Plus d’historique des conversations ne résout pas ce problème. Ce dont l’agent a besoin, c’est d’un enregistrement auquel il peut faire confiance : l’ID de la demande, le statut actuel, le résultat confirmé. La mémoire peut vous dire ce que le client a demandé. Il ne peut pas vous dire ce qu’un autre système a réellement fait. Ce n’est pas un problème nouveau ; les systèmes de recommandation en ont rencontré une version des années avant que les agents n’existent.
Une prédiction n’est pas la même chose que l’intention actuelle
J’ai passé plusieurs années à créer des systèmes de recommandation et de personnalisation, et une chose est rapidement devenue claire : plus d’historique ne signifie pas automatiquement une meilleure décision. Un recommandataire examine ce que quelqu’un a acheté, consulté ou écouté, trouve un modèle et prédit ce qu’il voudra ensuite. Ce sont toutes des suppositions éclairées plutôt que des faits. J’ai vu cela se dérouler pendant la saison électorale. Un client achète plusieurs livres sur un candidat ou un sujet politique et le système, à juste titre, les apprend comme un intérêt. Quelques semaines plus tard, l’élection est terminée et le client est parti, mais son historique d’achat n’a pas changé. L’historique des achats est toujours exact. Cela ne reflète tout simplement plus l’intention actuelle du client. Ainsi, les données client changent à chaque interaction, les recommandations doivent donc répondre aux nouvelles informations.
De la fraîcheur dans un système de personnalisation à grande échelle
Au début de la plateforme de personnalisation en temps réel sur laquelle j’ai travaillé, l’un des problèmes les plus difficiles n’était pas le volume du trafic ; c’était la fraîcheur. Les intérêts déduits d’un client pourraient être bien en retard par rapport à son comportement récent réel, de sorte que le système continuerait à recommander en toute confiance des choses qui ne correspondent plus à ce que voulait la personne. Nous avons reconstruit le pipeline afin que les mises à jour des signaux reflètent le comportement récent presque immédiatement plutôt qu’avec un long délai. Cet écart entre ce que le système sait et ce qui est actuellement vrai est minime lorsque vous recommandez un livre. Le problème est bien plus grave une fois que l’on passe de la recommandation de contenu à un agent autorisé à agir au nom de quelqu’un. Prenons l’exemple d’un client qui vient de commencer un essai et qui est éligible à une offre de premier article à 0 $. La personnalisation doit montrer cet avantage disponible au lieu d’une autre invitation à démarrer un essai. Un nouveau signal d’éligibilité lui permet de modifier l’offre suivante. Contrairement aux intérêts déduits, l’éligibilité à l’essai est un fait enregistré.
