Analyse IA d’un site e-commerce : Amazon

Date : 9 décembre 2025
Cours : Intelligence Artificielle Appliquée

1. Présentation du site choisi

Amazon est le leader mondial du commerce en ligne, fondé en 1994 par Jeff Bezos. Initialement librairie en ligne, la plateforme propose aujourd’hui des millions de produits dans toutes les catégories : électronique, mode, maison, alimentation, services numériques (Prime Video, Music, etc.). Le site fonctionne comme une marketplace hybride : Amazon vend directement et permet à des vendeurs tiers d’écouler leurs stocks.

Amazon représente le cas industriel le plus abouti en matière d’IA appliquée au e-commerce : recommandations ultra-personnalisées, gestion prédictive des stocks, recherche visuelle, modération automatique, etc.

2. Machine Learning (ML)

Le Machine Learning est omniprésent sur Amazon. Exemples de prédictions :

Probabilité d’achat d’un produit (classification binaire ou score de propension. Il s’agit d’une prédiction probabiliste : un score entre 0 et 1 (ou 0 % à 100 %) indiquant la chance qu’un individu achète un produit (ou convertisse) dans un contexte donné (prochaine visite, campagne marketing, etc.). Ce n’est pas une certitude, mais une estimation issue d’un modèle statistique ou d’intelligence artificielle. )
Estimation de la note future d’un article (régression)
Prédiction du délai de livraison selon localisation et charge logistique
Détection des produits à risque de rupture de stock (classification ou clustering)

Données utilisées : historique de navigation, panier abandonné, prix concurrent, avis, catégorie, données démographiques, etc.

3. CNN – Vision et reconnaissance d’images

Les réseaux convolutifs (ResNet, EfficientNet, etc.) sont utilisés pour :

Recherche visuelle (« upload une photo → trouver le produit »)
Détection de produits visuellement similaires
Classification automatique des images uploadées par les vendeurs
Vérification qualité (flou, éclairage, fond blanc obligatoire)

Exemple concret : un utilisateur prend en photo des baskets rouges dans la rue → Amazon Lens reconnaît la forme, la marque, la couleur et propose immédiatement le même modèle ou des alternatives similaires.

4. NLP – Analyse du texte et des avis

Le traitement automatique du langage traite des millions d’avis chaque jour :

Analyse de sentiment (positif/négatif/neutre)
Extraction d’attributs clés (ex. « batterie dure 2 jours », « taille petit »)
Détection d’avis frauduleux ou générés par IA
Résumé automatique des avis (affiché en haut de page)

Sur 10 000 avis d’un smartphone, le modèle BERT identifie que les mots les plus cités sont « batterie longue », « écran fluide », « chauffe rapidement » → ces insights sont affichés sous forme de tags.

5. LSTM – Séries temporelles

Les réseaux LSTM excellent pour prévoir les évolutions temporelles :

Prévision des ventes journalières/hebdomadaires
Anticipation des ruptures de stock
Détection des tendances saisonnières (jouets en décembre, climatiseurs en juin)
Prévision de l’évolution des prix concurrents

En novembre, le modèle LSTM prévoit une explosion ×5 des ventes de jouets 3 semaines avant Noël → Amazon déclenche automatiquement des commandes fournisseurs.

6. Autoencodeur – Espace latent et détection d’anomalies

Création d’un espace latent pour regrouper les produits similaires (recommandations)
Détection d’anomalies : produit très éloigné des autres de sa catégorie (fraude, erreur de catégorie)
Réduction de dimensionnalité (images 2048→128, texte + métadonnées)

Un sac à main à 8 € dans la catégorie luxe est détecté comme anomalie par l’autoencodeur → alerte automatique pour vérification contrefaçon.

7. Reinforcement Learning (RL)

Un agent apprend par essai-erreur pour maximiser une récompense (ex. chiffre d’affaires) :

Pricing dynamique en temps réel
Optimisation de la position des produits dans les pages résultats et « Clients qui ont acheté… »
A/B testing automatisé à grande échelle

L’agent teste 50 stratégies de prix sur un livre pendant 24 h et garde celle qui a généré le plus de marge → appliquée ensuite à des milliers de références similaires.

8. Comment détecter les éléments utiles sur Amazon

NLP → section « Avis clients » sous chaque produit (texte + note étoilée)
ML → prix, catégorie, nombre d’évaluations, « Meilleure vente », badge Prime
CNN → photos haute résolution (clic droit → ouvrir l’image pour récupérer l’URL)
LSTM → historique des prix via Keepa ou CamelCamelCamel. C’est un type d’IA spécialisé pour se souvenir des choses dans l’ordre, telle une mémoire à long terme. Les IA normales oublient vite le passé, mais LSTM garde en souvenir ce qui s’est passé il y a longtemps. Ainsi il se souvient : "Il y a 2 mois c’était bas pour Noël, l’an dernier pareil..." donc il devine mieux ! LSTM lit la séquence des prix passés (de Keepa par exemple) et apprend les patterns (baisses saisonnières, hausses en pénurie...).
Autoencodeur → combinaison images + description + caractéristiques techniques
RL → blocs « Les clients ont aussi acheté », « Produits sponsorisés », ordre des résultats

Toutes ces données sont accessibles publiquement en naviguant simplement sur le site.