Alors que de plus en plus de gens vont en ligne pour faire du shopping, comprendre comment ils s'appuient sur les systèmes de recommandation du commerce électronique pour effectuer des achats est de plus en plus important. Les chercheurs de Penn State suggèrent maintenant que ce n'est pas seulement ce qui est recommandé, mais comment et pourquoi c'est recommandé, qui contribue à façonner l'opinion des consommateurs.

Dans une étude, les chercheurs ont étudié comment les gens réagissaient à deux systèmes de recommandation de produits. Le premier système générait des recommandations basées sur les achats antérieurs de l'utilisateur, souvent appelés systèmes de recommandation basés sur le contenu. Le second a fourni des recommandations basées sur ce que d'autres personnes ont acheté, appelées systèmes de recommandation collaboratifs.

Les chercheurs, qui rapportent leurs conclusions dans le Journal de la publicité , ont constaté que les personnes qui aiment réfléchir et résoudre les problèmes par elles-mêmes (un type de personnalité que les chercheurs décrivent comme un « grand besoin de cognition ») trouvent les recommandations basées sur le contenu plus persuasives. Cependant, ceux qui ont un faible besoin de cognition sont plus convaincus par les systèmes de recommandation collaboratifs, ce qui peut servir de signal que d'autres acheteurs ont déjà contrôlé le produit pour eux.

La nature du système de recommandation et son degré de confiance pour suggérer les bons produits peuvent être très importants pour guider les gens lors de leurs achats en ligne, dit S. Shyam Sundar, James P. Jimirro Professeur de Media Effects au Donald P. Bellisario College of Communications et co-directeur du Media Effects Research Laboratory.

"A l'ère pré-Internet, avant l'intelligence artificielle, nous demanderions à une autre personne lors d'un cocktail, 'J'ai entendu dire que tu étais allé en Italie, pouvez-vous me donner quelques recommandations, j'y vais le mois prochain, ' comme moyen de recueillir des informations pour prendre nos décisions, " dit Sundar, qui est également affilié à l'Institute for Computational and Data Sciences de Penn State. "Maintenant, nous allons en ligne et pouvons accéder aux informations de presque tous ceux qui sont allés en Italie le mois dernier, pas seulement l'ami que vous avez rencontré au cocktail. Vous êtes maintenant en mesure d'obtenir ces informations sur l'expérience collective des autres, ainsi que la façon dont cela correspond à votre propre passé et à vos voyages antérieurs."

Selon Mengqi Liao, doctorant en communication de masse et premier auteur de l'article, un subtil « effet d'entraînement » peut persuader les gens.

« Du point de vue d'un profane, nous ne savons peut-être pas qu'il s'agit en fait de deux systèmes de recommandation différents, " a déclaré Liao. " Un système pourrait simplement dire au client que la recommandation est basée sur ce qu'il a acheté auparavant. Mais le système de recommandation collaboratif indique que beaucoup d'autres personnes ont acheté ce produit, ce qui ajoute une autre couche d'attrait persuasif."

Les chercheurs ont également constaté que l'efficacité des systèmes de recommandation était liée au type de produit recommandé par le système. Lors de la prise de décisions concernant les expériences, comme les films, destination de voyage et restauration, les consommateurs ayant un besoin élevé de cognition étaient plus susceptibles de répondre aux informations sur la mesure dans laquelle le produit recommandé reflète leurs préférences personnelles, exprimées en termes de pourcentage de correspondance des produits recommandés par les systèmes de filtrage basés sur le contenu.

Cependant, les consommateurs ayant un faible besoin de cognition ont préféré le filtrage collaboratif car ils étaient plus convaincus par le pourcentage d'autres personnes qui ont acheté l'article recommandé, qui a également favorisé leurs intentions d'acheter l'article.

De telles différences n'ont pas été trouvées pour les recommandations de « produits de recherche, " dont les informations peuvent être obtenues en effectuant une recherche en ligne. Les deux types de personnalité ont préféré les systèmes de recommandation collaboratifs.

"Vous pouvez le considérer comme une sorte d'externalisation cognitive, " a déclaré Sundar. " Un client peut voir l'annonce pour une montre intelligente, par exemple, et voir les caractéristiques, mais pense, « Je ne vais pas faire le travail acharné d'examiner tous les détails et d'arriver à une conclusion qui est la meilleure, Je vais simplement sous-traiter cela à d'autres. S'ils disent que c'est une bonne montre intelligente, alors ils l'achèteront."

Selon Liao, la plupart des recherches sur les systèmes de recommandation se concentrent sur l'optimisation des suggestions de ces systèmes. Ces résultats suggèrent que les développeurs peuvent avoir besoin de considérer d'autres facteurs, tels que les types de personnalité et les types de produits, pour améliorer l'expérience utilisateur de leurs systèmes, plutôt que de se concentrer uniquement sur l'exactitude des suggestions de leur algorithme.

"Beaucoup peut dépendre de la façon dont les utilisateurs reçoivent les informations sur les recommandations fournies par les systèmes, " a déclaré Liao. " Il est important de savoir pourquoi ces systèmes fournissent des recommandations de produits et d'expériences. "

Les chercheurs ont recruté 469 personnes sur un site de microtâches en ligne participatif pour l'étude et les ont assignées au hasard à un site Web expérimental utilisant un algorithme de filtrage de contenu ou de collaboration.

Pour les systèmes collaboratifs, les chercheurs ont utilisé une fourchette de pourcentages pour indiquer combien de personnes similaires ont utilisé le produit recommandé (ou correspondance en pourcentage) et servent d'indice pour l'effet d'entraînement. Pour les systèmes basés sur le contenu, les mêmes pourcentages ont été utilisés pour suggérer dans quelle mesure le produit recommandé correspondait aux caractéristiques personnelles du consommateur en fonction de son profil d'utilisateur. Il y avait trois niveaux d'indicateurs de correspondance en pourcentage :faible, moyen et élevé.

En testant les deux types de produits (recherche et expérience), les chercheurs ont utilisé une recommandation de montre intelligente comme exemple de produit de recherche et une recommandation de destination touristique pour explorer les réactions des participants aux produits d'expérience.

Avant de naviguer sur le site e-commerce, tous les participants ont répondu à une série de questions pour déterminer s'ils avaient un besoin élevé de cognition, ou un faible besoin de cognition, types de personnalité.

Parce que les chercheurs n'ont testé que deux produits et deux systèmes de recommandation communs, des recherches futures pourraient examiner les effets psychologiques d'autres systèmes et étudier d'autres types de produits. Les chercheurs ont déclaré que cela pourrait aider à vérifier la validité de leurs conclusions.