Recommandation de contenu et données déclaratives

En parcourant le web sur des sujets comme celui de la personnalisation, l’évidence saute aux yeux. C’est un terme à la mode très utilisé pour faire le buzz et ressortir en bonne position dans les SERPs Google. Le fait est que la personnalisation est pourtant un sujet d’actualité et plus encore un enjeu marketing et commercial dans de nombreux secteurs d’activité comme : la presse en ligne, le e-commerce, etc.

Quand on entend parler de personnalisation, à droite ou à gauche, on se rend vite compte que chacun a sa vision et sa définition. Un phénomène évident tant le nombre de sujets qu’englobe la personnalisation est vaste.

Sans le savoir, la forme de personnalisation que nous voyons le plus (aussi parce que c’est la forme la plus facilement identifiable) est celle liée aux données déclaratives (autrement dit explicitement renseignées par les internautes). Mais alors de quoi s’agit-il ? Quels avantages et inconvénients sont inhérents à ce format particulier ? C’est ce que nous allons aborder maintenant.

Personnalisation et données déclaratives, qu’est-ce que c’est ?

En réalité, c’est bien plus simple qu’il n’y paraît, c’est le fait de demander aux utilisateurs d’un service (web, mobile, etc.) par exemple à des lecteurs d’un site de presse, à des acheteurs sur un site e-commerce, des informations personnelles les concernant (par exemple : nom, prénom, lieu de résidence, etc.), mais, ça ne s’arrête pas là.

Souvent, il est aussi demandé de renseigner des préférences d’achat ou de lecture suivant le secteur d’activité et les thématiques traitées. Toutes ces informations sont ensuite utilisées dans le but de personnaliser l’expérience que l’utilisateur aura en utilisant le service.

Exemples de personnalisation grâce à des données déclaratives

Dans cet exemple, il s’agit de l’application mobile de Décathlon.

On me demande si je suis un homme ou une femme. Ensuite, je suis invité à sélectionner mes sports favoris. J’ai donc choisi les catégories suivantes :

• boxe française
• roller/hockey
• snowboard freeride

Pour terminer de configurer l’application selon mes préférences, je suis invité à activer la géolocalisation afin d’identifier le point de vente Décathlon et les produits disponibles près de chez moi.

Les deux premières étapes exposent clairement l’intention de personnalisation de l’application et ça se vérifie après la configuration. De fait, le fil d’actualité est composé de conseils sportifs et de produits et tous correspondent à mes sports favoris renseignés précédemment.

Ici, on peut voir que TechCrunch et BBC utilisent la personnalisation dans un but similaire à savoir, proposer un fil d’actualité personnalisé en fonction des sujets sélectionnés.

Pourquoi les données déclaratives sont-elles intéressantes pour personnaliser l’expérience utilisateur ?

Un des principaux défis de la personnalisation est de délivrer une expérience unique et sur-mesure à chaque internaute, lecteur, ou acheteur, mais comment est-ce possible si celui-ci n’a pas encore suffisamment utilisé le service pour deviner ses sujets ou produits de prédilection ?

C’est là que réside l’avantage majeur de la personnalisation de contenu par le biais des données déclaratives. De fait, un internaute qui était jusqu’alors inconnu par la marque complète en parfaite autonomie son profil et ses préférences sans même se rendre compte de l’importance et de l’enjeu que représentent ses données pour la marque.

Souvent à l’installation d’une nouvelle application sur mobile, ces données sont récoltées dès la première ouverture et sont obligatoires pour pouvoir accéder au service (ou du moins fortement recommandées). Si les applications sont les parfaits exemples pour illustrer mes propos, sachez que le même scénario peut se reproduire sur le web.

Ceci étant, les données explicitement renseignées par l’utilisateur présentent d’autres avantages pour les marques. En voici quelques-uns :

1/ Qualifier rapidement les nouveaux utilisateurs : à peine arrivé sur le service proposé par la marque, l’internaute se voit directement proposer de renseigner les informations.

2/ Proposer des recommandations personnalisées dès la première utilisation : l’utilisation de données déclaratives pour développer une solution « rudimentaire » de recommandation de contenu permet de répondre rapidement à un enjeu majeur de la recommandation à savoir : faire face au manque de données. En partant du principe que les données produisent les recommandations, s’il n’y a aucune donnée pour un utilisateur, il n’y a pas de recommandations. C’est purement théorique cependant. Vous vous doutez que quand une marque affiche des recommandations de contenu, tout est mis en oeuvre pour que ces situations ne se produisent pas. C’est aussi une des raisons pour lesquelles il existe de nombreux algorithmes de recommandation de contenu. Les systèmes de recommandations personnalisées comme le nôtre gèrent très bien le manque de données et proposent toujours des recommandations de contenu.

3/ Donner le choix des sujets, thèmes et catégories de produits : les internautes deviennent maîtres des contenus qui leur sont proposés. En quelques clics, les utilisateurs balaient d’un revers de la main tous les contenus ou produits qui ne les intéressent pas.

4/ Détecter des tendances émergentes : les données déclaratives permettent également de détecter des sujets, thèmes ou produits émergents, de les identifier rapidement et de prendre les mesures nécessaires pour accompagner leur croissance.

À contrario, quelles sont les limites des données déclaratives pour personnaliser l’expérience utilisateur ?

1/ L’enfermement : maquiller toute l’interface en fonction des préférences renseignées par les utilisateurs revient à les enfermer dans une bulle. Dès lors, la chance de découvrir de nouveaux contenus (non sélectionnés dans les préférences) devient mince. C’est pourquoi il est préférable d’utiliser un système de recommandation qui assure de conserver cette capacité à la découverte. En d’autres mots, un système conçu pour s’adapter à tout type d’imprévu et de situation. Chez Mediego, nous avons beaucoup de clients dans le secteur de la presse en ligne. Nous personnalisons le contenu des newsletters, des applications mobiles et des sites web tout en favorisant la découverte de contenu et en préservant les préférences éditoriales des éditeurs de presse.

Pour éviter cet effet d’enfermement, l’équipe éditoriale de La Liberté a choisi de coupler les recommandations personnalisées induites par les données déclaratives avec les algorithmes de recommandation de Mediego. Ainsi, la découverte de contenu est élargie tout en prenant en compte les profils des lecteurs.

2/ Les sujets connexes difficiles à identifier : en restreignant le choix des internautes à des critères préétablis, il devient difficile d’identifier le croisement entre certains sujets, thèmes ou produits.

3/ La durée de vie des données : un des nombreux avantages de la recommandation de contenu est d’être en mesure de proposer des contenus aux internautes en fonction de leur comportement de navigation et de recommander grâce aux informations recueillies des contenus. On parle ici d’un système évolutif qui n’est pas dépendant de ce que l’internaute veut bien vous dire. Avec un système de recommandation basé uniquement sur les données déclaratives des internautes, il est plus compliqué de faire évoluer les préférences des utilisateurs puisque cela nécessiterait de leur redemander (ou de compter sur l’autonomie des utilisateurs) quelque chose qu’ils ont déjà fait par le passé avec les conséquences liées à l’incompréhension que cela implique. Dans le cas présent, il est facile d’imaginer que les goûts, les intérêts et donc les attentes en contenus sont fortement susceptibles d’évoluer dans le temps, mais que les contraintes évoquées juste avant freinent naturellement la mise à jour des données transmises par les internautes. C’est encore plus vrai dans le secteur de la presse par exemple où les intérêts des lecteurs varient en fonction de l’actualité.

4/ La récolte des données représente une barrière à l’entrée : pour ce point, je pense particulièrement aux applications mobiles qui obligent parfois les utilisateurs à renseigner leurs préférences sans quoi ils ne peuvent pas accéder au service de l’application. Ce système, même s’il est efficace, nécessite que les utilisateurs aient un niveau de motivation suffisamment élevé pour utiliser l’application. Sans quoi, il ne remplira pas les informations demandées et sera de fait, dans l’incapacité d’utiliser l’application. Cela peut paraître anodin à première vue, mais à y regarder de plus près, c’est un réel défi de qualifier des internautes en un laps de temps très court sachant que la capacité moyenne d’attention en 2017 sur internet était de 8 secondes.

5/ La gestion des données : les données renseignées volontairement par les utilisateurs sont enrichissantes (dans les deux sens du terme), mais si elles sont trop nombreuses, la gestion manuelle (j’entends par là, associer manuellement les catégories entre elles pour déclencher des recommandations automatiquement par la suite) des recommandations risque de devenir critique puisqu’il faudra faire des choix en prenant en compte des centaines voire des milliers de paramètres en un temps record.

Pour conclure, la recommandation de contenu issue des données renseignées explicitement par l’utilisateur, peut-être un bon moyen de proposer des contenus sur-mesure aux internautes. Mais pour aller plus loin, cette méthode doit être couplée avec d’autres algorithmes de recommandation.

[bctt tweet= »La recommandation de contenu issue des données renseignées explicitement par l’utilisateur, peut-être un bon moyen de proposer des contenus sur-mesure aux internautes ! » username= »MediegoFr »]

Chez Mediego, nous accompagnons beaucoup de grands acteurs du secteur de la presse. Alors, si vous aussi vous souhaitez proposer des contenus personnalisés à chacun de vos internautes demandez une démonstration de nos outils de recommandation de contenu.