Recommandation et personnalisation des contenus au cœur de la stratégie des chaînes

Lors de l’implantation de Netflix en France il y a un an, on a beaucoup parlé de la force de son algorithme de recommandation des contenus SVoD. C’était faire peu de cas des start-ups françaises qui disposent également de ce savoir-faire consistant à pousser un contenu adapté au profil de consommation d’un téléspectateur. Mieux, cette compétence s’exporte aujourd’hui !
SpideoSemanticsIntegrationOnMGO.jpg

L’arrivée de Netflix l’an dernier a suscité enthousiasme et méfiance chez les acteurs de l’audiovisuel français et a remis au goût du jour le sujet de la recommandation des contenus. Il s’est dit notamment que le géant américain faisait le tri à chaque instant parmi plus de 7 000 catégories de films et séries organisées elles-mêmes au sein de plus de 80 000 genres et sous-genres combinés entre eux pour référencer les goûts supposés de ses abonnés. Pour autant, même si l’échelle du travail d’indexation et de curation réalisé par Netflix est impressionnante, le géant américain n’a pas le monopole de cette compétence très spéciale.

 

Exit la méthode de filtrage collaboratif pour les contenus SVoD

Une start-up israélienne baptisée Jinni, une autre américaine Digital Smiths (rachetée par TiVo) et une troisième Think Analytics basée en Ecosse dominent actuellement le marché de la recommandation des contenus vidéos, tandis que les start-ups françaises, Spideo et Cognik, ne sont pas à la traîne dans cet art subtil de la recommandation des contenus vidéos. La première application franco-française de recommandation autour des programmes VoD et SVoD est venue de CanalPlay qui a utilisé la recommandation personnalisée pour éviter que le téléspectateur abonné à cette offre ne se sente perdu face à un catalogue de films et séries volumineux.

Cette tâche, confiée à Spideo, a débuté par la qualification des contenus des chaînes du groupe afin d’homogénéiser la plateforme. Le gros du travail a consisté dans le repérage de manière fine des récurrences en matière de goût du public au sein de plusieurs milliers de films ou séries et dans la définition des critères d’indexation dans le cadre d’une consommation quotidienne. Spideo a ainsi classé les contenus suivant des critères aussi iconoclastes que l’envie ou l’humeur afin d’être en mesure d’offrir à l’abonné de CanalPlay une exploration suivant des choix tels que le scénario, l’ambiance d’un film, son niveau d’action… « Nous avons mis de côté l’approche un peu boîte noire du filtrage collaboratif (collaborative filtering) qui fait une série de propositions à un utilisateur en fonction des utilisateurs ayant fait le même choix auparavant, explique Paul de Monchy CTO de Spideo. Cette méthode reposant sur la comparaison des profils d’utilisateurs est efficace en effet pour les sites web d’e-commerce, mais son inconvénient est qu’elle tend à recommander toujours les mêmes contenus, les plus populaires pour un genre donné, le téléspectateur allant naturellement vers les contenus dans l’actualité. Cette méthode ne permet pas de brasser en profondeur un catalogue de VoD ». Elle est également approximative face à la diversité des profils de téléspectateurs au sein d’un même foyer, cette variable pouvant brouiller les pistes sur le véritable profil d’utilisateur en face du téléviseur à un instant T. « Enfin, précise encore Paul de Monchy, le troisième biais de l’approche unique du filtrage collaboratif réside dans le fait qu’on explique pas ou peu au téléspectateur le principe de recommandation dont il est l’objet. Nous sommes convaincus qu’un moteur de recommandation, pour fonctionner efficacement, doit remporter l’adhésion du public. On doit au moins être en mesure de l’expliquer. Notre objectif est de retrouver un peu du facteur humain qui faisait, il y a encore peu de temps, que dans un vidéo club un vendeur était en mesure de vous conseiller sur le choix de tel ou tel film dans un genre différent de celui que vous veniez de regarder, car il savait que vous aimez tel acteur, tel réalisateur ou tel type de scénario, tel niveau d’action, de romantisme, d’horreur, de suspens… ».

 

Un filtrage centré sur le contenu

Pour toutes ces raisons, Spideo s’est orienté vers une méthode de recommandation centrée sur le contenu (content-centric), en s’appuyant sur une approche sémantique et un classement des contenus suivant les émotions et les envies supposées du téléspectateur, induisant ainsi des typologies particulières d’affinement des contenus comme « films étranges qui se passent dans l’espace », « films à suspens en huis clos », « films bien ficelés sur la folie », « films noirs avec un amour triangulaire », « histoires d’amour avec de belles images »… le tout devant aboutir à des notions explicites pour le téléspectateur final. L’avantage supplémentaire d’une telle méthode est qu’elle permet de proposer des playlists personnalisées au téléspectateur en plus de la recommandation ponctuelle.

De ce point de vue, la SVoD, plus encore que la VoD, avec des dizaines de consommations de films et séries par semaine pour un même foyer, est le vecteur par excellence de la recommandation « contenu à contenu », car les profils de consommation y sont suffisamment renseignés pour permettre une analyse très fine des goûts de chaque foyer. Si d’aventure les niveaux de consommation des téléspectateurs sur une plateforme donnée ne suffisaient pas à qualifier l’audience (ce qui est assez rare), les spécialistes utilisent le gaming pour cerner rapidement les goûts des téléspectateurs. Spideo a par exemple conçu, il y a deux ans, une application gratuite pour iPad et depuis peu iPhone qui recommande les vidéos, suite à des « batailles » entre utilisateurs de l’appli, afin de les pousser à choisir des films et dévoiler ainsi leurs goûts. L’appli recommande ensuite des contenus disponibles en VoD sur des plateformes clientes de Spideo. Cette appli compte à ce jour plus de 100 000 téléchargements, dont une majorité d’utilisateurs étrangers, notamment aux États-Unis.

 

Bâtir des chaînes à part entière à partir de contenus personnalisées

La société lyonnaise Cognik possède quant à elle un ADN ancré dans les sciences cognitives qui lui a permis de proposer un service à forte valeur ajoutée qui a intéressé, dès 2011, le groupe américain Viacom et sa chaîne pour enfants Nikelodéon Junior. Sur la base du moteur de recommandation de Cognik, Viacom a pu créer une chaîne à part entière baptisée « Mon Nikelodeon junior » qui réorganise de manière personnalisée des contenus délinéarisés. Mon Nikelodeon Junior remporte encore aujourd’hui un vif succès auprès des enfants, comme des parents, ces derniers pouvant choisir par le biais de la recommandation les programmes que vont regarder leurs enfants. Et ce, avec une continuité entre les écrans du foyer, grâce à un partenariat avec Wizitivi qui a créé des interfaces de navigation multi-screens.

Depuis les débuts de Mon Nikelodeon Junior en France, et maintenant aux États-Unis et en Asie, la technique est toujours la même. Cognik récupère une photographie quotidienne des catalogues de dessins animés de Nikelodeon Junior, évalue les compétences mises en avant dans tel ou tel programme et ensuite qualifie sa recommandation en fonction des compétences que l’on souhaite développer chez l’enfant. L’architecture du dispositif de Mon Nikelodeon Junior est basée sur le cloud d’Amazon, afin de disposer de l’adaptabilité (scalability) indispensable pour adresser chaque jour l’ensemble des foyers américains représentant plusieurs centaines de milliers d’utilisateurs simultanés.

Fort de ce succès au niveau des programmes enfants, Cognik propose de manière élargie la même méthodologie de travail pour bâtir des chaînes de télévision personnalisées, quel que soit le thème concerné. Les phases sont toujours sensiblement les mêmes, de la caractérisation du catalogue de programmes à l’analyse audiovisuelle et sémantique en passant par des interventions manuelles, quand cela est nécessaire, pour enfin déboucher sur la phase de personnalisation proprement dite. Comme l’indique Stéphane Reynaud un des co-fondateurs de la société lyonnaise Cognik, « il y a des typologies de programmes comme le documentaire où la recommandation peut être plus automatisée, car les programmes y sont souvent associés à des métadonnées précises. Il s’agit alors simplement d’enrichir des tags déjà existants. De manière générale, il faut trois mois pour réaliser une chaîne personnalisée à partir d’un catalogue de programmes déjà existant ».

 

Mélanger différentes briques d’analyse

Souvent, pour mener à bien un service de recommandation, les prestataires spécialisés doivent mélanger plusieurs méthodes et outils d’affinement des métadonnées et régler les niveaux d’exigence de chaque brique technologique en présence, suivant la demande initiale du client et ces évolutions tout au long de la vie du service. Comme le rappelle Stéphane Reynaud : « La recommandation des contenus vidéos est un processus nécessitant forcément des réglages fins et ajustements entre l’indexation des contenus, le filtrage collaboratif, le profilage et une stratégie de contenu à contenu… Les systèmes sont toujours un peu hybrides, avec une forte variable liée au volume et à la nature des contenus disponibles ».

Ainsi, dans le cas de la VoD, il arrive que ce spécialiste de la recommandation soit obligé d’aller chercher des informations sur chaque consommateur avant même que celui-ci n’ait consommé de la VoD. Il est alors possible de récupérer des informations de navigation dans les applications stockées au préalable dans les terminaux de consultation, en particulier les téléphones mobiles et tablettes. Dès lors, quand le téléspectateur se logue, ces informations sont immédiatement agrégées à celles de navigation, de sorte qu’il est possible de proposer très rapidement des contenus personnalisés. Même credo chez Spideo où l’on précise que la recommandation personnalisée (« user to content ») peut être efficace très vite « à partir de deux ou trois choix de navigation et quelques millisecondes sur une plateforme VoD, indique Paul de Monchy. En restant concentré sur l’analyse de l’expérience utilisateur, on est en mesure de faire de la recommandation très précise, là où des calculs matriciels basés sur des comparatifs de profils utilisateurs sont souvent plus lourds pour un résultat moins pertinent ».

 

Laisser la main à l’éditeur TV sur une partie de la recommandation

En matière de consommation télévisuelle la « Time based recommandation », c’est-à-dire la possibilité de faire des recommandations différentes pour un même foyer suivant les moments de la journée est un facteur également important.

C’est même un des axes principaux du développement de FranceTV Zoom (http://zoom.francetv.fr/), la récente application iOS de recommandation lancée par France Télévisions en juin 2015 et dont la partie personnalisation des contenus a été développée par Cognik. FranceTV Zoom propose d’emblée à l’utilisateur de définir le temps qu’il veut passer à regarder les programmes des chaînes du groupe FranceTV : 5 min, 15 min ou plus… Après ce premier filtrage des contenus, l’application demande à l’utilisateur les thèmes qui l’intéressent et ses habitudes de consommation, afin de personnaliser encore un peu plus l’offre de programmes. « L’une des forces de FranceTV Zoom, souligne Stéphane Reynaud, est d’avoir su mélanger de manière très étroite la partie algorithmique gérée par nous et la partie éditoriale gérée en interne par FranceTV. Nous avons d’ailleurs donné la main aux équipes de FranceTV sur une partie de notre moteur de recommandation, afin qu’elles puissent pousser des contenus offrant plus ou moins de sérendipité, une typologie particulière suivant le moment de la journée ».

Laisser la main à l’éditeur TV est aussi un enjeu quand il s’agit de transformer un utilisateur Freemium en utilisateur payant sur les portails de SVoD ou quand il s’agit de pousser des contenus avec lesquels l’éditeur TV a un partenariat spécifique (recommandation rules). « Il est alors possible de privilégier un programme partenaire plutôt qu’un autre, indique Paul de Monchy, mais nous fixons une limite à cet usage. Il est possible d’avantager un contenu sur un autre parmi deux contenus déjà considérés comme pertinents pour l’utilisateur, mais il n’est pas souhaitable de forcer dans la recommandation un contenu qui est identifié comme non pertinent par rapport au profil de l’utilisateur ».

 

Un tableau de bord à posteriori pour régler finement sa recommandation

L’analyse statistique à posteriori des consommations corrélées avec la recommandation est également une piste activement suivie par les spécialistes de ce marché. Spideo propose depuis quelques mois un nouveau service d’analyse statistique de l’audience permettant de comprendre finement des aspects psychologiques du comportement des téléspectateurs. Pour Paul de Monchy, un tel tableau de bord permet « d’avoir une analyse de l’ensemble de son catalogue de Vod et de trouver des pistes pour réexposer certains titres plus difficiles à vendre ». De l’analyse des données sous forme de tableau de bord à la recommandation publicitaire il n’y a qu’un pas que les acteurs de ce marché n’ont pas tardé à franchir. Spideo, toujours lui, lors du dernier NAB Show de Las Vegas, a montré un prototype d’outil de recommandation publicitaire en partenariat avec le spécialiste de l’encodage vidéo Elemental Technologies (filiale d’Amazon). La démonstration consistait à adresser à l’intérieur d’un même foyer des publicités différentes suivant les terminaux utilisés au sein de la famille. En outre, le choix de ces publicités personnalisées était guidé par les consommations antérieures des membres d’un même foyer. Suite à cette première expérimentation réussie, Spideo cherche actuellement à mettre en place un écosystème autour d’un tel service avec une régie publicitaire ainsi qu’une ou deux chaînes de télévision, en vue de mettre en place une chaîne complète d’analyse et de recommandation des campagnes publicitaires. « Aujourd’hui, comme le dit fort justement Paul de Monchy, les publicités télévisées, y compris celles diffusées de manière délinéarisée sur la catch-up ne sont pas « user centric ». C’est donc un vaste champ d’investigation qui s’ouvre à nous ».

 

Consultez le dossier  « Recommandation et personnalisation de contenus au cœur de la stratégie des chaînes » dans son intégralité dans le Mediakwest numéro #14 

Et n’oubliez pas que vous pouvez-vous abonner pour recevoir les articles complets dès leur sortie ! 


Articles connexes


Le sport sur mesure !
 18 décembre 2019