Au cœur du moteur de recommandation qui génère 80 % du visionnage

# Au cœur du moteur de recommandation qui génère 80 % du visionnage

Netflix a déclaré publiquement qu'environ 80 % de ce que les gens regardent provient de son système de recommandation, et non de la recherche. Ce seul fait redessine toute l'économie du streaming : c'est l'algorithme, et non le service marketing, qui décide quels titres seront vus.

Si vous pilotez le contenu, le produit ou la stratégie dans les médias, vous vivez déjà dans cette machine. Démontons-la.

Le problème central : trop de catalogue, trop peu d'attention

Un catalogue de streaming moderne contient des dizaines de milliers de titres. Un spectateur en considérera réalistement cinq à dix avant d'appuyer sur play ou de partir. Le moteur de recommandation existe pour combler cet écart.

Sa mission est simple à énoncer : prédire ce que cette personne précise va regarder et apprécier, maintenant. Se tromper coûte cher. Un mauvais écran d'accueil, c'est du churn (des clients qui résilient leur abonnement), et le churn est la métrique qui empêche les dirigeants du streaming de dormir.

Deux moteurs sous le capot

La plupart des grands systèmes de recommandation combinent deux techniques. Comprendre la différence, c'est toute la leçon.

1. Le collaborative filtering : « les gens comme vous »

Le collaborative filtering ignore *de quoi* parle un titre. Il ne regarde que les schémas de comportement de millions d'utilisateurs.

La logique : si vous et moi avons regardé et noté les séries A, B et C de la même manière, et que vous avez adoré la série D, alors j'aimerai probablement D aussi. Le système trouve vos « voisins de goût » et recommande ce qu'ils ont apprécié.

C'est puissant parce qu'il n'a besoin d'aucune connaissance du contenu lui-même. Il fonctionne uniquement sur la matrice de qui-a-regardé-quoi.

Une version simplifiée du calcul sous-jacent est la factorisation matricielle : on prend l'immense grille, presque vide, des utilisateurs et des titres, et on apprend un petit ensemble de « facteurs de goût » cachés pour chacun.

# Conceptual sketch, not production code
# users x items matrix R is mostly empty (few titles watched)
# We learn two smaller matrices whose product approximates R

R_predicted = user_factors @ item_factors.T
# user_factors: chaque spectateur comme ~50-200 dimensions de goût cachées
# item_factors: chaque titre dans les MÊMES dimensions
# Une « dimension de goût » peut vaguement capturer
# « polar sombre » ou « comédie feel-good »

Ces dimensions cachées sont apprises automatiquement. Personne ne les étiquette. Elles émergent des schémas de visionnage.

2. Les embeddings de contenu : « les titres comme celui-ci »

Le second moteur regarde le contenu lui-même. Chaque titre est converti en une liste de nombres (un vecteur, appelé embeddingembeddingUn embedding est un vecteur numérique qui représente des données (texte, images ou items) en capturant leur sens, de sorte que les éléments similaires se retrouvent proches dans l'espace.Voir la définition complète →) qui capture ses attributs : genre, tonalité, rythme, casting, style visuel, jusqu'aux schémas de langue des sous-titres.

Deux titres aux embeddings proches sont considérés comme similaires. Ainsi, si vous venez de terminer un thriller scandinave sombre, le système peut en faire remonter un autre même si très peu de gens l'ont encore regardé.

Les systèmes modernes construisent de plus en plus ces embeddings à partir de signaux riches : visuels, bandes-annonces, métadonnées de script, audio. Pour une introduction en langage clair à la façon dont les embeddings représentent le sens sous forme de vecteurs, le Machine Learning Crash Course de Google sur les embeddings est gratuit et excellent.

Pourquoi les combiner

Le collaborative filtering est précis mais a besoin de données comportementales. Les embeddings de contenu fonctionnent dès le premier jour mais sont moins personnels. La combinaison donne le meilleur des deux, et elle résout directement les problèmes que nous abordons ensuite.

Trois défaillances qu'on vous demandera de diagnostiquer

C'est là que vous gagnez votre place à la table. Les systèmes de recommandation échouent de façons prévisibles et identifiables. Apprenez à les repérer.

Cold start : le problème des données absentes

Le problème de cold start survient quand le système n'a aucune donnée comportementale à exploiter. Il se présente sous deux formes.

Cold start nouvel utilisateur. Un abonné s'inscrit lundi. Le système ne sait rien de lui. C'est pourquoi l'onboarding vous demande souvent de choisir quelques titres que vous aimez : il amorce le modèle. C'est aussi pourquoi les nouveaux utilisateurs s'appuient largement sur des valeurs par défaut fondées sur la popularité (les gros succès que tout le monde regarde).

Cold start nouveau titre. Une série sort vendredi. Le collaborative filtering est aveugle car personne ne l'a encore regardée. Ici, les embeddings de contenu font le gros du travail : le système place le nouveau titre près de titres similaires et le montre aux personnes qui les ont aimés.

*Question de diagnostic à poser à votre équipe :* quand un nouveau titre sous-performe la première semaine, est-il réellement impopulaire, ou le système de recommandation manquait-il simplement de données pour le positionner ? Les réponses à apporter sont opposées.

Filter bubbles : le piège de la sur-personnalisation

Une filter bubble, c'est quand le système resserre tellement l'univers d'un spectateur qu'il ne voit plus que la même chose.

Regardez trois documentaires true crime et soudain votre écran d'accueil entier est du true crime. Cela paraît réactif au début. Au bout de quelques mois, c'est claustrophobe, et l'ennui provoque du churn.

La correction consiste à intégrer délibérément de la diversité et de l'exploration dans les recommandations : faire remonter de temps en temps des titres hors du cluster resserré pour maintenir la découverte en vie. Les équipes ajustent ce compromis en permanence. Trop d'exploitation (choix sûrs et similaires) ennuie. Trop d'exploration (choix aléatoires) paraît hors sujet.

Sous-exposition du catalogue : le problème de la long tail

Voici la défaillance que les dirigeants manquent le plus souvent. Le système de recommandation optimise l'engagement, donc il continue de promouvoir les titres qui gagnent déjà. Le contenu populaire obtient plus d'exposition, est plus regardé, et est promu encore plus fort. Une boucle de rétroaction.

Résultat : une large part du catalogue ne reçoit presque aucune impressionimpressionLe nombre total de fois qu'une publicité ou un contenu est affiché, indépendamment des clics. Chaque affichage compte pour une impression, même auprès de la même personne.Voir la définition complète →. Vous payez des coûts de licence et de production pour du contenu que personne ne voit proposé.

Cela a un impact financier. Si vous avez acquis les droits d'un titre pour une audience précise et que l'algorithme ne le fait jamais remonter, la dépense est perdue. Pire, le biais de popularité enterre systématiquement des contenus de niche et internationaux qui pourraient servir des segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → spécifiques de façon rentable.

*Métrique de diagnostic :* la couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → du catalogue, c'est-à-dire le pourcentage de titres qui reçoivent un nombre significatif d'impressionsimpressionsLe nombre total de fois qu'une publicité ou un contenu est affiché, indépendamment des clics. Chaque affichage compte pour une impression, même auprès de la même personne.Voir la définition complète → sur une période donnée. Une couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → faible est un signal d'alerte : votre moteur se sur-concentre.

De la prédiction à ce que vous voyez réellement

Une idée fausse répandue : l'algorithme produit une liste classée et vous la voyez. La réalité est en couches.

Génération de candidats. Parmi des dizaines de milliers de titres, on réduit à quelques centaines de titres plausibles. Rapide et peu coûteux.

Ranking. On score précisément ces candidats pour cet utilisateur à cet instant, avec beaucoup plus de signaux (heure de la journée, appareil, activité récente).

Construction des rangées et visuels. L'écran d'accueil est organisé en rangées (« Parce que vous avez regardé... », « Tendances »). Même la vignette affichée est souvent personnalisée : le même titre peut apparaître avec un visuel différent selon l'acteur ou l'ambiance qui, selon le système, vous fera cliquer, *vous*.

Cette personnalisation des visuels explique pourquoi deux personnes décrivant « l'écran d'accueil Netflix » ne voient littéralement pas le même écran.

La métrique qui dirige tout en silence

La plupart des systèmes de recommandation en streaming sont in fine optimisés pour la rétention, pas pour les clics. Un clic qui mène à un titre abandonné au bout de dix minutes est un mauvais résultat. Le visionnage soutenu et, surtout, le maintien de l'abonnement actif sont les vraies cibles.

C'est un point de gouvernance qui mérite qu'on s'y attarde. Ce que vous optimisez est ce que vous obtenez. Optimisez uniquement l'engagement immédiat et vous risquez d'alimenter les filter bubbles et le contenu sensationnaliste. Beaucoup d'équipes ajoutent désormais des objectifs explicites de diversité, de santé du catalogue et de satisfaction à long terme pour contrer cela.

Pour les dirigeants non techniques, ce qu'il faut retenir est simple : vous pouvez piloter l'algorithme en changeant son objectif. Le moteur n'est pas neutre. Il reflète les objectifs business que vous y encodez.

Un scénario appliqué rapide

Imaginez que vous lancez une mini-série en langue étrangère saluée par la critique. Les chiffres de la première semaine sont faibles. Avant de conclure à un échec, faites le diagnostic :

• Cold start ? Pas encore de données comportementales, vérifiez donc si les embeddings de contenu l'ont correctement positionnée. A-t-elle été montrée aux fans de titres similaires ?
• Sous-exposition ? Sortez le nombre d'impressionsimpressionsLe nombre total de fois qu'une publicité ou un contenu est affiché, indépendamment des clics. Chaque affichage compte pour une impression, même auprès de la même personne.Voir la définition complète →. A-t-elle même été proposée, ou le biais de popularité l'a-t-il enterrée ?
• Filter bubble ? Les bonnes audiences de niche étaient-elles atteignables, ou étaient-elles enfermées dans d'autres clusters ?

Ce n'est qu'après avoir écarté ces hypothèses que vous pouvez dire que le contenu lui-même a sous-performé. Cette séquence est ce qui sépare un dirigeant média à l'aise avec la data de quelqu'un qui lit un dashboard au premier degré.

Points clés

• Deux moteurs, combinés : le collaborative filtering (« les gens comme vous ») est personnel mais gourmand en données ; les embeddings de contenu (« les titres comme celui-ci ») fonctionnent dès le premier jour. Ensemble, ils comblent leurs lacunes mutuelles.
• Le cold start est un problème de données, pas un verdict de qualité. Les nouveaux utilisateurs et les nouveaux titres manquent de signal comportemental ; les embeddings et un onboarding bien pensé comblent le vide.
• Surveillez la couverture du catalogue. Le biais de popularité enterre une grande partie de votre catalogue et gaspille les dépenses de licence et de production. Une couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → faible signifie que votre moteur se sur-concentre.
• Les filter bubbles génèrent du churn. Une exploration délibérée et de la diversité maintiennent la découverte en vie et les abonnés engagés sur le long terme.
• Vous optimisez ce que vous mesurez. La plupart des moteurs visent la rétention, pas les clics. Changez l'objectif et vous changez le comportement, ce qui fait du système de recommandation un levier stratégique, pas une boîte noire.