commencer. Suivez le comportement des utilisateurs, essayez une approche simple et itérez à partir de là. Vos utilisateurs remarqueront la différence.

Pour en savoir plus, consultezGuide des systèmes de recommandation de Google, AWS Personnaliser, et leDocumentation surprise de la bibliothèque.