Plus Personnalisé, Plus Utile ? Réexamen des Mécanismes de Recommandation dans le Commerce Électronique

Dans quelle mesure les entreprises devraient-elles investir dans des mécanismes de recommandation personnalisés, et toutes les recommandations personnalisées sont-elles accueillies de la même manière par les consommateurs en ligne ? Pour répondre à ces questions à travers le prisme de la théorie de l'adéquation des ressources, nous examinons les perceptions des utilisateurs concernant trois types de recommandations personnalisées : one-to-all (non personnalisée), one-to-many (partiellement personnalisée) et one-to-one (le plus personnalisé). En utilisant à la fois des approches expérimentales et d'analyse configurationnelle, notre étude postule que les consommateurs en ligne vivent différemment chaque type de recommandation personnalisée et leurs sources d'adéquation des ressources (familiarité, complexité, information externe) dans divers contextes d'achat. Notre étude formule de manière abductive plusieurs propositions théoriques concernant l'utilité de chaque recommandation personnalisée. Nous montrons des preuves empiriques que la recommandation la plus personnalisée n'est pas toujours perçue comme étant aussi utile que l'on croit généralement. En particulier, il a été constaté qu'une recommandation hautement personnalisée est utile pour recommander des produits technologiques simples aux clients expérimentés. Ironiquement, une recommandation partiellement personnalisée, one-to-many, est perçue comme le mécanisme le plus utile pour recommander des produits technologiques compliqués. Sur la base de nos résultats, nous suggérons que les vendeurs de commerce électronique prennent en compte les trois dimensions d'adéquation des ressources pour éviter de collecter plus que suffisamment de données clients, permettant ainsi d'obtenir des résultats de recommandations adéquatement personnalisées sur leurs plateformes numériques en ligne.