Crédit :CC0 Domaine public
Des chercheurs de l'Université Erasmus ont publié un nouvel article dans le Journal du marketing qui explore les recommandations en ligne et leur efficacité, fournir aux spécialistes du marketing des outils pour maximiser cet important outil d'engagement.
L'étude, à paraître dans le numéro de novembre du Journal du marketing , est intitulé « Rendre les recommandations plus efficaces grâce aux cadrages :impacts des cadrages basés sur l'utilisateur contre les éléments sur les clics de recommandation » et est rédigé par Phyliss Jia Gai et Anne-Kathrin Klesse.
Les recommandations basées sur des algorithmes sont partout. Imaginez que vous parcourez des articles de presse sur le site Web du New York Times. Vous voyez un morceau dans la section "Science", trouve ça intéressant, cliquez sur le titre, et commencer à lire. Une fois l'article terminé, la page Web génère automatiquement d'autres recommandations d'articles pour vous afin que vous étendiez votre engagement avec le contenu de la plate-forme. Les recommandations sont marquées du slogan :« Plus en science, " la section que vous avez déjà lu.
Alors que la plupart des entreprises fournissent des explications sur les raisons pour lesquelles les clients reçoivent des recommandations, ils diffèrent par les stratégies spécifiques qu'ils adoptent. Certaines entreprises, comme le New York Times susmentionné, souligner que les recommandations sont basées sur des éléments :ils sont basés sur des attributs communs à tous les produits (par exemple, "Plus dans la science" par le New York Times, et "Similaire à [ce que vous avez écouté]" par Spotify). En revanche, d'autres entreprises soulignent que leurs recommandations sont basées sur les utilisateurs en se concentrant sur le chevauchement des préférences des clients (par exemple, "Les clients qui ont vu cet article ont également vu..." par Amazon et "Les clients ont également regardé..." par Netflix). Surtout, les entreprises peuvent expliquer la même recommandation que ce soit par article ou par utilisateur, car les systèmes de recommandation d'aujourd'hui adoptent fréquemment une approche hybride qui tient compte à la fois des attributs communs à tous les produits et des préférences communes à tous les clients.
L'étude examine laquelle des deux explications (ci-après appelées cadrages basés sur les éléments et basés sur l'utilisateur) est la plus efficace pour déclencher des clics sur une recommandation. L'équipe de recherche suggère que les cadrages basés sur les articles et les utilisateurs diffèrent en termes d'informations qu'ils fournissent aux clients concernant la façon dont une recommandation est faite. Les deux cadrages indiquent aux clients que la recommandation est basée sur une correspondance de produit de l'article central pour lequel les clients ont manifesté de l'intérêt avec l'article recommandé :tandis que le cadrage basé sur l'utilisateur correspond aux produits de leurs consommateurs. De manière critique, le cadrage basé sur l'utilisateur suggère également aux clients que la recommandation est basée sur la correspondance des goûts entre les utilisateurs qui ont partagé leur intérêt pour l'élément central. En fournissant des informations sur l'accord des goûts au-delà de l'accord des produits, le cadrage basé sur l'utilisateur sert en quelque sorte de « double garantie » pour les clients qui aiment le produit recommandé.
Pour tester si le cadrage basé sur l'utilisateur surpasse le cadrage basé sur les éléments en termes de clics sur les recommandations, les chercheurs ont mené deux études de terrain au sein de WeChat, la meilleure application de médias sociaux en Chine. Ils ont collaboré avec une société de médias qui publie des articles de vulgarisation scientifique et des résumés de recherches universitaires sur WeChat et ont intégré une paire de recommandations à la fin de l'article principal de chaque jour. Un article a été recommandé en utilisant le cadrage basé sur l'utilisateur et l'autre en utilisant le cadrage basé sur l'élément. Gai explique que « Dans les deux études, le cadrage basé sur l'utilisateur a augmenté les taux de clics des articles recommandés par rapport au cadrage basé sur les articles. Interrogés sur leur compréhension des deux cadrages, les abonnés ont répondu qu'ils voyaient que les deux suggèrent la correspondance de produits comme base de recommandations, mais ce cadrage basé sur l'utilisateur signale également la correspondance des goûts. Cela confirme que le cadrage basé sur l'utilisateur fournit des informations supplémentaires."
"Toutefois, les clients ne voient pas toujours l'appariement des goûts comme une réussite", ajoute Klesse. "Lorsque l'appariement des goûts est perçu comme inexact, le cadrage basé sur l'utilisateur n'est plus plus avantageux que le cadrage basé sur les articles ou devient même désavantageux. » Un facteur critique qui contribue au succès perçu de l'appariement des goûts est l'expérience que les clients ont déjà accumulée dans un domaine de consommation. Les personnes plus expérimentées ont tendance à voir leurs propres goûts comme idiosyncratiques. il leur est plus difficile de croire que leurs goûts peuvent être parfaitement adaptés aux goûts des autres sur la base d'un seul point focal. Un autre facteur critique est la présence de profils d'autres utilisateurs. Les entreprises affichent parfois les informations d'autres utilisateurs intéressés par la recommandation, mais cette information se retourne contre elle lorsqu'elle indique aux clients qu'ils sont différents des autres utilisateurs. indices de dissemblance, comme l'âge et le sexe, faire en sorte que les gens déduisent que leurs goûts divergent de ceux des autres utilisateurs et conduisent les clients à éviter les recommandations basées sur les utilisateurs.
Ces nouvelles découvertes sont pertinentes pour les entreprises qui utilisent des recommandations de produits. La recherche suggère que l'explication est importante pour savoir pourquoi les clients voient une recommandation. Surtout, adapter l'explication d'une recommandation revient à un coût quasi nul et, Donc, constitue un outil efficace qui peut aider les entreprises à maximiser le retour sur les systèmes de recommandation. Surtout, l'étude met en évidence des situations dans lesquelles le cadrage basé sur l'utilisateur est plus efficace que le cadrage basé sur des éléments et dans lesquelles il devient désavantageux. En s'appuyant sur ces découvertes, les gestionnaires peuvent adapter le cadrage de leurs recommandations aux différents clients et produits et ainsi augmenter les taux de clics.