IDEO LAB Dashboard 2026

Personnalisation & Recommandation

Reco produits/contenus; batch + temps réel; AB-tests.

DRF · Postgres · job batch · embeddings ROI: élevé Effort: moyen+ Complexité: moyenne

Architecture de référence

Events (views, clicks, buy) → Feature store → Modèle (ALS/embeddings) → API /recommend → UI.

Quick Wins

Démarrer item-item sur co-occurrence.
AB-test simple (bucket cookie).
Règles business en post-filtre.

Normaliser user_id (auth/anon).
Poids: buy>click>view.

models.py — Event python
class Event(models.Model):
    user_id = models.CharField(max_length=64)
    item_id = models.CharField(max_length=64)
    etype = models.CharField(max_length=16, choices=[('view','view'),('click','click'),('buy','buy')])
    ts = models.DateTimeField(auto_now_add=True)

Diversité & sérendipité.
Filtrer déjà vus.

management command — build_reco python
# calcule similarité item-item puis sauvegarde topN par item
views.py — /api/recommend python
from rest_framework.decorators import api_view
from rest_framework.response import Response

@api_view(['GET'])
def recommend(request):
    uid = request.GET.get('user')
    # merge règles + modèle + diversité
    return Response({'items': ['A','B','C']})