Barbedudaron
Les catalogues des services numériques ont depuis longtemps atteint une taille qui rend la recherche manuelle inutile. Le streaming propose des milliers de films et de séries, les services musicaux des millions de titres, les plateformes de jeux des milliers de jeux.
Les algorithmes de recommandation décident de ce que l’utilisateur verra en premier. Comprendre leur logique permet d’obtenir des sélections plus pertinentes et de garder le contrôle sur ce qui apparaît dans le fil.
Sur quoi reposent les recommandations ?
Tout système de recommandation fonctionne à partir de signaux sur le comportement de l’utilisateur. Les signaux explicites sont laissés par l’utilisateur lui-même : une note, un like ou l’ajout d’un contenu aux favoris. Les signaux implicites sont collectés automatiquement par le système : ce qui a été lancé, la durée du visionnage, ce qui a été passé au bout de quelques secondes. Les signaux implicites sont bien plus nombreux, c’est pourquoi ce sont eux qui déterminent le plus souvent la sélection finale.
Trois approches de base s’appuient sur ces signaux :
- le filtrage collaboratif recherche des utilisateurs aux goûts similaires et propose ce qui leur a plu ;
- le filtrage basé sur le contenu analyse les propriétés du contenu lui-même : genre, rythme, artiste, mécanique de jeu ;
- les modèles hybrides combinent les deux méthodes et compensent leurs points faibles.
Les signaux contextuels jouent un rôle à part. L’heure de la journée, l’appareil utilisé et la durée de la session influencent le type de contenu pertinent. Le scénario d’un visionnage en soirée sur un téléviseur diffère de celui d’un smartphone en déplacement, et les systèmes tiennent compte de ces différences.
Le point faible de tout système s’appelle le problème du démarrage à froid. Un nouvel utilisateur n’a encore laissé aucun signal, et un nouveau film ou un nouveau titre n’a encore été évalué par personne. C’est pourquoi les services demandent de choisir ses genres préférés lors de l’inscription, et montrent les nouveautés à une partie de l’audience afin de collecter rapidement les premières données.
La personnalisation sur les plateformes de jeux
Les plateformes de jeux appliquent les mêmes principes que les services de streaming. Les sites qui figurent dans le top casino en ligne proposent généralement des milliers de jeux issus de dizaines de fournisseurs, et sans personnalisation, l’utilisateur aurait du mal à s’orienter dans le catalogue. L’algorithme tient compte des genres, des mécaniques et des thèmes préférés, ainsi que du comportement des joueurs aux préférences similaires.
La personnalisation touche presque tous les éléments de l’interface, de la page d’accueil à la rubrique des nouveautés. Le tableau montre quels blocs du lobby s’adaptent généralement à l’utilisateur et sur la base de quelles données.
| Élément du lobby | Données prises en compte | Ce que voit l’utilisateur |
| Bloc « Recommandés » | Historique de jeu et choix de joueurs similaires | Une sélection de jeux aux mécaniques proches |
| Ordre des catégories | Fréquence de choix des genres | Les rubriques préférées en haut de la page |
| Nouveautés | Thèmes et mécaniques des jeux joués | Des sorties au style similaire |
| Tables live | Jeux préférés et niveau des mises | Des tables aux limites adaptées |
| Jeu responsable | Durée des sessions et dépôts | Rappels et propositions de fixer des limites |
Une particularité importante du secteur concerne le jeu responsable. Les mêmes données de session qui servent à recommander des jeux permettent de repérer les signes d’une activité excessive. Les opérateurs sous licence les utilisent pour envoyer des rappels sur le temps de jeu, proposer de fixer des limites et suggérer des pauses temporaires. Le système de recommandation sert ainsi non seulement l’engagement, mais aussi le contrôle.
Netflix : la recommandation au cœur du produit
Netflix est considéré comme l’un des pionniers de la personnalisation à grande échelle. En 2006, l’entreprise a lancé le concours ouvert Netflix Prize, doté d’un million de dollars pour l’équipe qui améliorerait de 10 % la précision de son algorithme. En 2009, l’équipe BellKor’s Pragmatic Chaos a remporté le prix. La solution gagnante n’a toutefois jamais été mise en production dans son intégralité, car les coûts d’ingénierie dépassaient le bénéfice attendu.
Selon une estimation des responsables produit de Netflix, publiée dans un article scientifique en 2015, environ 80 % des heures visionnées concernent des contenus découverts grâce aux recommandations. Le reste est trouvé par la recherche. Les auteurs ont estimé la valeur du système pour l’entreprise à plus d’un milliard de dollars par an grâce à la réduction du taux de désabonnement.
Chez Netflix, la personnalisation ne se limite pas au choix des films. Le service adapte l’ordre des rangées sur la page d’accueil et même les visuels : un spectateur verra une image avec un acteur qu’il regarde souvent, un autre une scène qui met en avant le genre. En 2017, Netflix a remplacé les notes sur cinq étoiles par un système « j’aime » et « je n’aime pas », car les utilisateurs laissent plus volontiers un signal simple.
Spotify : la musique que l’auditeur n’a pas encore entendue
Spotify relève un défi plus complexe : recommander non pas des tubes populaires, mais des titres nouveaux pour l’auditeur. En 2015, le service a lancé Discover Weekly, une playlist personnalisée de 30 titres mise à jour chaque lundi. Ce format est devenu l’un des produits les plus emblématiques de l’entreprise.
Le système de Spotify combine plusieurs sources de données. Le modèle collaboratif analyse un très grand nombre de playlists d’utilisateurs et repère les titres qui apparaissent souvent ensemble. Des modèles de langage traitent les textes consacrés à la musique sur internet, tandis que l’analyse audio évalue le tempo, la tonalité et le son. Une grande partie de ces technologies est arrivée dans l’entreprise après le rachat de The Echo Nest en 2014.
Cette approche résout en partie le problème du démarrage à froid pour les nouveaux titres. Même si personne n’a encore écouté une chanson, l’analyse audio permet de la placer à côté de morceaux similaires. Pour les musiciens débutants, c’est une réelle chance de trouver un public sans gros budget publicitaire.
Comment les services évaluent la qualité des recommandations ?
Aucun algorithme n’est déployé sans vérification. Le principal outil s’appelle le test A/B : une partie de l’audience reçoit la nouvelle version des recommandations, tandis qu’un groupe témoin conserve l’ancienne. La comparaison porte non seulement sur les clics, mais aussi sur des indicateurs à long terme, comme la rétention des utilisateurs au bout d’un mois.
« Chez Harrah’s, on peut être licencié pour deux raisons : voler l’entreprise ou mener une expérience commerciale sans groupe témoin. » Ces mots sont attribués à Gary Loveman, ancien PDG de Harrah’s Entertainment, qui a bâti l’un des premiers programmes de fidélité de casino fondés sur l’analyse de données.
Outre les tests A/B classiques, les services utilisent des algorithmes de bandits manchots. Ils affichent progressivement plus souvent les variantes les plus performantes, tout en continuant à tester les alternatives.
Depuis 2015, je partage mes retours d'expérience sur les soins et tendances à destination des hommes : rasage, entretien de la barbe et des cheveux, bien-être, lifestyle. A la recherche incessante de marques et produits de qualité avec des valeurs et des propositions fortes pour vous aider à améliorer votre quotidien.
