Comment RecoKit recommande dès le jour 0, sans historique
Par Grégory Le Goff ·
Dans notre article sur le cold start en e-commerce, nous avons vu le problème : lorsqu'une boutique démarre, ou lorsqu'elle ajoute de nouveaux produits, elle ne dispose pas encore de suffisamment de clics et de commandes pour savoir quels produits recommander ensemble.
RecoKit a été conçu pour éviter cette période où les recommandations sont vides.
Dès l'arrivée d'un catalogue, le système analyse l'ensemble des informations disponibles sur les produits. Et c'est un point essentiel : RecoKit ne dépend pas uniquement des données de vente, mais d'abord de la richesse du catalogue lui-même.
Plus le catalogue est riche (descriptions détaillées, caractéristiques techniques, catégories précises), plus les recommandations sont pertinentes dès le départ.
Un moteur qui exploite la richesse du catalogue
La première force de RecoKit est de savoir exploiter ce que la boutique possède déjà : son catalogue produit.
Chaque fiche produit contient des informations précieuses : nom, description, catégorie, caractéristiques techniques, compatibilités, et parfois images.
À partir de ces éléments, le système peut déjà comprendre qu'une perceuse, une visseuse et un perforateur appartiennent à un même univers, même sans aucune donnée de vente.
Mais surtout, RecoKit ne se limite pas à une seule source d'information.
Les règles classiques "acheté ensemble"… mais avec une limite importante
Comme la plupart des systèmes de recommandation e-commerce, RecoKit utilise aussi les règles classiques de type "souvent achetés ensemble" — une approche popularisée dès 2003 par le filtrage item-to-item d'Amazon [1].
Ces règles sont simples : elles observent que certains produits apparaissent fréquemment dans les mêmes commandes.
Mais il y a un point souvent sous-estimé : ces statistiques ne disent pas dans quel sens se fait l'achat.
Par exemple, est-ce que les clients achètent une perceuse parce qu'ils ont déjà des forets, ou est-ce qu'ils achètent des forets parce qu'ils ont une perceuse ?
Les données de co-achat ne répondent pas à cette question.
Et pourtant, ce sens est crucial pour la recommandation : il détermine quel produit doit être mis en avant et lequel doit être proposé en complément.
C'est encore plus important car la place dans une interface e-commerce est limitée. On ne peut pas tout afficher : il faut choisir les associations les plus cohérentes et les plus utiles.
Le manuel est souvent meilleur… mais impossible à scaler
La meilleure façon de résoudre ce problème serait de construire des règles manuellement : définir les relations entre produits, décider ce qui est principal et ce qui est complémentaire, valider chaque association.
Et dans beaucoup de cas, cette approche est effectivement plus précise que les statistiques automatiques.
Mais elle a un problème majeur : elle prend énormément de temps.
Dès que le catalogue grandit, maintenir ces règles devient impossible. Chaque nouveau produit nécessite des décisions humaines, et chaque modification peut casser des relations existantes.
RecoKit cherche donc un équilibre : garder la précision du raisonnement manuel, tout en gardant la scalabilité de l'automatique.
Des associations générées et contrôlées plus intelligemment
RecoKit utilise des modèles modernes pour structurer ces relations plus efficacement.
L'objectif n'est pas seulement de dire "ces produits sont souvent achetés ensemble", mais de comprendre : quel produit est le besoin principal, quel produit est un accessoire, et dans quel contexte l'association a du sens.
Cela permet de transformer des statistiques brutes en recommandations compréhensibles et hiérarchisées.
Trouver aussi ce qui va avec
Deux produits peuvent être proches sans être complémentaires.
Si un client regarde une perceuse, lui proposer une autre perceuse peut être pertinent dans certains cas. Mais il est souvent plus utile de lui proposer des forets adaptés pour percer, ou des embouts adaptés pour visser.
C'est là que RecoKit combine la richesse du catalogue, les documents fournisseurs et les règles "acheté ensemble" pour identifier des relations naturelles entre produits.
Un produit n'est pas isolé : il s'inscrit dans un usage, un besoin, un contexte.
Et ces relations peuvent être identifiées même sans historique de vente.
Les nouveaux produits profitent immédiatement de l'existant
Lorsqu'un nouveau produit est ajouté au catalogue, il n'est pas traité comme un élément isolé.
S'il ressemble à des produits déjà présents, RecoKit peut s'appuyer sur les associations existantes (y compris les règles "acheté ensemble") pour proposer immédiatement des recommandations pertinentes.
Par exemple, si une boutique vend déjà une pompe de piscine associée à certains accessoires, une nouvelle pompe similaire pourra immédiatement bénéficier de ces mêmes associations.
Mais la similarité seule ne suffit pas.
Vérifier la cohérence des recommandations
Deux produits peuvent sembler compatibles sur le papier, mais ne pas fonctionner ensemble en pratique.
C'est pourquoi RecoKit vérifie les informations importantes issues du catalogue et des documents fournisseurs : dimensions, connecteurs, puissance, compatibilités techniques ou contraintes d'usage.
Prenons l'exemple d'une pompe et d'un filtre de piscine.
Même si ces produits sont souvent associés, il est essentiel de vérifier qu'ils sont réellement compatibles avant de les recommander ensemble.
Cette étape permet d'éviter un problème classique des systèmes de recommandation : proposer des associations qui semblent logiques, mais qui ne fonctionnent pas dans la réalité.
Et lorsque les données clients arrivent ?
Le fonctionnement dès le jour 0 ne remplace pas les données comportementales.
Il les complète.
Au fil du temps, les clics, les ajouts au panier et les commandes permettent de mieux comprendre les habitudes réelles des clients.
Au lancement, les recommandations reposent principalement sur le catalogue, les documents fournisseurs et les règles "acheté ensemble". Après quelques semaines, elles s'affinent grâce aux comportements observés dans la boutique.
Par exemple, une perceuse pourra d'abord être associée à des accessoires identifiés via le catalogue et les règles générales. Puis, progressivement, RecoKit apprendra que les clients de cette boutique achètent particulièrement certains types de forets ou d'embouts.
Un mécanisme de vérification a posteriori
Un point important vient ensuite avec l'usage réel du système.
RecoKit observe également les recommandations qui sont affichées mais jamais cliquées — un signal dit "implicite", au cœur d'une bonne partie de la recherche moderne sur les systèmes de recommandation [2].
Si un produit est systématiquement proposé mais ignoré par les utilisateurs, cela peut indiquer une anomalie : mauvaise association, mauvais contexte, ou simple manque de pertinence.
Ces signaux permettent d'ajuster progressivement le système, voire de renforcer ou d'affaiblir certaines relations.
C'est une forme d'apprentissage continu basé sur le comportement réel, qui complète les règles initiales et les données de catalogue.
Un système qui s'adapte sans attendre
Cette approche est particulièrement importante pour les boutiques qui lancent un nouveau catalogue ou ajoutent régulièrement des gammes de produits.
Un nouveau produit ne devrait pas attendre plusieurs semaines avant d'être intégré dans des recommandations pertinentes.
RecoKit permet de commencer immédiatement, en s'appuyant sur ce qui existe déjà : le catalogue, les documents fournisseurs, et les règles classiques du e-commerce. Puis il s'adapte progressivement aux comportements réels des clients.
C'est le principe du cold start progressif :
exploiter le catalogue → enrichir avec les documents fournisseurs → utiliser les règles "acheté ensemble" → vérifier la cohérence → apprendre des comportements réels → ajuster via les retours d'usage
Les limites, honnêtement
Cette approche ne supprime pas les limites du cold start.
La qualité des recommandations dépend fortement de la qualité du catalogue et des documents disponibles. Un catalogue pauvre ou des documents incomplets limitent naturellement la précision des associations.
Et les données comportementales restent irremplaçables pour comprendre les habitudes spécifiques des clients d'une boutique.
L'objectif de RecoKit n'est donc pas de remplacer ces données. L'objectif est de permettre des recommandations utiles dès le premier jour, en s'appuyant sur ce que la boutique possède déjà.
En résumé
RecoKit peut recommander des produits dès le premier jour grâce à quatre piliers :
- Le catalogue produit, base de compréhension.
- Les documents fournisseurs (PDF, fiches techniques, guides), qui enrichissent fortement les connaissances produits.
- Les règles classiques "acheté ensemble", comme tous les systèmes e-commerce, mais enrichies par une compréhension du sens et du contexte.
- La vérification des compatibilités et des signaux d'usage, y compris les retours implicites des utilisateurs.
Puis, au fil du temps, les données clients viennent affiner et personnaliser ces recommandations.
Vous lancez une boutique ou ajoutez une nouvelle gamme et vos recommandations sont encore vides ? RecoKit transforme votre catalogue — et vos documents fournisseurs — en moteur de recommandation dès le jour 0.
Sources
- G. Linden, B. Smith, J. York, Amazon.com Recommendations: Item-to-Item Collaborative Filtering, IEEE Internet Computing, 2003.
- Y. Hu, Y. Koren, C. Volinsky, Collaborative Filtering for Implicit Feedback Datasets, IEEE ICDM, 2008.
Pour le contexte de recherche plus large sur le cold start (embeddings, règles par famille de produits, connaissance des LLM), voir les sources citées dans notre article généraliste sur le cold start en e-commerce.