Meta a publié un nouvel aperçu de la façon dont il fonctionne pour améliorer vos recommandations Reels, en utilisant des enquêtes de réponse des utilisateurs pour mieux évaluer les éléments qui suscitent l'intérêt et l'engagement.

Commentaires sur les bobines

Vous les avez sans doute vu vous-même dans le flux Reels, des invites affichées entre les vidéos qui vous demandent ce que vous avez ressenti à propos du Reel que vous venez de regarder. Meta affirme avoir déployé cette approche à grande échelle et, sur la base des commentaires fournis, elle a glané plus d'informations pour l'aider à affiner et à améliorer ses recommandations Reels.

Comme expliqué par Meta :

« En pondérant les réponses pour corriger les biais d’échantillonnage et de non-réponse, nous avons construit un ensemble de données complet qui reflète avec précision les préférences réelles des utilisateurs – allant au-delà des signaux d’engagement implicites pour exploiter les commentaires directs et en temps réel des utilisateurs.

Ainsi, plutôt que d'utiliser simplement les likes, les partages et la durée de visionnage comme indicateurs d'intérêt, Meta cherche à aller au-delà de cela et à considérer davantage d'éléments susceptibles d'améliorer encore ses recommandations.

Et apparemment ça marche.

Selon Meta, avant de déployer ces enquêtes, ses systèmes de recommandation n'atteignaient qu'un alignement de 48,3 % avec les véritables intérêts des utilisateurs. Mais aujourd’hui, grâce à la mise en œuvre des enseignements tirés de ces enquêtes, ce chiffre est passé à plus de 70 %.

« En intégrant des mesures basées sur des enquêtes à l'apprentissage automatique, nous créons une expérience plus engageante et personnalisée, en proposant un contenu sur Facebook Reels qui semble véritablement adapté à chaque utilisateur et encourage les visites répétées. Bien que la modélisation basée sur des enquêtes ait déjà amélioré nos recommandations, il reste d'importantes possibilités d'amélioration, telles que mieux servir les utilisateurs ayant des historiques d'engagement clairsemés, réduire les biais dans l'échantillonnage et la livraison des enquêtes, personnaliser davantage les recommandations pour diverses cohortes d'utilisateurs et améliorer la diversité des recommandations.

Cette approche n'est pas nouvelle, Pinterest, par exemple, détaillant comment il a utilisé des enquêtes similaires pour recueillir des commentaires afin d'améliorer ses systèmes de recommandation.

Mais le taux d’amélioration est impressionnant, et il sera intéressant de voir si cela conduit à une amélioration significative de la pertinence de vos suggestions Reels.

Mais en réalité, Meta est toujours à la traîne de TikTok à cet égard.

Le tout-puissant algorithme de flux « Pour vous » de TikTok reste la référence en matière d'engagement compulsif, permettant aux utilisateurs de faire défiler l'application pendant des heures et des heures.

Alors, qu’est-ce que l’algorithme de TikTok a que celui de Meta n’a pas ?

Principalement, TikTok semble avoir développé un meilleur système de reconnaissance d’entités dans les clips, ce qui donne au système TikTok plus de données pour faire correspondre vos préférences.

Pourtant, TikTok est également très secret sur le fonctionnement de l'algorithme et ne révèle pas grand-chose sur cet élément particulier, même si nous savons que le système de TikTok peut identifier des éléments visuels très spécifiques dans les clips.

En 2019, The Intercept a découvert un ensemble de principes directeurs pour les modérateurs de TikTok, qui comprenaient une série d'instructions très spécifiques pour gérer certains signaux visuels.

Selon The Intercept :

« (Tik Tok) a demandé aux modérateurs de supprimer les messages créés par les utilisateurs jugés trop laids, pauvres ou handicapés pour la plateforme (ainsi que) les vidéos montrant la pauvreté rurale, les bidonvilles, les ventres de bière et les sourires tordus. Un document va jusqu'à demander aux modérateurs d'analyser les téléchargements à la recherche de murs fissurés et de « décorations peu recommandables » dans les maisons des utilisateurs.»

Ces lignes directrices visaient à maximiser la nature ambitieuse de la plateforme, ce qui générerait ensuite davantage de croissance. TikTok a admis que de tels paramètres ont existé à un moment donné, mais il a également précisé que ces qualificatifs spécifiques n'ont jamais été adoptés dans TikTok lui-même, les paramètres étant copiés d'un document antérieur destiné uniquement à Douyin, la version chinoise.

Mais leur existence même suggère que TikTok peut détecter systématiquement ces éléments. Je veux dire, on pourrait supposer que les modérateurs de TikTok cherchaient à gérer cela manuellement et à rejeter les vidéos incluant ces éléments sur la base d'une détection humaine. Mais à l’échelle de la plateforme (Tik Tok et Douyin comptent tous deux des centaines de millions d’utilisateurs), cela rendrait cette tâche impossible, ce qui rendrait ces notes totalement inutiles. À moins que le système puisse le détecter grâce à la vision par ordinateur.

C’est là que TikTok gagne vraiment, dans la mesure où il peut comprendre beaucoup plus ce que vous regardez, puis en tenir compte dans vos recommandations. Donc, si vous passez du temps à regarder une vidéo d'un homme blond aux yeux bleus, vous pouvez être sûr que vous verrez plus de contenu provenant de créateurs similaires.

Étendez cela à un certain nombre de traits physiques et d’éléments d’arrière-plan et vous pourrez voir comment TikTok est mieux en mesure de s’aligner sur vos préférences spécifiques.

Ainsi, même si TikTok utilise également la correspondance la plus courante, en termes de likes, de durée de visionnage, etc., il s'efforce également de garder les utilisateurs collés à leur téléphone en s'alignant sur leurs tendances les plus primaires. Et si la véritable profondeur de ce processus était un jour rendue publique, TikTok ferait probablement l’objet d’un examen minutieux, car il utilise des préjugés et des tendances psychologiques pour contraindre ses utilisateurs, sur la base, potentiellement, de caractéristiques problématiques, voire nuisibles.

C’est là que Meta est perdant, car il ne peut pas mettre en œuvre la même profondeur de compréhension pour améliorer ses systèmes. Théoriquement, il pourrait utiliser davantage de mesures psychographiques, basées sur l'historique des utilisateurs sur Facebook, et avec des utilisateurs plus âgés qui ont téléchargé davantage de leurs données personnelles sur l'application, cela pourrait être efficace. Mais surtout, Meta s’appuie sur des signaux d’algorithmes plus courants, et désormais sur des enquêtes auprès des utilisateurs, pour améliorer le flux Reels.

Vos recommandations semblent-elles meilleures ces derniers temps ? Cela pourrait être la raison pour laquelle, même si cela devrait également signifier que votre contenu est présenté à un public plus engagé.

author avatar
Erwan
Erwan, expert digital pour Coeur sur Paris, offre des insights pointus sur le marketing et les réseaux sociaux. Avec une plume vive et une analyse fine, il transforme les complexités du digital en conseils pratiques et tendances à suivre.
Erwan

Rédigé par

Erwan

Erwan, expert digital pour Coeur sur Paris, offre des insights pointus sur le marketing et les réseaux sociaux. Avec une plume vive et une analyse fine, il transforme les complexités du digital en conseils pratiques et tendances à suivre.