Problème
Une marque de luxe avait besoin d'un système de recommandation, mais le collaborative filtering standard se casse sur le luxe — la fréquence d'achat est faible, la co-occurrence statistique entre clients est sparse, et l'esthétique de la marque compte bien plus que le clustering par prix. Un client qui achète une pièce ne suit pas le même pattern que le suivant.
Approche
Recommandation multimodale combinant embeddings d'imagerie produit, métadonnées catalogue structurées (collection, saison, tags esthétiques) et descriptions en langage naturel. Couche LLM qui génère la justification de la recommandation ("ceci complète votre pièce précédente en portant la même famille de couleurs de la collection automne"), pour que les clients voient pourquoi la recommandation a été faite — important pour une catégorie où confiance et storytelling comptent autant que la suggestion elle-même.
Stack
Multimodal embeddings · vector index · Claude / GPT-4 for rationale · structured catalogue API · Python service layer
Résultat
Des recommandations qui respectent l'ADN esthétique de la marque plutôt que de chasser la co-occurrence statistique pure. La couche de justification en langage naturel a surpassé les recommandations silencieuses sur l'engagement — les clients luxe attendent une histoire, pas une suggestion boîte-noire.