Sur les différentes plateformes d’Arte, il y a beaucoup de contenus disponibles à un instant T. Au milieu de ce catalogue volumineux et très riche, nous voulions amener le téléspectateur à faire plus de rebonds d’un contenu à l’autre. Nous avons depuis le début et en priorité des recommandations éditoriales mises en avant par nos éditeurs qui marchent très bien. En supplément, d’autres zones de recommandation ont été mises en place, mais de façon assez basique, du type : « les programmes les plus vus », « d’autres vidéos de cette catégorie », etc. Les résultats, en termes d’audience, et l’expérience utilisateur n’étaient pas totalement satisfaisants.
Nous avons donc testé plusieurs solutions de recommandation intelligente du marché et nous avons choisi celle, à notre sens, la plus orientée vers l’analyse du contenu, capable de faire découvrir plus de programmes autour des grandes thématiques de la chaîne.
En revanche, nous ne faisons pas de « tracking » de l’utilisateur ; nous voulions que la recommandation soit vraiment basée sur la valeur du contenu. En outre, nous voulions mettre en avant à la fois notre offre de catch-up ARTE+7 et nos offres thématiques qui sont ARTE Concert, ARTE Cinéma, ARTE Creative, ARTE Future et ARTE Info. Nous voulions qu’il se produise plus de rebonds à l’intérieur de chaque plateforme, mais aussi entre les differentes offres thématiques. Enfin, Le catalogue d’ARTE est à géométrie variable en fonction de la durée des droits dont dispose la chaîne, qui peuvent varier entre les périodes du replay et des droits plus longs pour les contenus des offres thématiques. L’un des objectifs de la recommandation était donc aussi de permettre une optimisation plus poussée de l’exploitation des programmes en catch-up.
Comment êtes-vous parvenu à intégrer ces différentes variables dans le moteur de recommandation ?
Déjà, il faut rappeler que cela fait près de trois ans que nous avons réalisé un gros travail de mise à plat de nos bases de données, en vue d’attacher un identifiant unique à chacun de nos programmes tout au long des workflows de production et de distribution. Ce travail nous a permis d’associer des métadonnées éditoriales riches autour de chaque programme. Ainsi, le prestataire de recommandation que nous avons choisi, Spideo, a pu récupérer une base de données « propres » via une API homogène sur le plan technique et avec des métadonnées éditoriales déjà existantes sur lesquelles il a pu s’appuyer de manière fiable pour faire de l’enrichissement de métadonnées.
Quelles ont été les étapes clés de la mise en place du dispositif de recommandation ?
Dès le cahier des charges pour l’appel d’offres, nous avions élaboré des scénarii d’utilisation de la part du téléspectateur tels que nous les voyions et nous avons ensuite fait une phase de prototypage, afin d’être certains que ce qui marchait sur le papier fonctionnait bien également avec des contenus réels. De même, depuis un an que le moteur de recommandation est utilisé sur le web et les mobiles, il nous est arrivé de remonter des optimisations au prestataire qui procède ensuite aux évolutions nécessaires pour avoir de bons résultats.
Et aujourd’hui, après ces petits réglages, on peut dire que nous disposons d’un moteur de recommandation très au point sur la première partie de notre objectif concernant la recommandation entre les contenus autour des grandes thématiques de la chaîne.
D’ailleurs, forts de ce premier succès, nous portons actuellement la recommandation aussi sur la TV connectée et préparons des dispositifs de personnalisation qui inciteront les utilisateurs à s’abonner à des thématiques données. Il nous reste encore à creuser la recommandation plus transversale entre les offres thématiques et à favoriser encore un peu plus la sérendipité.
Consultez l’article “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 !
