Système de recommandation

Cerfrance, réseau national de conseil et d’expertise comptable, a mené un projet stratégique visant à valoriser ses données historiques grâce à l’intelligence artificielle. L’objectif était de concevoir un système de recommandation bilatéral capable d’optimiser la relation commerciale en répondant à deux enjeux majeurs : identifier les prestations les plus pertinentes pour chaque client (cross-selling) et cibler précisément les prospects pour chaque offre.

Pour relever ce défi, une démarche R&D rigoureuse a été entreprise, comparant huit modèles algorithmiques. Le modèle retenu, une « Factorization Machine » (FM), s’est distingué par sa performance, tout en garantissant une grande efficacité sur des données éparses. Cette approche hybride combine l’historique d’achats avec des profils clients statiques pour une personnalisation accrue.

L’implémentation technique, finalisée dans le cadre de ce POC, comprend un pipeline ETL complet et une API robuste, permettant un déploiement rapide en production. Cette solution offre à Cerfrance une architecture flexible et scalable, prête à transformer ses données en recommandations actionnables pour soutenir les futures évolutions métier du réseau.

Points forts de la solution développée

• Performance éprouvée : le modèle Factorization Machine (FM) atteint des performances surpassant nettement les approches de segmentation métier traditionnelles et garantissant une pertinence élevée des recommandations.
• Approche hybride intelligente : la solution exploite intelligemment le croisement entre l’historique d’achat des clients et des données de profil statiques (métier, ancienneté, fiscalité), permettant une personnalisation fine même sur des signaux rares.
• Architecture robuste et scalable : le déploiement technique repose sur un pipeline ETL complet et une API légère, permettant une intégration rapide et une réponse quasi instantanée (< 1 ms) pour les besoins métier.
• Double levier commercial : l’outil offre une flexibilité totale en répondant aux deux enjeux majeurs : identifier les prestations idéales pour un client (cross-selling) et cibler les prospects pertinents pour une prestation spécifique (I2U)