Mais comment garantir un algorithme plus pertinent que les conseils avisés d’un proche ? Notre ordinateur aurait-il un meilleur goût que nos amis ?
Cependant les utilisateurs n’étaient pas forcément ravis de promouvoir, ou du moins de partager leurs informations ! Qui n’a jamais eu des remarques sur ses goûts musicaux après avoir découvert que la musique qu’il écoutait était partagée sur Facebook ?
Les services ont entendu ce problème et élaborent aujourd’hui une recommandation plus discrète… qui n’en est pas moins addictive ! Disposant d’un fort pouvoir de personnalisation, les nouveaux moteurs peuvent impressionner par leur précision. Avec un algorithme relié directement à nos proches, aux proches de nos proches, aux actualités concernant des sujets qui nous intéressent,…, nous sommes sûrs de trouver un contenu qui nous touche et qui nous fera poursuivre l’expérience sur le site.
Ainsi l’explique Steve Plunkett, le CTO de RedBee médias (moteur de recommandation utilisé par les opérateurs de vidéo en ligne): “Nous créons ce que nous appelons une carte de pertinence entre les éléments de contenu tels que les programmes de télévision dans notre base de données.”.
Pour un service de média numérique, utiliser ces services de recommandation peut augmenter considérablement l’engagement des consommateurs. Ce qui est déterminant dans un service de recommandation, c’est bien évidemment l’algorithme de son moteur. Rappelons qu’en 2009, Netflix a payé 1 million de dollars à un groupe concurrent qui a contribué avec succès à l’amélioration de son logiciel de recommandations CineMatch.
Un investissement fructueux pour Netflix selon son porte-parole Joris Evers: plus de 70% de nos membres sont venus grâce à notre système de recommandation. Il est tout à fait convaincu que « plus les internautes sont exposés au contenu de Netflix, plus ils seront susceptibles de devenir des membres de ce service.”.
Mais alors pourquoi est-il nécessaire de passer par un spécialiste des moteurs de recommandation lorsqu’on possède déjà toutes les données nécessaires pour identifier les goûts de nos utilisateurs ?
Dans la pratique, ce n’est pas parce que nous sommes un expert des contenus que nous sommes des experts de l’analyse de données. Un moteur requiert plusieurs années de R&D pour espérer un fonctionnement cohérent.
Mettre en place un système de recommandation demande par ailleurs une identification claire des objectifs à atteindre pour l’intérêt de l’utilisateur.
La recommandation se doit donc, en plus d’avoir un excellent algorithme, de maîtriser les différents réseaux sociaux de l’utilisateur afin d’être proche au maximum de ses affinités. Il faut savoir que même si l’espace éditorial atteint généralement le plus de vues sur un site, les sections sociales et personnalisées ont la conversion la plus élevée en terme de clic et d’achat (18% contre 12% pour l’éditorial – source The Guardian juin 2013). Un journaliste ne saura pas mieux que nos amis et nos comptes sociaux ce qui nous intéresse.
Les utilisateurs vont se servir de ce système pour trouver des articles pertinents qu’ils peuvent choisir ou utiliser comme lien vers d’autres articles.
Certains voient la recommandation sociale comme une combinaison de l’expertise humaine, de la connaissance à l’intuition, associée à des formules et autres corrélations mathématiques.
Qui a dit que l’Homme et la machine ne pouvaient faire un bon ménage ? Pas les e-commerçants en tout cas !