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.
Leçon 18 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteDémarrage à froid pour les nouveaux produits et les nouveaux clients
1. Le problème de la recommandation
2. Les données, la rétroaction implicite et un découpage honnête
3. Mesurer les recommandations hors ligne
4. Les voisins et le filtrage collaboratif
5. La factorisation matricielle pour la rétroaction implicite
6. Le contenu, les hybrides et le démarrage à froid
7. Deux étapes : les candidats et le classement
8. Des scores hors ligne au vrai magasin
9. L'exploiter en production
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 Jupyter
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 main
Ce que vous devez savoir
- Les suggestions par le contenu et les profils clients, vus dans Recommandations par le contenu.
- Les segments et la comparaison appariée avec
recs compare, vus dans Évaluer par segment. - ALS, vu dans ALS et BPR avec implicit, et le réglage sur la période de validation, vu dans Régler sans vous tromper vous-même.
Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)
- Votre projet
larkfield-recsavecmethods/content.pyde 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.
Deux types d’inconnus
Section intitulée « Deux types d’inconnus »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.
Le problème : quatre cases, dont une vide
Section intitulée « Le problème : quatre cases, dont une vide »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.
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.
Nouveaux produits : réservez-leur une case
Section intitulée « Nouveaux produits : réservez-leur une case »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.
Une vraie liste, avant et après
Section intitulée « Une vraie liste, avant et après »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.
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.)
La limite d’Omar
Section intitulée « La limite d’Omar »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 % |
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.
Affiché ne veut pas dire acheté
Section intitulée « Affiché ne veut pas dire acheté »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.
Commencez par la popularité
Section intitulée « Commencez par la popularité »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.
Contexte : testez-le avant de lui faire confiance
Section intitulée « Contexte : testez-le avant de lui faire confiance »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.
Premiers clics
Section intitulée « Premiers clics »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 passer aux listes personnalisées
Section intitulée « Quand passer aux listes personnalisées »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.
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.
Une transition que vous pouvez régler
Section intitulée « Une transition que vous pouvez régler »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 »-
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-m06cp $S/larkfield_recs/methods/hybrid.py larkfield_recs/methods/Fenêtre de terminal $S = "..\nextia-learning-labs\C37\snapshots\end-of-m06"Copy-Item "$S\larkfield_recs\methods\hybrid.py" larkfield_recs\methods\ -
Évaluez ALS sur la période de lancement. Cela prend environ 10 secondes :
Fenêtre de terminal recs evaluate als --period launch --by segmentMethod als (matrix factorisation, alternating least squares (implicit)), launch period (new range)Customers scored: 2,113; trained on events before 2026-05-01recall@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 ssegment customers recall@10 NDCG@10 95% interval (recall)new 936 0.155 0.104 0.132 to 0.177occasional 605 0.112 0.074 0.087 to 0.136loyal 572 0.134 0.079 0.110 to 0.161new products: 665 orders of new products in the period; recall@10 on them 0.000Les « nouveaux produits » sont ici les produits ajoutés dans les 60 jours avant le 1er mai : les 240 produits lancés et quelques produits antérieurs.
-
Réservez une case à un nouveau produit :
Fenêtre de terminal recs evaluate als+new --period launch --set slots=1 --by segmentMethod 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 2026-05-01recall@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 ssegment customers recall@10 NDCG@10 95% interval (recall)new 936 0.148 0.100 0.127 to 0.170occasional 605 0.113 0.074 0.089 to 0.137loyal 572 0.129 0.076 0.105 to 0.156new products: 665 orders of new products in the period; recall@10 on them 0.017La description indique la valeur par défaut, 2 cases. Votre réglage,
{'slots': 1}, se trouve à la fin de la même ligne. -
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 segmentrecall@10: als 0.137, als+new[slots=1] 0.133difference -0.004 (95% interval -0.007 to -0.001); better for 11 customers, worse for 23, the same for 2,079The difference is clear: the interval does not include 0.coverage 32.6% -> 37.4%; novelty 5.87 -> 6.73new 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.
À vous : deux cases réservées
Section intitulée « À vous : deux cases réservées »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 %?
recs evaluate als+new --period launch --by segmentAfficher 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 2026-05-01recall@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 ssegment customers recall@10 NDCG@10 95% interval (recall)new 936 0.142 0.097 0.122 to 0.163occasional 605 0.106 0.071 0.082 to 0.129loyal 572 0.118 0.071 0.095 to 0.142new products: 665 orders of new products in the period; recall@10 on them 0.027Plus. 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.
Quand utiliser ces solutions, et à quel coût
Section intitulée « Quand utiliser ces solutions, et à quel coût »| 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.
Erreurs courantes
Section intitulée « Erreurs courantes »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.
Vérification des connaissances
Section intitulée « Vérification des connaissances »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).
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
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.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
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.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
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) donne0.142pendant 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