Recommandations d’articles

Passez au niveau supérieur en matière de recommandations avec Braze en créant un moteur de recommandation capable de suggérer à vos utilisateurs des articles et du contenu qui les intéressent vraiment. De la personnalisation des expériences grâce à l’intelligence artificielle à la création de vos propres moteurs avec Liquid ou le contenu connecté, vous trouverez tout ce qu’il faut pour que chaque recommandation compte.

Conditions préalables

Avant de pouvoir créer ou utiliser des recommandations d’articles dans Braze, vous devrez créer au moins un catalogue—seuls les articles de ce catalogue seront recommandés aux utilisateurs.

Types et cas d’usage

Personnalisation par IA

Dans le cadre de la fonctionnalité de recommandations d’articles par IA, les recommandations personnalisées par IA exploitent l’apprentissage profond pour prédire ce qui est le plus susceptible d’intéresser vos utilisateurs ensuite, en se basant sur ce qui a retenu leur attention par le passé. Cette méthode fournit un système de recommandation dynamique et sur mesure qui s’adapte au comportement des utilisateurs.

Les recommandations personnalisées par IA utilisent les 6 derniers mois de données d’interaction avec les articles, comme les achats ou les événements personnalisés, pour construire le modèle de recommandation. Pour les utilisateurs ne disposant pas de suffisamment de données pour une liste personnalisée, les articles les plus populaires servent de solution de repli, afin que vos utilisateurs reçoivent tout de même des suggestions pertinentes.

Avec les recommandations d’articles par IA, vous pouvez également affiner les articles disponibles à l’aide de sélections. Cependant, les sélections utilisant Liquid ne peuvent pas être utilisées dans les recommandations par IA, gardez donc cela à l’esprit lors de la création de vos sélections de catalogue.

Conseil

Les recommandations personnalisées par IA fonctionnent au mieux avec des centaines ou des milliers d’articles et généralement au moins 30 000 utilisateurs disposant de données d’achat ou d’interaction. Il ne s’agit que d’un guide approximatif et ces valeurs peuvent varier. Les autres types de recommandation peuvent fonctionner avec moins de données.

Cas d’usage

En fonction des données d’interaction suivies, les cas d’usage pour ce modèle peuvent inclure :

• achats les plus probables

Article le plus populaire

Le modèle de recommandation « Plus populaire » met en avant les articles avec lesquels les utilisateurs interagissent le plus.

Cas d’usage

En fonction des données d’interaction suivies, les cas d’usage pour ce modèle peuvent inclure la recommandation de :

• les plus populaires
• les plus aimés
• les plus consultés
• populaires dans le panier

Article le plus récent

Le modèle de recommandation « Plus récent » met en avant les articles avec lesquels les utilisateurs interagissent le plus. Utilisez ce modèle pour réduire l’attrition en encourageant les utilisateurs inactifs à se réengager avec du contenu pertinent.

Cas d’usage

En fonction des données d’interaction suivies, les cas d’usage pour ce modèle peuvent inclure la recommandation de :

• cliqués récemment
• aimés récemment
• interactions récentes
• ajoutés récemment

Article tendance

Le modèle de recommandation « Tendance » met en avant les articles ayant affiché la dynamique la plus positive dans les interactions utilisateur récentes. Nous calculons cela à l’aide d’une analyse pondérée d’environ 10 semaines d’historique d’événements, la pondération la plus forte étant appliquée aux 2 dernières semaines environ. Pour éviter que de petites fluctuations n’affectent la qualité des recommandations, nous appliquons un seuil d’activité et des techniques de lissage statistique.

Contrairement au modèle « Plus populaire », qui met en avant des articles avec des interactions constamment élevées, ce modèle met en avant des articles ayant connu une hausse d’interactions. Vous pouvez l’utiliser pour recommander des produits émergents qui connaissent actuellement une traction croissante.

Cas d’usage

En fonction des données d’interaction suivies, les cas d’usage pour ce modèle peuvent inclure la recommandation de :

• achats en tendance
• aimés en tendance

Basé sur les sélections

Les sélections sont des groupes spécifiques de données de catalogue. Lorsque vous utilisez une sélection, vous configurez essentiellement des filtres personnalisés basés sur des colonnes spécifiques de votre catalogue. Cela peut inclure des filtres pour la marque, la taille, l’emplacement, la date d’ajout, et bien plus encore. Cela vous donne le contrôle sur ce que vous recommandez en vous permettant de définir les critères que les articles doivent remplir pour être présentés aux utilisateurs.

Les trois types précédents impliquent tous la configuration et l’entraînement d’un modèle de recommandation dans Braze. Bien que vous puissiez également utiliser des sélections dans ces modèles, vous pouvez aussi couvrir certains cas d’usage de recommandation avec uniquement des sélections de catalogue et la personnalisation Liquid.

Remarque

Si vous utilisez des sélections, le champ de tri et les éventuelles limites ne seront pas utilisés avec les recommandations d’articles par IA. Cela signifie que si vous créez une sélection avec un champ de tri spécifique et limitez le nombre d’articles retournés, ces contraintes ne seront pas appliquées lors du traitement des recommandations d’articles par IA.

Cas d’usage

En fonction des données d’interaction suivies, les cas d’usage pour ce modèle peuvent inclure la recommandation de :

• nouveaux articles
• articles aléatoires

Basé sur des règles

Un moteur de recommandation basé sur des règles utilise les données utilisateur et les informations produit pour suggérer des articles pertinents aux utilisateurs au sein des messages. Il utilise Liquid et les catalogues Braze ou le contenu connecté pour personnaliser dynamiquement le contenu en fonction du comportement et des attributs des utilisateurs.

Les recommandations basées sur des règles reposent sur une logique fixe que vous devez définir manuellement. Cela signifie que vos recommandations ne s’ajusteront pas à l’historique d’achat et aux goûts individuels d’un utilisateur à moins que vous ne mettiez à jour la logique ; cette méthode est donc la plus adaptée aux recommandations qui ne nécessitent pas de mises à jour fréquentes.

Cas d’usage

En fonction des données d’interaction suivies, les cas d’usage pour ce modèle peuvent inclure :

• Rappels de réapprovisionnement : envoi de rappels de réapprovisionnement pour des articles avec un cycle d’utilisation prévisible, comme des vitamines mensuelles ou des courses hebdomadaires, en fonction de leur dernière date d’achat.
• Premiers acheteurs : recommander des kits de démarrage ou des offres d’introduction aux premiers acheteurs pour encourager un second achat.
• Programmes de fidélité : mettre en avant les produits qui maximiseraient les points de fidélité ou les récompenses d’un client en fonction de son solde de points actuel.
• Contenu éducatif : suggérer de nouveaux cours ou contenus en fonction des sujets des supports précédemment consultés ou achetés.

Fonctionnalités d’intelligence artificielle spécifiques au plan

Le tableau suivant décrit les différences entre la version gratuite et la version pro des types de recommandation Personnalisé par l’IA, Plus populaire, Plus récent et Tendance :

<sup>1. Il s’agit de la fréquence à laquelle les recommandations d’articles spécifiques à l’utilisateur sont mises à jour (Personnalisé par l’IA et Plus récent uniquement). Plus populaire et Tendance sont des recommandations globales qui se mettent à jour lors du réentraînement du modèle. Par exemple, si un utilisateur achète un article recommandé sur la base de recommandations d’articles par intelligence artificielle, ses articles recommandés seront mis à jour selon cette fréquence.
2. Les types de recommandation disponibles sont : Personnalisé par l’IA, Plus récent, Plus populaire et Tendance.</sup>

Foire aux questions

Pourquoi des articles « Les plus populaires » apparaissent-ils dans les recommandations d’autres modèles ?

Lorsque le moteur de recommandation établit une liste pour vous, il ajoute d’abord des sélections personnalisées en fonction du modèle spécifique que vous avez choisi, comme « Les plus récents » ou « IA personnalisée ». Si ce modèle remplit moins de 30 articles, Braze ajoute les articles les plus populaires en complément. Les articles personnalisés apparaissent en premier dans la liste, suivis des articles les plus populaires en solution de repli.

Cela se produit dans quelques conditions spécifiques :

• Le modèle trouve moins de 30 articles correspondant à vos critères.
• Les articles concernés ne sont plus disponibles ou en stock.
• Les articles ne répondent pas aux critères de sélection actuels, peut-être en raison d’un changement de stock ou de préférences de l’utilisateur.

Notez que les recommandations fonctionnent de manière indépendante et n’ont aucune connaissance de ce que les autres modèles recommandent. Cela signifie que chaque section peut contenir des articles déjà affichés dans d’autres sections de recommandations IA du même e-mail.

Comment éviter les doublons entre plusieurs sections de recommandations ?

Chaque recommandation fonctionnant de manière indépendante, un même article peut apparaître dans plusieurs sections d’un même message. Pour supprimer les doublons, utilisez Liquid pour suivre les ID d’articles déjà affichés et les ignorer dans les sections suivantes.

Les recommandations existantes sont-elles entraînées chaque semaine après la mise à niveau vers Item Recommendations Pro ?

Oui, mais uniquement après leur prochaine mise à jour planifiée. Les recommandations existantes ne passent pas immédiatement à l’entraînement hebdomadaire et aux prédictions quotidiennes lors de la mise à niveau vers Item Recommendations Pro. Toutefois, elles adopteront automatiquement le nouveau calendrier lors de leur prochain cycle de réentraînement. Par exemple, si une recommandation a été entraînée pour la dernière fois le 1er février et qu’elle est configurée pour se réentraîner tous les 30 jours, elle adoptera le nouveau calendrier hebdomadaire après sa prochaine mise à jour le 2 mars.

Comment faire expirer en même temps toutes les recommandations qui durent plusieurs jours ?

Si vous souhaitez faire expirer toutes les recommandations sur plusieurs jours à une date précise (afin que toutes les recommandations actives reçoivent de nouvelles prédictions en même temps), contactez l’assistance Braze ou votre gestionnaire de la satisfaction client. Les experts en IA de Braze effectuent cette opération manuellement afin de garantir des performances optimales du modèle.

Que se passe-t-il si je modifie le nom de la propriété pour une recommandation d’article par IA active ?

Lorsque vous modifiez le nom de la propriété (chemin de l’ID d’article) et sélectionnez Save & Build, Braze lance une tâche de réentraînement en arrière-plan qui analyse les six derniers mois de données d’interaction en utilisant le nouveau mappage.

Pendant le réentraînement du modèle, les utilisateurs continuent de voir les recommandations de la version précédente. Les recommandations ne changent pas tant que le nouveau modèle n’a pas terminé son entraînement avec succès. Cela signifie :

• Les utilisateurs voient des articles personnalisés issus de l’ancien modèle (ou la solution de repli globale s’ils n’ont pas de recommandations spécifiques).
• Il n’y a aucun temps d’arrêt ni interruption des recommandations pendant le processus de réentraînement.
• La transition de l’ancien modèle vers le nouveau est transparente une fois l’entraînement terminé avec succès.

Les événements associés à l’ancien chemin d’ID d’article sont effectivement ignorés pour le nouveau modèle. Seuls les événements utilisant le nouveau mappage de nom de propriété sont inclus dans le réentraînement.

Que se passe-t-il si la tâche de réentraînement échoue après la modification du nom de la propriété ?

Important

Si la tâche de réentraînement échoue, la recommandation d’article passe entièrement à un état désactivé (non actif). Étant donné que Braze ne revient pas actuellement au dernier modèle entraîné avec succès en cas d’échec de l’entraînement, tout code Liquid faisant référence à cette recommandation échouera et les messages associés ne seront pas envoyés.

Pour réduire ce risque, envisagez l’approche suivante :

1. Créez une nouvelle recommandation d’article avec la configuration de nom de propriété souhaitée.
2. Vérifiez que l’entraînement se termine avec succès.
3. Mettez à jour vos messages pour faire référence à la nouvelle recommandation au lieu de modifier directement une recommandation active.

Cette approche vous permet de tester la nouvelle configuration sans risquer de perturber les messages qui font référence à votre recommandation existante.