Selon une étude, la décision d’achat d’un produit par les consommateurs est basée sur sa recommandation en ligne, Retail News, ET Retail

Alors que de plus en plus de personnes font leurs achats en ligne, il est de plus en plus important de comprendre comment elles s’appuient sur les systèmes de recommandation du commerce électronique pour faire leurs achats. Des chercheurs de la Penn State University ont suggéré que ce n’est pas seulement ce qui est recommandé, mais aussi comment et pourquoi il l’est, qui contribue à façonner l’opinion des consommateurs.

Dans le cadre de l’étude publiée dans le Journal of Advertising, les chercheurs ont examiné comment les gens réagissaient à deux systèmes de recommandation de produits. Le premier système générait des recommandations basées sur les achats précédents de l’utilisateur – souvent appelés systèmes de recommandation basés sur le contenu.

Le second fournissait des recommandations basées sur ce que d’autres personnes avaient acheté — on parle alors de systèmes de recommandation collaborative.

Les chercheurs ont constaté que les personnes qui aiment réfléchir et résoudre des problèmes par elles-mêmes – un type de personnalité que les chercheurs qualifient de “besoin élevé de cognition” – trouvent les recommandations basées sur le contenu plus persuasives.

Cependant, les personnes dont le besoin de cognition est faible sont plus convaincues par les systèmes de recommandation collaboratifs, qui peuvent servir de signal que d’autres acheteurs ont déjà examiné le produit pour eux.

La nature du système de recommandation et son degré de confiance dans la suggestion des bons produits peuvent être très importants pour guider les gens lors de leurs achats en ligne, a déclaré S. Shyam Sundar, professeur James P. Jimirro des effets des médias au Donald P. Bellisario College of Communications et co-directeur du Media Effects Research Laboratory.

À l’ère pré-Internet, avant l’intelligence artificielle, nous demandions à une autre personne lors d’un cocktail : “J’ai entendu dire que vous êtes allé en Italie, pouvez-vous me donner quelques recommandations, je m’y rends le mois prochain ?” C’était un moyen de recueillir des informations pour prendre nos décisions”, a déclaré Sundar, qui est également affilié à l’Institute for Computational and Data Sciences de Penn State.

“Maintenant, nous allons en ligne et pouvons accéder aux informations d’à peu près tout le monde qui est allé en Italie le mois dernier, pas seulement l’ami que vous avez croisé au cocktail. Vous êtes désormais en mesure d’obtenir ces informations sur l’expérience collective des autres, ainsi que sur la façon dont elle s’accorde avec votre propre parcours et vos voyages antérieurs.”

A lire également : L’Inde mène la croissance des dépenses publicitaires des produits de grande consommation : Rapport Selon Mengqi Liao, doctorant en communication de masse et premier auteur de l’article, un subtil “effet d’entraînement” pourrait persuader les gens.

“Du point de vue d’un profane, nous pourrions ne pas savoir qu’il s’agit en fait de deux systèmes de recommandation différents”, a déclaré Liao. “Un système pourrait simplement dire au client que la recommandation est basée sur ce qu’il a acheté auparavant. Mais le système de recommandation collaborative véhicule le fait que beaucoup d’autres personnes ont acheté ce produit, ce qui ajoute une autre couche d’attrait persuasif.”

Les chercheurs ont également constaté que l’efficacité des systèmes de recommandation était liée au type de produit recommandé par le système.

Lors de la prise de décision concernant des expériences, telles que des films, des destinations de voyage et des restaurants, les consommateurs ayant un besoin élevé de cognition étaient plus susceptibles de répondre à des informations sur la mesure dans laquelle le produit recommandé reflète leurs préférences personnelles – exprimées en termes de pourcentage de correspondance avec les produits recommandés par les systèmes de filtrage basés sur le contenu.

Cependant, les consommateurs ayant un faible besoin de cognition préféraient le filtrage collaboratif parce qu’ils étaient plus convaincus par le pourcentage d’autres personnes ayant acheté l’article recommandé, ce qui favorisait également leur intention d’acheter cet article.

De telles différences n’ont pas été constatées pour les recommandations de “produits de recherche”, dont les informations peuvent être obtenues par une recherche en ligne. Les deux types de personnalité préfèrent les systèmes de recommandation collaboratifs.

“Vous pouvez y penser comme une sorte d’externalisation cognitive”, a déclaré Sundar. “Un client peut voir la publicité pour une smartwatch, par exemple, et voir les caractéristiques, mais se dire : ‘Je ne vais pas faire le travail difficile d’examiner tous les détails et de parvenir à la conclusion de ce qui est mieux, je vais juste externaliser cela à d’autres.’ S’ils disent que c’est une bonne smartwatch, alors ils l’achèteront.”

Selon Liao, la plupart des recherches sur les systèmes de recommandation se concentrent sur l’optimisation des suggestions de ces systèmes.

Ces résultats suggèrent que les développeurs devraient peut-être tenir compte d’autres facteurs, tels que les types de personnalité et les types de produits, pour améliorer l’expérience utilisateur de leurs systèmes, plutôt que de se concentrer uniquement sur la précision des suggestions de leur algorithme.

“Beaucoup de choses peuvent dépendre de la façon dont les utilisateurs reçoivent les informations sur les recommandations fournies par les systèmes”, a déclaré Liao. “Il importe de savoir pourquoi ces systèmes fournissent les recommandations de produits et d’expériences.”

Les chercheurs ont recruté 469 personnes sur un site de micro-tâches crowdsourcées en ligne pour l’étude et les ont assignées au hasard à un site web expérimental qui utilisait soit un algorithme de filtrage collaboratif, soit un algorithme de filtrage de contenu.

Pour les systèmes collaboratifs, les chercheurs ont utilisé une fourchette de pourcentage pour indiquer combien de personnes similaires ont utilisé le produit recommandé – ou pourcentage de correspondance – et servir d’indice pour l’effet bandwagon.

Pour les systèmes basés sur le contenu, les mêmes pourcentages ont été utilisés pour suggérer dans quelle mesure le produit recommandé correspondait aux caractéristiques personnelles du consommateur en fonction de son profil d’utilisateur. Il y avait trois niveaux d’indicateurs de pourcentage de correspondance : faible, moyen et élevé.

En testant les deux différents types de produits – recherche et expérience – les chercheurs ont utilisé une recommandation de montre intelligente comme exemple de produit de recherche et une recommandation de destination touristique pour explorer les réactions des participants aux produits d’expérience.

Avant de naviguer sur le site de commerce électronique, tous les participants ont répondu à une série de questions visant à déterminer s’ils étaient de type personnalité à fort besoin de cognition ou à faible besoin de cognition.

Comme les chercheurs n’ont testé que deux produits et deux systèmes de recommandation courants, des recherches futures pourraient examiner les effets psychologiques d’autres systèmes et étudier d’autres types de produits. Les chercheurs ont déclaré que cela pourrait aider à vérifier la validité de leurs résultats.

A lire également : Nous veillerons à ce que l’impact sur les consommateurs soit minimal : Sanjiv Mehta, président de HUL



Estimez votre maison en ligne