Améliorer la recherche Walmart : Faire gagner du temps à des millions de clients

Walmart.com, une plateforme e-commerce de premier plan, améliore continuellement son moteur de recherche pour améliorer l'expérience client. Cet article explore comment Walmart utilise l'apprentissage automatique et l'IA pour livrer des produits plus pertinents pour les requêtes complexes, faisant finalement gagner du temps précieux à des millions de clients et stimulant les conversions.

Le défi des requêtes de queue

Les requêtes de queue, par leur nature, souffrent d'un trafic limité et d'un engagement utilisateur réduit. Cela rend difficile de se fier aux signaux traditionnels pour les systèmes de rappel et de classement. Pour surmonter cela, Walmart s'est tourné vers des stratégies et technologies de pointe en traitement du langage et apprentissage profond. Leurs efforts se sont concentrés sur deux domaines clés :

1. Améliorer le rappel de recherche : Utiliser les dernières techniques d'apprentissage automatique (ML) pour faire remonter des articles pertinents qui n'auraient peut-être pas été affichés auparavant.
2. Améliorer les systèmes de classement de recherche : Employer le ML et l'IA pour amener les articles les plus pertinents aux premières positions de recherche.

Ces initiatives ont déjà mené à des améliorations significatives de la pertinence de recherche, faisant gagner du temps à des millions de clients Walmart. Par exemple, les sites e-commerce avec des capacités de recherche avancées peuvent voir leurs taux de conversion presque doubler par rapport à ceux avec une recherche basique, certaines études montrant que les chercheurs sur site sont 2,4 fois plus susceptibles d'acheter et dépensent 2,6 fois plus sur mobile et desktop ¹.

Implémentation et innovations

Le parcours de Walmart a impliqué l'optimisation de la logique de correspondance de type de produit et l'affinement de la façon dont ils comprennent l'importance des mots individuels (jetons) dans les requêtes. Initialement, leurs sous-systèmes de recherche étaient optimisés pour les requêtes "tête" ou principales, qui constituent une portion significative des ventes. Cependant, appliquer cette logique stricte aux requêtes de queue filtrait souvent les produits pertinents. En supprimant le filtrage strict de type de produit et en utilisant l'amplification de type de produit, ils ont vu la pertinence de recherche s'améliorer de plus de 1,5%, menant à un engagement client plus fort. De plus, en assignant des scores d'importance à chaque jeton dans une requête, ils peuvent mieux extraire et comprendre l'intention client, résultant en une amélioration de 4,8% de la pertinence de recherche et un engagement et une conversion client accrus. Ce processus d'assignation d'importance aux jetons et de compréhension de l'intention sous-jacente est une étape fondamentale vers la création de données qui sont plus facilement consommables par les modèles d'IA avancés, qui prospèrent sur des informations structurées et sémantiquement riches. Leur investissement dans les systèmes de classement, incluant le renforcement de la correspondance de type de produit dans le classificateur de premier tour et l'amélioration du re-classificateur, a aussi élevé la pertinence de recherche de plus de 4,5%.

¹: Source : algolia.com, luigisbox.com

L'avenir de la recherche e-commerce et l'optimisation des moteurs génératifs

Alors que Walmart regarde vers l'avenir, l'accent reste sur l'amélioration continue de l'expérience de recherche. Cela inclut utiliser l'apprentissage profond pour une compréhension de requête améliorée, améliorer les moteurs de rappel avec des techniques avancées pour les articles de longue traîne, et développer de nouvelles fonctionnalités et signaux pour les systèmes de re-classement.

Cette poursuite continue de l'excellence de recherche dans l'e-commerce souligne l'importance plus large de l'Optimisation des Moteurs Génétatifs (GEO). Alors que les clients s'appuient de plus en plus sur des capacités de recherche sophistiquées, et que l'IA joue un rôle plus important dans la découverte de produits, optimiser pour ces systèmes avancés devient primordial. Des plateformes comme alloia.ai émergent pour fournir les outils et insights de pointe nécessaires pour aider les plateformes e-commerce et créateurs de contenu à comprendre comment l'IA générative interprète les informations produit et l'intention client. En utilisant des technologies qui structurent les données dans des formats consommables par l'IA, comme les graphes de données et les représentations vectorisées, et en adhérant aux protocoles émergents comme MCP/ACP, les entreprises peuvent s'assurer que leurs produits ne sont pas seulement découvrables mais aussi hautement pertinents et affichés de manière proéminente dans le paysage évolutif de la recherche e-commerce alimentée par l'IA, faisant finalement gagner du temps aux clients et stimulant les conversions.

L'engagement de Walmart à rendre la recherche plus facile et à faire gagner du temps aux clients est un témoignage de la puissance de l'optimisation continue dans l'espace de vente au détail numérique.

Pour une compréhension complète de l'Optimisation des Moteurs Génératifs, explorez notre guide principal : L'Optimisation des Moteurs Génératifs : La clé pour libérer le plein potentiel de l'IA

---

Cet article a été inspiré par "Improving Walmart Search to help our customers save time!" sur Medium.

Source : https://medium.com/walmartglobaltech/improving-walmart-search-to-help-our-customers-save-time-e9fcd1f03e94