16 Mar Table ronde Recommandation du Contenu Éditorial – 6 février 2020

 

L’hyperpersonnalisation est sans conteste un levier puissant pour les éditeurs de contenus qui en maîtrisent les rouages …. mais comment ça fonctionne ? Quels sont les risques ? Combien ça rapporte ? Où en est le marché ? Comment fait-on de la recommandation de contenu intelligente ?

 

MOBILISER LES BONNES EQUIPES

 

– Les Équipes édito

– Équipes techniques

– Équipes des analystes et data scientists

– Sociétés externes spécialisée dans la recommandation

Ces équipes établissent, testent et affinent plusieurs modèles de recommandation de contenu, le principe maître étant le principe de similarité : similitude de contenus, similitude d’utilisateurs ou mix des deux. La communication et la coopération entre les différents métiers est très importante, notamment entre les opérationnels et les journalistes.

 

COMBINER LES METHODES ET TESTER SES ALGORITHMES

 

Il existe deux grandes typologies de méthodes pour la recommandation  :

– Le contextuel : cette méthode a fait ses preuves mais le risque est de proposer toujours le même type de contenu à l’utilisateur et de le lasser.

– La performance : pousser les articles les plus lus, mais le risque est que l’utilisateur l’ait déjà lu.

Pour être pleinement efficace, ces méthodes doivent être complétées par d’autres indicateurs.  Par exemple, la méthode utilisée par Outbrain consiste à combiner en temps réel une dizaine d’indicateurs différents afin de générer à chaque utilisateur des recommandations personnalisées en se basant notamment sur le contextuel, la performance, l’heure de mise en ligne, l’heure de device ..

Il est également important de tester et retester ses algorithmes. Les tests prennent souvent la forme d’AB Test online pour vérifier si les paramétrages des nouveaux modèles emmènent ou non de la surperformance.

Est-ce la même recette pour tous les algorithmes de recommandation ? Doit-elle être adaptée spécifiquement à chaque éditeur ?

Outbrain : Techno “full automatique” Ce qui est développé pour un éditeur est applicable et profite à l’ensemble des autres éditeurs.

Mais certains éditeurs ont des niveaux d’exigence plus importants et ne souhaitent pas tout laisser un libre automatique, des éléments plus granulaires peuvent alors être ajoutés : capping de fraîcheur (pour garantir que le contenu est encore d’actualité), forcer les algorithmes à s’adapter au contexte de la page (recommandation sur l’économie dans la section économique), exclusion.

Par ailleurs, Ootbrain privilégie les feed très longs voire infinis installés sur les groupes médias pour engager les internautes plus longtemps et forcer la diversité dans le feed.

Important : Respecter l’éditorialisation, que ce soit sur le papier ou le numérique, ce sont les mêmes contenus, la même exigence éditoriale. En revanche sur le numérique, la manière de présenter ses contenus au lecteur est différente, l’éditeur doit être en mesure de lui présenter directement les contenus pour lesquels il est appétent.

 

LA RECOMMANDATION
un levier pour fidéliser sa base et convertir les prospects en abonnés

 

Le but premier est la fidélisation des utilisateurs / lecteurs. La recommandation permet donc d’augmenter la durée de vie des abonnés, de mieux convertir les prospects en abonnés payants (notamment pour les modèles freemium, plus le contenu intéresse, plus l’utilisateur aura tendance à s’abonner).

Pour se convaincre de l’utilité de la recommandation, on peut par exemple comparer les performances entre deux parties de la base sur la même maquette, à la même heure en réalisant deux tests : un test avec personnalisation/ recommandation , un autre sans. En général, les performances enregistrées varient entre + 40% voire +80 % par rapport à la base. (ownpage)

L’IMPORTANCE DE LA RECOMMANDATION POUR LES CONTENUS PAYANTS

 

– Le travail est centré sur le contenu : il faut trouver les contenus qui convertissent le mieux. Pour mieux comprendre, les éditeurs utilisent également des statistiques qui permettent de déterminer précisément quels articles sont plus pertinents à proposer en gratuit et quels articles doivent être payants.

– Conseil : utiliser une brique de recommandation à destination des utilisateurs qui tombent sur un contenu payant mais qui ne sont pas prêts encore à convertir afin de ne pas bloquer leur parcours de navigation avec un paywall et de leur proposer un autre contenu (payant ou non) afin de les engager davantage.

 

UNE SOURCE DE REVENUS SIGNIFICATIVE POUR LES EDITEURS

 

La recommandation peut également s’avérer être une source de revenu significative pour les éditeurs voire être la principale source de revenus indirects, grâce à la recommandation personnalisée des pieds d’articles (Ligatus, Ootbrain et Taboola)

La force du modèle réside notamment dans :

– La présence de plusieurs liens sponsorisés sur toutes les pages de l’éditeur, ce qui permet d’avoir un volume significatif et ainsi générer un grand nombres de clics

– Une approche user centric

– Le modèle de revenus : les éditeurs ne paient pas pour des impressions mais pour des clics (souvent de bonne qualité) et ont des garanties avec un minimum garanti

 

RISQUE DE « FILTER BUBBLE »
L’importance d’une balance équilibrée entre éditorialisation et personnalisation

 

Il est primordial, surtout pour les médias traditionnels et généralistes, de bien faire la balance et le mix entre éditorialisation et personnalisation en ajoutant d’autres paramètres “manuels” de manière à faire découvrir de nouvelles choses aux utilisateurs.

Retour d’expérience sur la Newsletter matinale de Ouest France:

– Au départ Ouest France a fait le test de personnaliser entièrement sa newsletter matinale. Résultat : gain immédiat estimé à +40 % de clics.

– Mais rapidement, les équipes se sont rendues compte que les abonnés recevaient des contenus trop personnalisés, toujours sur le même thème (exemple : les appétents au foot avait une ‘matinale” avec que du foot).

– Compte tenu de l’objectif de la Newsletter matinale, le choix a été de capper des articles par thème (sport / faits divers) afin de ne pas enfermer le lecteur dans une bulle hyperpersonnalisée et de “figer” une partie du contenu pour afficher l’actualité de la nuit, ce qui n’a pas eu d’impact sur les performances, mais le premier lien était beaucoup moins cliqué que le deuxième (personnalisé).

 Ne pas surestimer les impacts  de la filter bubble

Il semblerait que les effets de la “filter bubble” soit mesurés : plusieurs études se sont penchées sur le sujet. Elles ont démontré que les algorithmes n’étaient pas de nature à amplifier un phénomène qui existait déjà à l’ère pré-numérique. Avant même le numérique, les lecteurs achetaient le Figaro ou l’humanité mais pas les deux ! Ils s’enfermaient eux-même dans leurs convictions politiques.

Par ailleurs, selon une étude sortie dans Science récemment, les scientifiques ont démontré qu l’algorithme facebook ne détériorait pas l’accès à des articles de courants politiques à l’opposé de ses convictions.

 

FIN DES COOKIES ET RECOMMANDATION

 

Plusieurs observations :

– Sur l’environnement des éditeurs, le cookie 1rst est un peu moins menacés à court terme

– La méthode comportementale ne représente pas 100% de la méthode utilisée pour faire de la recommandation

– La menace repose surtout sur la mesure pour l’annonceur

 

Les solutions :

– Ajouter des modèles de sérendipité

– Développer les méthodes manuelles et contextuelles

– Miser sur les identifiants communs, moins volatiles que le cookies

– Inciter l’utilisateur à évoluer dans l’environnement logué (meilleure mesure, meilleure fidélisation, meilleure communication)

– Mixer déclaratif et comportemental, voire faire du 100 % déclaratif notamment sur les newsletters