Améliorer la recherche Walmart : Gagner du temps pour des millions de clients

Walmart.com, une plateforme de commerce électronique de premier plan, améliore continuellement son moteur de recherche pour améliorer l'expérience client. Cet article explore comment Walmart exploite l'apprentissage automatique et l'IA pour proposer des produits plus pertinents pour les requêtes complexes, ce qui permet à des millions de clients de gagner un temps précieux et de générer des conversions.

Le défi des requêtes de longue traîne

Les requêtes de longue traîne, par nature, souffrent d'un trafic et d'un engagement utilisateur limités. Il est donc difficile de s'appuyer sur des signaux traditionnels pour les systèmes de rappel et de classement. Pour surmonter cela, Walmart s'est tourné vers des stratégies et des technologies de pointe en matière de traitement du langage et d'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 apparaître 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 placer les articles les plus pertinents en tête des résultats de recherche.

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

Implémentation et innovations

Le parcours de Walmart a impliqué l'optimisation de la logique de correspondance des types de produits et l'affinage de la compréhension de l'importance des mots individuels (tokens) dans les requêtes. Initialement, leurs sous-systèmes de recherche étaient optimisés pour les requêtes "de tête" ou principales, qui représentent une part significative des ventes. Cependant, l'application de cette logique stricte aux requêtes de longue traîne filtrait souvent les produits pertinents. En supprimant le filtrage strict des types de produits et en tirant parti de l'amélioration des types de produits, ils ont constaté une amélioration de la pertinence de la recherche de plus de 1,5 %, ce qui a entraîné un engagement client plus fort. De plus, en attribuant des scores d'importance à chaque token dans une requête, ils peuvent mieux extraire et comprendre l'intention du client, ce qui se traduit par une amélioration de 4,8 % de la pertinence de la recherche et une augmentation de l'engagement client et de la conversion. Ce processus d'attribution d'importance aux tokens et de compréhension de l'intention sous-jacente est une étape fondamentale vers la création de données plus facilement consommables par les modèles d'IA avancés, qui se nourrissent d'informations structurées et sémantiquement riches. Leur investissement dans les systèmes de classement, y compris le renforcement de la correspondance des types de produits dans le premier classeur et l'amélioration du re-classeur, a également augmenté la pertinence de la recherche de plus de 4,5 %.

¹: Source: algolia.com, luigisbox.com

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

Alors que Walmart se tourne vers l'avenir, l'accent reste mis sur l'amélioration continue de l'expérience de recherche. Cela inclut l'exploitation de l'apprentissage profond pour une meilleure compréhension des requêtes, l'amélioration des moteurs de rappel avec des techniques avancées pour les articles de longue traîne, et le développement de nouvelles fonctionnalités et de nouveaux signaux pour les systèmes de re-classement.

Cette recherche continue de l'excellence de la recherche dans le commerce électronique souligne l'importance plus large de l'optimisation des moteurs génératifs (GEO). À mesure 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, l'optimisation pour ces systèmes avancés devient primordiale. Des plateformes comme alloia.ai émergent pour fournir les outils et les informations de pointe nécessaires pour aider les plateformes de commerce électronique et les créateurs de contenu à comprendre comment l'IA générative interprète les informations sur les produits et l'intention du client. En tirant parti des technologies qui structurent les données dans des formats consommables par l'IA, tels que 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 sont non seulement découvrables, mais aussi très pertinents et affichés en évidence dans le paysage évolutif de la recherche e-commerce alimentée par l'IA, ce qui permet en fin de compte de gagner du temps pour les clients et de générer des conversions.

L'engagement de Walmart à faciliter la recherche et à faire gagner du temps aux clients témoigne de la puissance de l'optimisation continue dans l'espace de la vente au détail numérique.

Pour une compréhension complète de l'optimisation des moteurs génératifs, explorez notre guide principal : Optimisation des Moteurs Génératifs : La Clé pour Libérer Tout le 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