Nous utilisons constamment des systèmes de recommandation, souvent sans même nous en apercevoir. Ils construisent un profil nous correspondant afin de nous recommander le contenu le plus susceptible de nous intéresser. Les données représentant les utilisateurs, leurs interactions avec le système ou encore les produits peuvent provenir de sources différentes et être de natures diverses. Notre objectif est d'appliquer les approches d'apprentissage multi-vues pour améliorer notre système de recommandation dans le domaine du pneumatique et lui permettre de gérer au mieux des données organisées en de multiples vues. Nous présentons une étude comparative entre plusieurs modèles multivues de l'état de l'art appliqués à nos données industrielles. Celle-ci nous a permis de démontrer la pertinence de l'utilisation de l'apprentissage multi-vues au sein de systèmes de recommandation.