Filtrage collaboratif, le Crédit Agricole, service bancaire, Internet, navigation, utilisateurs, recherche d'informations, web social, banques, Société Générale, Crédit Mutuel
Face à la banalisation de l'offre bancaire notamment sur Internet, la personnalisation des produits et services devient un des enjeux importants pour renforcer la fidélisation de la clientèle. Ce mémoire aborde un nouvel aspect de personnalisation basé sur une nouvelle technologie : le filtrage collaboratif. Le filtrage collaboratif est un système de recommandation qui propose aux utilisateurs des ressources susceptibles de les intéresser. Le résultat s'apparente à une prédiction construite à partir des comportements de navigation des utilisateurs (pages visitées, fréquence des visites, temps de visite…) et des votes laissés par les utilisateurs sur les publications.
A partir de ces informations, un algorithme associe un utilisateur à une communauté virtuelle qui partage les mêmes intérêts. Le résultat de cette prédiction est une proposition de ressources pertinentes pour l'utilisateur. L'objectif du filtrage collaboratif est de faciliter la recherche d'informations d'un utilisateur par le biais de propositions pertinentes en s'appuyant donc sur des concepts de 'web social'.
L'intérêt d'une telle technologie pour le Crédit Agricole est de pouvoir, par l'intermédiaire de son site Internet, fidéliser le client en lui proposant des services intéressants et adaptés à ses goûts. Concernant les prospects, le filtrage collaboratif doit être en mesure de comprendre l'objet de leur visite pour leur proposer rapidement des informations pertinentes. Le but étant de convertir ces prospects en clients.
L'objectif de ce mémoire va être de répondre à la problématique suivante : quel est le besoin pour les sites commerciaux et pour le Crédit Agricole en particulier de mettre en place une méthode de filtrage collaboratif ?
[...] Elle permet de mesurer la capacité d'un système de filtrage collaboratif à distinguer les items importants des items non importants. Figure 7 : Courbe ROC[8] Les mesures sont représentées sous forme de courbe. Ces courbes décrivent deux distributions : la distribution TN True Negative représente la probabilité qu'un système génère des recommandations de publications avec des valeurs ou des votes importantes alors qu'en réalité ces mêmes items ne sont pas pertinents vis-à-vis du besoin utilisateur. Tandis que la distribution TP True Positive représente la probabilité de générer des recommandations avec des valeurs ou des votes importants, relatives à des publications pertinentes. [...]
[...] Une fois cette phase accomplie, j'ai étudié le programme. Il n'y avait aucune documentation, pas de cahier des charges ni de spécifications. Un projet de veille technologique dispose de certaines spécificités qui rendent son déroulement incertain. Les spécifications peuvent être présentes, mais sont amenées à changer. Les caractéristiques les plus importantes qui différencient un projet classique d'un projet d'innovation sont : - La diversité et l'instabilité des objectifs - L'évolution des exigences - L'évolution des technologies - L'innovation technique engendrant des difficultés dans la conduite de projet (anticipation, prévision, décision ) - L'absence de processus de référence ne permettant pas d'envisager une reproductibilité dans la conduite et la gestion du projet Dans les cycles de vie de projets traditionnels, la collecte auprès des clients des exigences est considérée comme un processus devant se dérouler durant la phase initiale du projet et devant se concrétiser au travers d'un cahier des charges, véritable contrat vis-à-vis des développeurs. [...]
[...] Ensuite, il suffit de ne considérer que les membres du cluster de l'utilisateur courant pour effectuer les prédictions. Firefly Cette méthode filtre les utilisateurs en définissant les utilisateurs les plus corrélés à l'utilisateur courant comme des mentors. De cette manière, seuls les mentors dont la valeur de corrélation de Pearson[2] est supérieure à un seuil paramétré sont considérés dans le processus de calcul de prédiction. LikeMinds Cette méthode filtre les utilisateurs en introduisant la notion de proximité entre les évaluations des utilisateurs. [...]
[...] Ainsi, il y'a plusieurs critères qui satisfassent l'utilisateur et ces critères diffèrent d'un utilisateur à un autre et d'une situation à l'autre. Conclusion de la partie III Le filtrage collaboratif proposé par le LORIA a donc été adapté pour tirer parti des caractéristiques de JCMS. Ses résultats sont validés par les calculs de MAE. Les performances sont encourageantes, mais le système est jeune et reste perfectible. La suppression des réseaux bayésiens a permis de réduire les temps de calculs du filtrage collaboratif du processus off-line et nécessite moins de ressources système. [...]
[...] L'inconvénient est qu'il y a une grande diversité de techniques d'évaluation, elles fournissent des résultats qui ne sont pas comparables, car il n'existe toujours pas de standardisation des métriques employées pour l'évaluation. La deuxième catégorie est l'évaluation sur le terrain qui a pour but d'étudier la performance globale du système. Évaluations réalisées en laboratoire Ce type d'évaluation vise à comparer la performance de plusieurs moteurs de filtrage collaboratif. Il s'agit de mesurer automatiquement sa rapidité et sa correction. Parmi les techniques, on peut souligner celle de la collection-test consistant en une base d'évaluations fournies par de vrais utilisateurs. [...]
Référence bibliographique
Source fiable, format APALecture en ligne
avec notre liseuse dédiée !Contenu vérifié
par notre comité de lecture
