Social Media Club France

 

"Recommendation, symbolic or economic value ? "

 

 

Passant de la taxonomie à la folksonomy, le web 2.0 a créé de nouvelles pratiques : le social bookmarking, le crowd sourcing par exemple, que des sites tels Amazon, Pandora ou Del.icio.us ont exploités. La mémétique appliquée aux consommateurs a fait de la recommandation une valeur essentielle du web 2.0. Système de filtrage de l’information visant à toucher l’utilisateur susceptible du maximum d’attention au produit, la recommandation est un marché avant tout. Un tiers du chiffre d’affaire d’Amazon, leader de cette technique est obtenu grâce à leur algorithme de recommandation et nous connaissons tous le succès du PageRank de Google. 

Qu’elle soit personnalisée, sociale, par item, ou un mélange des trois précédents, la recommandation est centrale dans une économie de l’attention du net. Elle modifie les usages en s’intéressant aux comportements. Elle est débitrice de cette « ombre du futur » que sont la navigation et la géolocalisation de l’user. Elle est une valeur symbolique sur laquelle le web 2.0 s’est construit.

Mais si Netflix a lancé un concours avec un million de dollars à la clef pour améliorer leur moteur de recommandation de 10%, c’est surtout parce que la recommandation peut avoir des effets étonnants sur les marchés, particulièrement ceux des biens culturels. On constate au niveau individuel une augmentation de la diversité des ventes. Mais au niveau global, seules des tendances se dégagent.

Alors, la recommandation, valeur symbolique ou valeur économique ? Quelle recommandation pour quel produit ? Comment optimiser la diffusion d’un produit par l’utilisation de la valeur de recommandation ? N’est elle qu’un fixateur de l’économie d’attention ? Quel business model pour quelle forme de recommandation ?

Pour en discuter, nous avons réuni un plateau d’experts intervenants : 

- Thomas de Bailliencourt, ingénieur, Orange

- Nicolas Vieuxloup, directeur marketing Viadeo

- Kevin Mellet, chercheur, Orange

 

 

From taxonomy to folksonomy, Web 2.0 created new practices:  social bookmarking, crowd sourcing for example, that sites such Amazon, Pandora or Del.icio.us exploited. The memetic applied to the consumers made of the recommendation an essential value of Web 2.0. The memetic applied to the consumers made of the recommendation an essential value of Web 2.0. System of filtering of the information to touch the user susceptible to the maximum of attention on the product, the recommendation is a market above all. A third of the figure of business of Amazon, leader of this technique is obtained thanks to their algorithm of recommendation and we know all the success of PageRank of Google.  

 

Personalized, social, by item, or a mixture of three precedents, the recommendation is central in an economy of the attention of the net. It modifies the manners by being interested in the behavior. It is debtor of this " shadow of future " that are the navigation and the géolocalisation to use it. It is a symbolic value on which Web 2.0 built itself.

 

But if Netflix launched a competition with a million dollars to the key to improve their engine of 10 % recommendation, it is especially because the recommendation can have surprising effects on markets, particularly those of the cultural property. We notice at the individual level an increase of the variety of sales. But at the global level, only ones tendencies get free

 

 

 

Then, the recommendation, the symbolic value or the economic value? What recommendation for which product? How to optimize the broadcasting of a product by the use of the value of recommendation? Is it only a fixative spray of the economy of attention? What model business for which shape of recommendation?

To discuss it, we combined experts  speakers: 

 

- Thomas de Bailliencourt, ingénieur, Orange

- Nicolas Vieuxloup, directeur marketing Viadeo

- Kevin Mellet, chercheur, Orange

 

 

 

 

 

 

 

              

 

---

 

When?

Le mercredi 20 mai et le lundi 25 mai , à partir de 19h00

 

 

 

Where?

La Cantine, 151 rue Montmartre, Passage des Panoramas, 12 Galerie Montmartre, 75002 Paris

http://maps.google.com/maps?f=q&hl=en&geocode=&q=silicon+sentier+%2F+la+cantine&sll=48.898581,2.409782&sspn=0.104498,0.295601&ie=UTF8&z=12&iwloc=A

 

 

View Larger Map

---

 

Les règles du jeu

 

Afin de restreindre un minimum le débat et le rendre plus constructif et opérationnel, nous vous proposons quelques règles simples :

 

• ne pas vendre sa soupe : le but des sessions est de partager des savoir-faire, pas d'en faire un lieu d'autopromotion
• aller à l'essentiel : évitons de monopoliser la parole, le modérateur aura un rôle plus actif dans le cadrage du débat, acceptons-le.
• faire ses devoirs : essayons de tous nous mettre à un niveau de compréhension commun, lisons les documents envoyés avant les sessions (pour celle-ci, un retour sur le wiki de la première sessiondu SMC ne sera pas inutile) et réfléchissons quelques minutes sur ce que nous voulons apporter à ce débat. Les différents articles, études et réflexions sur cette session seront regroupés dans la section "sources"  ci-desous

 

Attention, nous tentons un nouveau format:  un "world café". Trois tables différentes, avec un intervenant par table, chaque table dédiée à une problématique clef. Les participants changent de table toutes les 20 minutes, puis on se réunit tous à la fin pour le "wrap up". Plus interactif, ce format devrait permettre à chacun de participer.

 

---

 

Modérateurs et intervenants

 

Comme souvent, nous avons composé le panel de trois profils

• un profil académique, pour un tour d'horizon de l'état de l'art et donner une couche théorique au débat
• un profil "média traditionnel", pour apprendre des expériences passées
• un profil "innovateur", pour une réflexion sur les tentatives en cours

 

 

 

 

 

 

 

Sources

 

‘Les users vous payent avec le temps qu’ils passent sur vos contenus. Ils vous paient avec leur attention. C’est cette attention que les annonceurs veulent. â€˜ David Eun.

Le web est soumis maintenant à une économie de l’attention. Celle-ci est alimenté par, entre autres, un marché en croissance celui de la recommandation ( http://incision.over-blog.com/article-27382834.html ). Google, Amazon ou Del.icio.us ne s’y sont pas trompés et utilisent leur algorithme pour booster la diffusion  d’un produit car la recommandation fonctionne comme un fixateur de l’économie d’attention en plus d’éclairer sur les usages de l’internaute.  Son effet de segmentation sur la longue traîne fonctionne particulièrement sur l’économie des biens culturels. Le futur du business est peut être de vendre moins de chaque produit mais plus de produits différents. Et pour ce faire, sur la fameuse « long tail Â»  ( http://www.internetactu.net/2009/01/22/que-faire-de-la-longue-traine/ ), les systèmes de recommandation peuvent se révéler aussi efficaces que le testimonial dans le B2B. Mais comment passer du mythe rassurant de la longue traine à une réalité économique effective ? Non seulement la recommandation et les autres filtres tendent à conduire la demande vers des goûts minoritaires  mais elle a l’avantage d’abaisser les coûts d’acquisition des catalogues dans le temps et d’apporter une plus grande satisfaction du client dans un temps plus rapide.  Dans son analyse de la musique en ligne W.Page note que sur 13 millions de titres disponibles 10 millions ne sont jamais vendus, 40 titres représentent 8% des ventes et 3% du total des titres vendus représentent 80% du chiffre d’affaire. La captation des ventes dans la longue traîne est supérieure à ce que l’on constate dans la  distribution physique.  Même exemple avec l’adaptation de Criteo à Glowria ou deux mois après avoir installé la plate-forme, sur son catalogue de DVD, les 10 000 titres les moins loués qui représentent 80% du catalogue sont passés de 30 à 50% . La recommandation sert surtout un achat d’impulsion.

La recommandation repose sur une analyse statistique implicative ( http://math.unipa.it/~grim/asi/asi_05_couturier_10.pdf ). Sur un principe développé par Régis Gras, elle établit des règles d’association à partir de données croisant des sujets et des variables. Le but est de rejeter les règles triviales c'est-à-dire celles qui n’apportent pas de nouvelles connaissances et d’être résistant au bruit. Outre l’effectivité de l’algorithme, les systèmes de recommandation sont basés sur du feedback, ce qui explique leur cold start. En matière d’ Input, il faut donc motiver l’utilisateur a nourrir le système, en lui demandant au bon moment, et en rendant le système personnalisable et facilement utilisable. Puis il faut optimiser la « sagesse de la foule Â» en assurant la diversité des input, l’indépendance de l’user, la décentralisation des données, et la facilité de l’agrégation. En matière d’output, le système de recommandation doit donc avant tout créer du lien de confiance, en comprenant les goûts des utilisateurs, en ayant assez d’information sur chaque internaute et surtout en répondant rapidement (instant gratification). 

La recommandation peut rendre 4 formes : La recommandation personnalisée, la recommandation sociale (même comportement d’usagers similaires), la recommandation d’item ou une combinaison des 3 précédents ( http://fr.readwriteweb.com/2009/03/16/usages/a-la-decouverte-des-systemes-de-recommandation/ )  Toute recommandation est fondée sur un comportement individuel du  sujet lui-même et tout système de recommandation est construit dans un but déterminé. Par ailleurs, elle se révèle dépendante de segmentations particulières que sont le temps et l’espace ( la fameuse « ombre du futur Â» de D.Karpf http://masterwebscience.wordpress.com/tag/recommandation/  ). Amazon a développé un système d’achat collaboratif et d’automatisme. Pandora a un système de recommandation basé sur la génétique, porté par une analyse profonde de l’objet, et avantageant les similarités qui permet d’accrocher l’utilisateur sans avoir à le connaître, par le système du tag. Del.icio.us pour sa part utilise du social bookmarking . Quant à Google, il a mis en place une customisation des recherches avec localisation et dernières recherches ainsi qu’un système de pertinence du contenus ( sans parler PageRanking). La recommandation peut aussi se faire de manière structurelle sur l’objet en comptant avec le comportement des parties autour de l’objet ( Aggregate Knowledge ). Vous pourrez lire une recherche sur l introduction de criteres psychologiques dans les systemes de recommandation. (

 Quels sont les points communs à tous ces systèmes ? Ils demandent tous une participation de masse et un partage social. Ils comptent sur les UGC. Ils travaillent tous sur la longue traïne. Ils tendent tous à incorporer des réseaux sociaux, et à enrichir l’expérience de l’usager, en n’étant pas qu’utile mais aussi « fun Â», le but étant de faire ressembler une transaction à une conversation. Pourtant tous connaissent un problème de cold start. (http://www.slideshare.net/rashmi/design-of-recommender-systems  )

 Elle n’est pas qu’une prime à l’ami, sur le système du word to mouth ( http://www.cs.utexas.edu/users/ml/papers/bilgic-iciui-04.pdf ). Elle dépend de la qualité des proxies  et de la pertinence des données ce qui entraîne un coût de production important, pour recueillir le flot des données (google), effectuer des retour produit  e-bay) ou intégrer de l’expérience à l’usage de service (commentaires de blogs). Elle implique un coût important dans le traitement de la quantité des données utilisées, et demande à ce que l’on favorise la participation en diminuant le coût de transaction associé à la production de données. Et bien sur, elle dépend de la qualité des algorithmes qui convertissent des données en produit utile.   

Si la recommandation permet une croissance exponentielle de la transmission du message et de son influence sur son  support principal c'est-à-dire l’user, elle a aussi ses problématiques. Les systèmes de filtrage collaboratif des recommandations individuelles diminuent la diversité des ventes, même si au niveau individuel la diversité-produit augmente.  (http://papers.ssrn.com/sol3/papers.cfm?abstract_id=955984 )Elle augmente le bruit certes, et a un effet direct sur les ventes au niveau du produit, mais ne fait que dégager des tendances au niveau du marché. De plus, l’inégalité d’accès à internet  entraîne la production d’un certain type de données-produits et favorise donc un certains types d’utilisateurs. Le traitement des données collectées explicites ou implicites se révèle en plus assez couteux.

Si le rôle de l’influence personnelle sur la prise de décision n’est plus à démontrer(http://commposite.org/v1/2004/articles/ledun2.html  ), leur implémentation à des fins économiques n’est pas encore totalement effective.  

 

Merci de poster ici vos documents et liens sur le sujet

 

 

• http://www.readwriteweb.com/archives/recommendation_engines.php
• http://ingrid.mmd.free.fr/ 
• http://communiketing.over-blog.com/article-29974925.html
• http://papers.ssrn.com/sol3/papers.cfm?abstract_id=955984
• http://www.agoravox.fr/actualites/economie/article/economie-de-l-attention-et-marche-30291
• http://masterwebscience.wordpress.com/tag/recommandation/
•  
•  

---

Compte Rendu

 

SOCIAL MEDIA CLUB FranceLarecommandation1.pdf