Une approche de filtrage collaborating mise au point pour prédire des achats intercatégories basée sur des paniers de données binaires

Pendant longtemps, les distributeurs se sont intéressés au comportement d'achat intercatégoriel de leurs clients. Récemment, la recherche de modèles de relations intercatégorielles parmi les assortiments de distribution est devenue de plus en plus attractive, du fait de son potentiel promotionnel, pour les systèmes de recommandation utilisés dans des environnements Internet. Les algorithmes de filtrage collaboratif sont fréquemment utilisés dans de tels cadres pour la prédiction de choix, de préférences et/ou de notations d'internautes. Cet article étudie la pertinence de telles méthodes pour des situations de consommation où l'information de choix est binaire sans contrainte (i. e., choix/non-choix d'items, comme dans le cas de données concernant des paniers d'achats). Nous présentons une extension des algorithmes de filtrage collaboratif pour ce type de situation et nous l'appliquons à une base de données concrète de transactions commerciales. La nouvelle méthode est comparée à d'autres algorithmes plus conventionnels et peut être considérée comme précise pour effectuer des prévisions. Retail managers have been interested in learning about cross-category purchase behavior of their customers for a fairly long time. More recently, the task of inferring cross-category relationship patterns among retail assortments is gaining attraction due to its promotional potential within recommender systems used in online environments. Collaborative filtering algorithms are frequently used in such settings for the prediction of choices, preferences and/or ratings of online users. This paper investigates the suitability of such methods for situations when only binary pickany customer information (i.e., choice/non-choice of items, such as shopping basket data) is available. We present an extension of collaborative filtering algorithms for such data situations and apply it to a realworld retail transaction dataset. The new method is benchmarked against more conventional algorithms and can be shown to deliver superior results in terms of predictive accuracy.