Aller au contenu
English

Démarrage à froid pour les nouveaux produits et les nouveaux clients

  • Leçon 18
  • 40 min
  • Module 6 : Le contenu, les hybrides et le démarrage à froid

Où nous en sommes

Le contenu donne un vecteur à chaque produit, même aux nouveaux. Les nouveaux clients posent un autre problème. Dans cette leçon, nous utilisons le contenu pour les nouveaux produits, puis la popularité et le contexte pour les nouveaux clients. Nous décidons aussi quand changer de méthode.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 18 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteDémarrage à froid pour les nouveaux produits et les nouveaux clients
Aperçu du cours

5. La factorisation matricielle pour la rétroaction implicite

  1. Goûts cachés
  2. ALS et BPR avec implicit
  3. Régler sans vous tromper vous-même

Ce que vous saurez faire

Servez les deux types de nouveaux arrivants : les nouveaux produits et les nouveaux clients. Réservez une case dans la liste aux nouveaux produits et mesurez le coût pour les clients connus. Commencez par la popularité pour les nouveaux clients, testez l’apport du contexte, puis décidez quand utiliser leur propre historique.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter réexécute le lancement du 1er mai 2026. Il vérifie que les produits lancés n’ont aucun historique. Il teste une liste de tendances régionale pour les nouveaux clients. Il choisit aussi, par le texte, le produit lancé le plus proche de chaque client. Vous mesurez le coût d’une case réservée dans la liste de tendances pour les clients connus. Ses cellules de préparation téléchargent environ 9 Mo de données d’exercice. Environ 20 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)

  • Votre projet larkfield-recs avec methods/content.py de la dernière leçon.
  • Les fichiers d’exercice dans ../nextia-learning-labs, à côté du dossier du projet.

Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.

Repensez à la vendeuse en magasin. Deux choses sont nouvelles ce matin.

Un inconnu entre. Elle ne sait rien de lui. Elle ne lui demande pas de raconter sa vie. Elle lui montre ce qui se vend bien cette semaine. Puis elle observe ce qu’il prend. Après quelques minutes, elle lui suggère des articles semblables.

Une nouvelle étagère de produits d’été arrive. Ses clients habituels ignorent son existence. Elle place donc un nouveau produit sur la table près de la porte, à côté des achats habituels de chaque client.

Ce sont les deux types de démarrage à froid : un nouveau client et un nouveau produit. Les méthodes pour les résoudre diffèrent.

Combinez les deux questions : le client est-il nouveau ou connu, et le produit est-il nouveau ou connu? Cela donne quatre cases. La période de lancement de Larkfield, du 1er au 14 mai 2026, contient les quatre. Dans chaque case, nous comptons les commandes que les listes ont trouvées.

Une grille de 2 sur 2 pour la période de lancement, du 1er au 14 mai 2026. Lignes : les clients connus (1 177, au moins une commande avant) et les nouveaux clients (936, aucune commande avant). Colonnes : les produits connus et les nouveaux produits lancés le 1er mai. Client connu, produit connu : l'historique fonctionne; ALS a trouvé 12,2 % des 1 876 commandes, les tendances 14,1 %. Client connu, nouveau produit : le contenu ou une case réservée; ALS et les tendances ont trouvé 0 des 361 commandes, le contenu 9, une case réservée 10. Nouveau client, produit connu : la popularité et le contexte; les tendances ont trouvé 16,4 % des 1 294 commandes, ALS 15,1 %. Nouveau client, nouveau produit, avec une bordure épaisse : la case la plus difficile; les quatre méthodes mesurées (tendances, ALS, contenu, ALS avec une case réservée) ont trouvé 0 des 259 commandes.
Quelle méthode sert quel client et quel produit pendant la période de lancement. Chaque case indique la part des commandes trouvées par les listes.
Description textuelle du diagramme

Une grille de deux lignes et deux colonnes. Les lignes représentent les clients : 1 177 clients connus, avec au moins une commande avant le 1er mai, et 936 nouveaux clients, sans commande avant cette date. Les colonnes représentent les produits : les produits connus, en vente avant le 1er mai, et les nouveaux produits, lancés le 1er mai.

  • Client connu, produit connu (vert) : l’historique fonctionne. ALS a trouvé 12,2 % des 1 876 commandes. La méthode de tendances en a trouvé 14,1 %.
  • Client connu, nouveau produit (orange) : contenu ou case réservée. ALS et la méthode de tendances ont trouvé 0 des 361 commandes. Le contenu en a trouvé 9; ALS avec une case réservée, 10.
  • Nouveau client, produit connu (vert) : popularité et contexte. La méthode de tendances a trouvé 16,4 % des 1 294 commandes; ALS, qui utilise les tendances pour les clients inconnus, 15,1 %.
  • Nouveau client, nouveau produit (rouge, avec une bordure épaisse) : la case la plus difficile. Les quatre méthodes mesurées (tendances, ALS, contenu et ALS avec une case réservée) ont trouvé 0 des 259 commandes.

La case en haut à gauche correspond aux modules 4 et 5. Cette leçon porte sur les trois autres cases. Celle en bas à droite montre la mauvaise nouvelle, sans détour. Un inconnu achète un produit lancé la veille. Aucune des quatre méthodes mesurées n’a trouvé une seule commande de ce type.

La dernière leçon a montré que le contenu peut placer les produits lancés dans les listes. Mais une liste basée uniquement sur le contenu perd trop de résultats pour les clients connus. Nous essayons donc un changement plus petit. Nous gardons ALS pour tout le monde. Mais nous réservons une case dans chaque liste à un nouveau produit : celui dont le texte ressemble le plus au profil client. Le projet appelle cette méthode als+new, et le nombre de cases réservées slots.

Voici le client C100050, un client fidèle avec 7 commandes avant le 1er mai. ALS le connaît bien : plantes d’intérieur, pots et tables de chevet.

Deux listes de 10 produits pour le client C100050 le 1er mai 2026. À gauche, la liste ALS : 1 Black Pot Dracaena; 2 Forge Natural Concrete Succulent Pot; 3 Black Rustic Wooden Planter Box; 4 Oak Pot Chinese Money Plant; 5 Cove White Rope Hanging Planter; 6 Kensington Walnut Classic Bedside Table; 7 Navy Pot Fiddle-Leaf Fig; 8 Hollow Farm Black Barn-Door Bedside Cabinet; 9 Charcoal Pot Bird of Paradise; 10 Cyclamen Corms. À droite, ALS avec une case réservée : les 3 mêmes premiers produits, puis à la case 4 le nouveau produit Rustic Grey Reclaimed Wood Planter Box, puis les anciennes cases 4 à 9. L'ancienne case 10, Cyclamen Corms, disparaît.
Une case réservée : le nouveau produit prend la case 4, les autres descendent et le dernier produit disparaît.
Description textuelle du diagramme

Deux colonnes de dix produits pour le client C100050 le 1er mai 2026. La colonne de gauche est la liste ALS : 1. Black Pot Dracaena; 2. Forge Natural Concrete Succulent Pot; 3. Black Rustic Wooden Planter Box; 4. Oak Pot Chinese Money Plant; 5. Cove White Rope Hanging Planter; 6. Kensington Walnut Classic Bedside Table; 7. Navy Pot Fiddle-Leaf Fig; 8. Hollow Farm Black Barn-Door Bedside Cabinet; 9. Charcoal Pot Bird of Paradise; 10. Cyclamen Corms. Celle de droite est la liste avec une case réservée. Les cases 1 à 3 restent identiques. La case 4 est nouvelle et mise en évidence : Rustic Grey Reclaimed Wood Planter Box, un produit lancé ce jour-là, dans une sous-catégorie déjà achetée par le client. Des flèches montrent les anciennes cases 4 à 9 qui descendent chacune d’une case. L’ancienne case 10, Cyclamen Corms, est marquée en rouge : elle disparaît.

La nouvelle jardinière est une suggestion logique : ce client achète des pots et des jardinières. Le coût, ce sont les bulbes de cyclamen à la case 10. Si le client les aurait achetés, la liste manque maintenant une commande. (Dans ce cas, le client n’a commandé aucun des onze produits.)

Omar, le gestionnaire de produit, veut rendre la nouvelle gamme visible. Mais il ne veut pas nuire aux clients qui achètent déjà. Sa règle : le rappel à 10 (recall@10) des clients connus peut baisser d’au plus 2 % de sa valeur. Cette limite est une hypothèse choisie par le cours pour Larkfield; votre magasin fixe la sienne.

Nous avons mesuré la période de lancement avec 0, 1, 2 et 3 cases réservées :

Cases réservées Produits lancés affichés (sur 240) Nouveaux produits dans les listes recall@10, tous recall@10, clients connus Baisse pour les clients connus
0 (ALS) 0 0,0 % 0,137 0,123 –
1 186 10,0 % 0,133 0,121 1,3 %
2 221 20,0 % 0,125 0,112 8,6 %
3 233 30,0 % 0,118 0,107 13,2 %
Coût des cases réservées pour les clients connus pendant la période de lancement. Une case respecte la limite de 2 %; deux cases la dépassent.
Description textuelle du graphique

Un graphique en courbes. À l’horizontale : le nombre de cases réservées, de 0 à 3. À la verticale : la baisse du recall@10 des clients connus, en pourcentage, de 0 à 15. La courbe part de 0 sans case réservée, puis monte à 1,3 % avec une case, 8,6 % avec deux et 13,2 % avec trois. Une ligne horizontale pointillée à 2 % indique la limite d’Omar. Seul le point pour une case réservée reste sous cette limite.

Une case réservée respecte la limite : les clients connus perdent 1,3 % de leur rappel, et 186 des 240 produits lancés sont affichés. Deux cases coûtent 8,6 %. Le coût n’augmente pas de façon régulière. Une raison : la première case réservée retire la case 10, qui contient rarement une commande. La deuxième retire aussi la case 9.

recs compare donne le même constat avec un intervalle, pour les mêmes clients : une case réservée modifie le recall@10 de −0,004 (−0,007 à −0,001). La perte est petite, mais réelle.

La position de la case réservée ne change pas le recall@10 : une liste de 10 contient le produit ou non. Elle change un peu le NDCG@10 : 0,0861 à la case 4 et 0,0872 à la case 10.

Voici maintenant le chiffre décevant. Avec une case réservée, les listes ont trouvé 1,7 % des 665 commandes de nouveaux produits. Le contenu seul en a trouvé 1,5 %. Chaque client reçoit le nouveau produit le plus proche de son passé, et les gens achètent rarement précisément celui-là.

Une case réservée achète donc de la visibilité : les clients voient la nouvelle gamme, et le magasin recueille des consultations et des clics. Après une semaine ou deux, les nouveaux produits ont un historique, et ALS peut apprendre à les recommander. La case réservée assure la transition; ce n’est pas un modèle qui prédit bien.

Nouveaux clients : popularité, contexte, premiers clics

Section intitulée « Nouveaux clients : popularité, contexte, premiers clics »

Passons à la colonne de gauche de la grille : les clients sans commandes.

Quand vous ne savez rien d’une personne, ce qui se vend maintenant est votre meilleure prédiction. Sur la période de test, la méthode de tendances obtient un recall@10 de 0,169 pour les nouveaux clients. Elle dépasse toutes les méthodes personnalisées des modules 4 et 5. C’est pourquoi ALS donne la liste de tendances aux clients inconnus.

Le contexte est ce que vous savez de la visite, et non de la personne. Trois types comptent chez Larkfield :

  • La page. Sur une page produit, le produit lui-même est le contexte. Les « produits semblables » selon le texte ou les clients communs ne nécessitent aucun historique du visiteur.
  • La saison. La méthode de tendances suit déjà la saison : elle utilise seulement les 28 derniers jours. C’est pourquoi elle ne montre aucun manteau d’hiver en juin.
  • La région. Chaque client a une région dans customers.csv. Les gens de Colombie-Britannique achètent-ils des produits de jardin différents de ceux du Québec?

Nous avons testé la région pour les nouveaux clients : tendances calculées dans chacune des six régions, contre tendances pour tout le monde.

Période Tendances pour tout le monde Tendances de la région du client Différence (intervalle à 95 %)
Validation (946 nouveaux clients) 0,176 0,165 −0,011 (−0,019 à −0,003)
Test (952 nouveaux clients) 0,169 0,168 −0,001 (−0,007 à +0,005)

La liste régionale est un peu moins bonne. La raison vient de la création du journal du magasin : notre modèle de comportement ne donne aucun effet aux régions sur les goûts. Une liste régionale répartit seulement les mêmes commandes en six décomptes plus petits, donc plus bruités. Un vrai magasin peut être différent : la neige arrive plus tôt dans certaines régions. La leçon porte sur la méthode, pas le résultat : mesurez un contexte avant de l’ajouter.

Un nouveau client est « nouveau » parce qu’il n’a aucune commande. Beaucoup ont des consultations. Parmi les 2 152 clients de la période de validation, 617 n’avaient aucun événement. Les autres ont laissé des éléments pour apprendre : quelques consultations, un panier.

Quand l’historique d’un client vaut-il plus que les tendances? Nous avons réparti les clients de la période de validation selon leur nombre d’événements avant cette période (consultations, ajouts au panier et commandes). Puis nous avons mesuré trois méthodes dans chaque groupe.

recall@10 sur la période de validation selon le nombre d'événements du client avant celle-ci. Sans événement, les trois méthodes donnent la liste de tendances. ALS dépasse les tendances seulement avec beaucoup d'événements.
Description textuelle du graphique

Un graphique en courbes avec sept groupes à l’horizontale : 0 événements (617 clients); 1–2 événements (67 clients); 3–4 événements (104 clients); 5–9 événements (207 clients); 10–19 événements (287 clients); 20–49 événements (405 clients); 50+ événements (465 clients). À la verticale : le recall@10 de 0 à 0,25. Avec 0 événement, les trois méthodes donnent la liste de tendances : 0,175. Tendances : 0,175; 0,236; 0,141; 0,132; 0,143; 0,152; 0,123. ALS : 0,175; 0,122; 0,151; 0,126; 0,149; 0,163; 0,142. Contenu : 0,175; 0,129; 0,138; 0,096; 0,134; 0,117; 0,086. Le contenu reste sous les tendances dans chaque groupe. ALS dépasse les tendances avec 3 à 4 événements et avec 10 événements ou plus. L’écart est le plus net à 20–49 et à 50+.

Trois choses ressortent :

  • Les tendances sont difficiles à battre pour les clients peu actifs. Avec 1 ou 2 événements, les tendances obtiennent 0,236 et ALS, 0,122. Une consultation révèle peu de choses sur les goûts.
  • ALS gagne avec un vrai historique. Avec 50 événements ou plus, ALS obtient 0,142 contre 0,123 pour les tendances. Sur la période de test, le même groupe donne 0,148 contre 0,126.
  • Le contenu n’est pas une bonne étape intermédiaire ici. Il reste sous les tendances dans chaque groupe.

Les groupes intermédiaires sont bruités : certains comptent seulement 67 clients, et l’ordre des courbes change entre les périodes de validation et de test. Ne déduisez pas un seuil de transition précis d’un seul groupe.

La méthode hybrid-switch du projet suit une règle simple. Elle utilise les tendances sans historique, le contenu avec moins de min_events événements, et ALS au-delà. Nous avons essayé plusieurs valeurs de min_events sur la période de validation :

min_events recall@10, validation
1 0,155
2 0,155
3 0,155
5 (valeur par défaut) 0,154
10 0,151
20 0,149
50 0,141

Les valeurs de 1 à 5 donnent environ le même résultat; une phase de contenu plus longue est moins bonne. Cela concorde avec le graphique : le contenu n’aide pas les clients peu actifs. La valeur par défaut, 5, convient et donne 0,142 sur la période de test. Ce n’est pas mieux qu’ALS seul, et c’est sous les tendances. Une transition stricte abandonne la liste de tendances dès qu’un client a quelques événements, même si elle lui convient encore. La prochaine leçon mélange les méthodes au lieu de passer de l’une à l’autre.

Exercice guidé : cases réservées dans votre projet

Section intitulée « Exercice guidé : cases réservées dans votre projet »
  1. Copiez les méthodes hybrides. Le fichier contient trois méthodes; cette leçon utilise als+new :

    Fenêtre de terminal
    S=../nextia-learning-labs/C37/snapshots/end-of-m06
    cp $S/larkfield_recs/methods/hybrid.py larkfield_recs/methods/
  2. Évaluez ALS sur la période de lancement. Cela prend environ 10 secondes :

    Fenêtre de terminal
    recs evaluate als --period launch --by segment
    Method als (matrix factorisation, alternating least squares (implicit)), launch period (new range)
    Customers scored: 2,113; trained on events before 2026-05-01
    recall@10 0.137 (95% interval 0.123 to 0.151), NDCG@10 0.088, MAP@10 0.067, precision@10 0.020, hit rate 17.7%
    coverage 32.6% of the products on sale, novelty 5.87 bits, diversity 0.64, new products in the lists 0.0%
    time: fit 5.0 s, suggestions 0.1 s
    segment customers recall@10 NDCG@10 95% interval (recall)
    new 936 0.155 0.104 0.132 to 0.177
    occasional 605 0.112 0.074 0.087 to 0.136
    loyal 572 0.134 0.079 0.110 to 0.161
    new products: 665 orders of new products in the period; recall@10 on them 0.000

    Les « nouveaux produits » sont ici les produits ajoutés dans les 60 jours avant le 1er mai : les 240 produits lancés et quelques produits antérieurs.

  3. Réservez une case à un nouveau produit :

    Fenêtre de terminal
    recs evaluate als+new --period launch --set slots=1 --by segment
    Method als+new (ALS with places for the closest new products (2 unless --set slots=N; from place 4; cold start)), launch period (new range), settings {'slots': 1}
    Customers scored: 2,113; trained on events before 2026-05-01
    recall@10 0.133 (95% interval 0.120 to 0.147), NDCG@10 0.086, MAP@10 0.065, precision@10 0.019, hit rate 17.2%
    coverage 37.4% of the products on sale, novelty 6.73 bits, diversity 0.67, new products in the lists 10.0%
    time: fit 3.3 s, suggestions 0.1 s
    segment customers recall@10 NDCG@10 95% interval (recall)
    new 936 0.148 0.100 0.127 to 0.170
    occasional 605 0.113 0.074 0.089 to 0.137
    loyal 572 0.129 0.076 0.105 to 0.156
    new products: 665 orders of new products in the period; recall@10 on them 0.017

    La description indique la valeur par défaut, 2 cases. Votre réglage, {'slots': 1}, se trouve à la fin de la même ligne.

  4. Comparez les deux exécutions sur les mêmes clients. Mettez le nom de l’exécution entre guillemets à cause des crochets :

    Fenêtre de terminal
    recs compare als "als+new[slots=1]" --period launch --by segment
    recall@10: als 0.137, als+new[slots=1] 0.133
    difference -0.004 (95% interval -0.007 to -0.001); better for 11 customers, worse for 23, the same for 2,079
    The difference is clear: the interval does not include 0.
    coverage 32.6% -> 37.4%; novelty 5.87 -> 6.73
    new 936 customers -0.006 (-0.012 to -0.002)
    occasional 605 customers +0.001 (-0.003 to +0.006)
    loyal 572 customers -0.005 (-0.011 to +0.001)

    Seulement 34 des 2 113 clients obtiennent un rappel différent. La perte touche surtout les nouveaux clients. Leur produit réservé est choisi parmi les produits proches des meilleurs vendeurs et remplace un produit de la liste de tendances.

Changez un réglage : exécutez la méthode avec sa valeur par défaut, qui réserve deux cases. Faites d’abord une prédiction : les clients connus perdront-ils plus ou moins de 2 %?

Fenêtre de terminal
recs evaluate als+new --period launch --by segment
Afficher la réponse
Method als+new (ALS with places for the closest new products (2 unless --set slots=N; from place 4; cold start)), launch period (new range)
Customers scored: 2,113; trained on events before 2026-05-01
recall@10 0.125 (95% interval 0.112 to 0.139), NDCG@10 0.083, MAP@10 0.063, precision@10 0.018, hit rate 16.4%
coverage 35.6% of the products on sale, novelty 7.58 bits, diversity 0.70, new products in the lists 20.0%
time: fit 3.2 s, suggestions 0.1 s
segment customers recall@10 NDCG@10 95% interval (recall)
new 936 0.142 0.097 0.122 to 0.163
occasional 605 0.106 0.071 0.082 to 0.129
loyal 572 0.118 0.071 0.095 to 0.142
new products: 665 orders of new products in the period; recall@10 on them 0.027

Plus. Les clients fidèles passent de 0,134 à 0,118, et les clients occasionnels de 0,112 à 0,106. Ensemble, les clients connus perdent 8,6 % de leur rappel : plus de quatre fois la limite d’Omar. Les deux cases affichent 221 produits lancés au lieu de 186. Elles trouvent 2,7 % des commandes de nouveaux produits au lieu de 1,7 %. Pour Larkfield, une case est la solution qui respecte cette limite.

Solution Utilisez-la pour N’attendez pas Coût chez Larkfield
Une case réservée à un nouveau produit Une nouvelle gamme que les méthodes basées sur l’historique cachent De bonnes prédictions : elle trouve 1,7 % des commandes de nouveaux produits Les clients connus perdent 1,3 % du recall@10
Tendances pour les nouveaux clients Les clients sans événements Des listes personnalisées Rien à entraîner; la même liste pour tout le monde
Contexte (page, saison, région) Un vrai signal que vous avez mesuré Des gains d’un contexte sans effet Une liste régionale était un peu moins bonne ici
Transition vers l’historique Les clients avec beaucoup d’événements Un seuil de transition clair à partir de quelques centaines de clients ALS bat les tendances dans les deux périodes seulement à partir de 50 événements

Deux avertissements. D’abord, une case réservée est une décision d’affaires avec un coût mesuré, pas un gain gratuit. Fixez la limite avec les responsables de la mesure, comme le fait Omar. Ensuite, chaque chiffre de cette page vient d’un magasin synthétique : notre modèle de comportement favorise légèrement les nouveaux produits et ne donne aucun effet aux régions. Faites les mêmes mesures dans votre magasin avant de copier ces décisions.

Erreur courante

zsh : no matches found

Symptôme : sur macOS, recs compare als als+new[slots=1] --period launch s’arrête avant l’exécution de recs :

zsh: no matches found: als+new[slots=1]

Cause : zsh, l’interpréteur de commandes par défaut sur macOS, traite les crochets comme un motif de noms de fichiers. Aucun fichier ne porte ce nom.

Solution : mettez le nom de l’exécution entre guillemets : recs compare als "als+new[slots=1]" --period launch. Les guillemets fonctionnent aussi dans bash et PowerShell.

Erreur courante

Une case réservée qui semble gratuite sur la période de test

Symptôme : recs evaluate als+new sur la période de test affiche exactement les mêmes chiffres que recs evaluate als.

Cause : la méthode réserve des cases seulement aux produits ajoutés dans les 30 jours avant la période. Aucun produit n’a été ajouté dans les 30 jours avant le 22 juin : la gamme d’été a alors 52 jours.

Solution : mesurez une méthode de démarrage à froid sur une période contenant de nouveaux produits : --period launch.

Vérifiez votre compréhension

Nommez les quatre cellules de la grille de démarrage à froid. Indiquez quelle méthode sert chacune chez Larkfield.

Afficher la réponse

Client connu et produit connu : méthodes fondées sur l’historique, comme ALS (et les tendances, qui restent efficaces). Client connu et nouveau produit : contenu, ou une case réservée au nouveau produit le plus proche des goûts du client. Nouveau client et produit connu : popularité (tendances), avec du contexte, comme la page consultée. Nouveau client et nouveau produit : pendant la période de lancement, aucune des quatre méthodes mesurées n’a trouvé ces 259 commandes. Les seuls outils sont l’exposition et l’apprentissage à partir des premiers clics. L’exposition passe par des cases réservées ou par l’exploration. Celle-ci attribue volontairement des cases aux produits que le magasin connaît peu (module 8).

Vérifiez votre compréhension

Une case réservée montre 186 des 240 produits lancés, mais ne trouve que 1,7 % des commandes de nouveaux produits. Est-ce un échec? Expliquez ce qu'elle apporte.

Afficher la réponse

Ce n’est pas un échec si vous la jugez selon son objectif. Elle apporte de l’exposition : les clients voient la nouvelle gamme dès le premier jour. Le magasin recueille des consultations et des clics pour des produits qui n’en avaient pas. Après une semaine ou deux, les nouveaux produits ont un historique, et ALS peut apprendre à les recommander. Cette case ne prédit pas bien quel nouveau produit chaque personne achètera. Ne la présentez donc pas ainsi. Elle coûte 1,3 % du rappel à 10 (recall@10) des clients connus, sous la limite de 2 % d’Omar.

Vérifiez votre compréhension

Tomás veut utiliser la région du client sur la page d'accueil des nouveaux clients, car « les listes locales sont plus pertinentes ». Que dit la mesure de Larkfield, et que devrait-il faire?

Afficher la réponse

Pour les nouveaux clients, les tendances calculées par région étaient un peu moins bonnes que les tendances pour tout le monde. La différence était de −0,011 (−0,019 à −0,003) pendant la période de validation. Pendant la période de test, elle était de −0,001 (−0,007 à +0,005), un résultat peu clair. Dans ce magasin synthétique, les régions n’influencent pas les goûts. Une liste régionale répartit donc simplement les commandes en décomptes plus petits et plus bruités. Il devrait mesurer chaque contexte par segment pendant la période de validation avant de l’ajouter. Il devrait le garder seulement s’il aide.

Récapitulatif

  • Le démarrage à froid a deux formes : nouveaux produits et nouveaux clients. La grille 2 × 2 montre quelle méthode sert chaque cellule. Pour les nouveaux clients achetant de nouveaux produits, les quatre méthodes mesurées ont trouvé 0 commande sur 259.
  • Une case réservée au nouveau produit le plus proche des goûts montre 186 des 240 produits lancés. Elle coûte aux clients connus 1,3 % du recall@10, sous la limite de 2 % d’Omar. Deux cases coûtent 8,6 %.
  • Un produit montré n’est pas forcément acheté : une case réservée trouve 1,7 % des commandes de nouveaux produits. Elle apporte de l’exposition jusqu’à ce que les produits aient un historique.
  • Les nouveaux clients commencent avec les tendances. Testez le contexte avant de lui faire confiance : une liste régionale était un peu moins bonne ici.
  • ALS surpasse clairement les tendances seulement pour les clients ayant beaucoup d’événements. Un basculement strict (hybrid-switch) donne 0.142 pendant la période de test, sous les tendances.
  • Votre projet contient maintenant methods/hybrid.py.

Chaque méthode convient à certains clients et produits. Ensuite, vous les combinez dans une seule liste et mesurez ce que coûte chaque combinaison.

Leçon suivante : Hybrides