3 octobre 2016 625 mots, 3 min. de lecture

Conférence RecSys 2016 : les tendances de la recommandation en télévision

Par Pierre-Nicolas Schwab Docteur en marketing, directeur de IntoTheMinds
La conférence ACM sur les systèmes de recommandation (RecSys 2016) a commencé le 15 Septembre 2016 à Boston (MA) par les ateliers thématiques. L’atelier RecSys TV, dédié aux applications dans le domaine de la télévision, était particulièrement intéressant. Les présentations […]

La conférence ACM sur les systèmes de recommandation (RecSys 2016) a commencé le 15 Septembre 2016 à Boston (MA) par les ateliers thématiques. L’atelier RecSys TV, dédié aux applications dans le domaine de la télévision, était particulièrement intéressant.

Les présentations de Verizon, Comcast, Netflix, et de l’Université de Lisbonne sont celles dont le contenu m’a le plus marqué. Diana Hu (Verizon) a montré comment une analyse sous forme de time-series peut être utilisée pour prédire les préférences des utilisateurs. Les habitudes de consommation sur base hebdomadaire étaient particulièrement intéressantes à visualiser. Lorsqu’on y ajoute des patterns récurrentes sur des échelles de temps plus longues, on comprend pourquoi Diana Hu a qualité les téléspectateurs de « creatures of habits ». Ces habitudes constituent la meilleure manière de prédire une consommation future, une opinion partagée par tous les participants.

Time series effects for TV recommendations from IntoTheMinds

Puis vint la présentation de Netflix, représenté par Hossein Taghavi. La présentation a donné un excellent aperçu de ce qu’est la machine Netflix et des moyens utilisés pour s’assurer que l’abonné consomme un maximum de contenus. Hossein a expliqué la genèse de la fonction « Continue Watching » (CW), l’un des nombreux algorithmes utilisés par Netflix. Les algorithmes CW sont spécialisés dans la prédiction de la reprise du visionnage. Plusieurs algorithmes sont à l’œuvre pour cette fonction CW. Un premier algorithme décide de la position de la rangée de titres ; un autre décide de la position des titres au sein de la rangée. Un troisième enfin détermine les images illustrant chaque titre. Ces dispositifs algorithmiques, comme tous ceux présents sur Netflix, ne visent qu’à une chose : maximiser le seul indicateur de performance qui compte : le taux de rétention. Les systèmes de recommandation sont programmés pour vous faire passer plus de temps devant Netflix et renforcer ainsi les habitudes. Ces habitudes et les attentes qui en découlent sont alors satisfaites puis transformées en abonnements.

Balancing Discovery and continuation in recommendation (hossein taghavi netflix) from IntoTheMinds

Une autre présentation qui m’a beaucoup intéressé est celle de Miguel Costa (Université de Lisbonne). Miguel a utilisé une base de données comprenant 682m de vues en TV (direct, Catch Up et VOD) pour comprendre les variations de comportements entre ces 3 modes de consommation. Une première conclusion remarquable a trait au pourcentage de contenu consommé en fonction du mode de consommation. Le pourcentage de contenu regardé à la télévision en direct est faible (27%) en comparaison avec la Catch-Up (50%) et la VOD (60%). Une autre conclusion concerne les enfants : ces derniers consomment plus de contenus «complètement» que les adultes. C’est assez intuitif. Regardez vos enfants regarder un dessin animé et vous constaterez qu’ils ne sont pas du genre à s’arrêter au milieu. Miguel Costa a conclu à juste titre que les recommandations devraient prendre le contexte (Live, VOD, Catch-UP) en compte afin d’être plus pertinentes.

Characterization cabletv (manuel garcia) from IntoTheMinds

A flexible recommenndation system for Cable TV from IntoTheMinds

Terminons avec une remarque. Tous les présentateurs se sont accordés sur une chose. La meilleure façon de prédire le futur est de se baser sur le passé. Ce que vous avez consommez hier est probablement ce que vous consommerez demain. Ceci nous ramène au problème de la bulle de filtres (« filter bubble ») et du renforcement des habitudes. Voilà de quoi écrire un nouveau billet.



Publié dans Data et IT, Innovation, Marketing.

Donnez votre avis

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *