appréciation implicite

De iconomie
Aller à : navigation, rechercher

Intérêt de l'utilisateur

L'utilité d'un produit peut aussi se mesurer par les actions volontaires de l'utilisateur, même lorsqu'elles ne sont pas déclaratives, mais qui révèlent son niveau d'intérêt.

Sur Facebook, le taux d'engagement correspond au nombre de gens qui ont aimé, partagé, commenté ou cliqué sur une publication par rapport au nombre total de gens qui ont vu cette publication.
Alors que les journalistes filtrent l'information sur la base d'un jugement humain avant de la publier, Google News filtre a posteriori une information déjà publiée sur la base des jugements humains émis par l'ensemble des internautes qui publient sur le Web[1].
De même un lecteur d'un article de Forbes révèle son intérêt lorsqu'il le partage sur Facebook, Twitter, Linkedin ou Google+, imprime un article, propose des corrections, demande des tirés à part, fait une extraction, apporte ou répond à un commentaire, ou encore « suit » l'auteur.

L’opinion des internautes est mesurable en ligne. Il suffit simplement de récolter et analyser les milliers d’avis publiés spontanément et gratuitement sur le Web 2.0. Le « Text Mining » permet d’analyser la volumétrie, les thématiques, la tonalité et les sentiments exprimés au sujet d’une organisation, d’une marque, d’une personnalité ou d’un produit. Le « Link-Mining » permet d’identifier (ou non) une communauté d’intérêt sur un sujet, de cartographier cette communauté pour mieux comprendre les différentes opinions exprimées, les « suiveurs », « contributeurs » et « influenceurs » de cette communauté. Leur analyse croisée offre de nombreuses opportunités tant pour la communication d’une organisation ou d’une marque, que pour la sphère civile ou journalistique.[2].

Déjà en 2008, le bureau de campagne d’Obama parvenait à identifier précisément les attentes de l’électorat. En effet, le croisement d’informations diverses comme l’âge de l’électeur, son origine ethnique, sa structure familiale, sa catégorie sociale… permet de dresser le modèle de l’électeur moyen du secteur étudié. Obama pouvait ainsi moduler et personnaliser son discours et répondre au mieux aux attentes des électeurs. Cette technique a également permis un meilleur ciblage dans l’organisation de la récolte de fonds ou dans l’identification des électeurs indécis[3].

Interprétation des traces

Actions sur Internet

Au-delà de l'analyse de ces actions volontaires, des algorithmes calculent l'utilité d'un produit grâce aux traces des internautes.

Plutôt que de demander à l'algorithme de comprendre ce que dit la page, Google Search va proposer de mesurer la force sociale de la page dans la structure du Web. L'architecture particulière du réseau Internet fait du Web un tissu de textes se citant les uns les autres à travers des liens hypertextes. L'algorithme du moteur de recherche ordonne les informations en considérant qu'un site qui reçoit d'un autre un lien reçoit en même temps un témoignage de reconnaissance qui lui donne de l'autorité. Sur ce principe, il classe les sites à partir d'un vote censitaire au fondement méritocratique. Les sites les mieux classés sont ceux qui ont reçu le plus de liens hypertextes venant de sites qui ont, eux-mêmes, reçu le plus de liens hypertextes des autres. Dans son principe initial, le PageRank, l'algorithme qui a fait la fortune de Google, considère que les liens hypertextes enferment la reconnaissance d'une autorité[4].
De tout temps, les libraires ont su distinguer quels livres se vendaient bien et lesquels s’écoulaient mal. En se dotant d’un programme de fidélisation de la clientèle, ils pouvaient associer certains achats à certains acheteurs. Et on en restait là. Mais, dès que les achats se sont faits en ligne, la connaissance du profil des clients s’est énormément affinée. Non seulement les vendeurs en ligne pouvaient suivre leurs achats, mais ils savaient aussi ce qui les avait intéressés, quels parcours ils avaient effectué à l’intérieur du site, et comment les promotions, les commentaires et la maquette des pages les avaient influencés. Ils ont aussi repéré des similarités entre certains clients ou groupes de clients. Très vite, ces vendeurs en ligne ont mis au point des algorithmes permettant d'anticiper les livres que leurs clients aimeraient lire – ces algorithmes s’affinant chaque fois que le consommateur suivait une recommandation ou l’ignorait. Pour leur part, les vendeurs traditionnels n’ont toujours aucun moyen d’accéder à ces informations, et encore moins de s’en servir[5]. Aujourd'hui Amazon peut ainsi prédire "vous avez aimé ce livre, vous aimerez celui-là".
De même Linkedin peut deviner quelles personnes vous connaissez sans doute. Criteo suit la navigation des internautes sur le Web, exécute des algorithmes de machine learning pour construire la bannière qui correspond très exactement à leurs attentes[6]. Il mesure à cette fin le parcours de l'utilisateur dans tous ses détails : type et nombre de pages vues, sur quel site web, retour sur certaines pages, nombre d'étoiles des hôtels regardés, caractéristiques socio-démographiques, mots clés tapés dans le moteur de recherche et l'historique d'achat, etc[7]. Criteo veut ainsi prédire le bon produit qui sera apprécié par la bonne personne au bon moment sur le bon terminal. Tinyclues détermine les préférences du consommateur à partir de « signaux faibles » (identité, adresse e-mail, mots-clés tapés et pages Internet consultées) et être ainsi en mesure de lui recommander des produits en ligne avec ses précédents comportements d’achat et ses envies actuelles[8].

Témoignage: Criteo

Grégory Gazagne, Executive Vice President - EMEA chez Criteo (interviewé par Vincent Lorphelin. Xerfi Canal, 19/10/2015).

Criteo prévoit les intentions d'achat des internautes pour afficher la bonne publicité pour la bonne personne au bon moment. Cela fonctionne sur la base d'une analyse du comportement du consommateur. On va observer vers quels sites web il se dirige, puis les pages de produits, sur quels hotels il clique, les catégories, les services recherchés, le temps passé sur ces pages, les clics effectués, les produits mis dans le panier d'achat. En général, il y a 3% des internautes qui vont sur site d'e-commerce et qui achètent quelque chose. Le but est de retrouver les 97% qui n'ont pas acheté, d'analyser toutes les informations collectées dans leurs parcours et de leur représenter la bonne publicité plus tard. S'il a visité un hôtel 3 étoiles à Bordeaux, par exemple, on va regrouper les informations relatives à d'autres personnes qui ont été intéressées par des hôtels 3 étoiles à Bordeaux pour dresser un profil d'acheteur. Ceci permet de prédire les autres produits qui vont l'intéresser, la probabilité de cliquer sur les produits pour les acheter, le panier moyen de dépense sur ces produits, et de calculer la meilleure présentation de publicité pour ce consommateur. La limite de cette approche, c'est qu'il faut un minimum d'historique sur le produit pour pouvoir faire ces prédictions, qui ne sont donc pas possibles pour un produit innovant qui vient de sortir pour la première fois.

Pour l'instant Criteo se rémunère en fonction du nombre de clics sur les bannières publicitaires mais s'orientera, lorsque les moteurs seront suffisamment robustes, vers un modèle d'intéressement en pourcentage du chiffre d'affaires généré.

Actions physiques

Grâce aux objets connectés, les traces ne sont plus limitées aux actions sur internet, mais concernent aussi les actions physiques.

Le « MagicBand » de Disney est un bracelet équipé d'une puce électronique qui permet aux utilisateurs de payer, de participer à des attractions sur simple présentation de leur bracelet, ou d'ouvrir la porte de leur chambre d'hôtel. L’équipe Disney peut ainsi suivre leur temps d’attente aux attractions et leurs consommations en temps réel au sein du parc. Les données portent sur l’identité des visiteurs, leurs parcours dans le parc, leurs achats et préférences (via les coupe-files choisis par exemple). Ces données sont utilisées par exemple pour faire face aux temps d’attente trop longs dans le parc ou pour allouer efficacement les employés[9]. Carlos Ghosn indique que "Nous avons 350.000 véhicules électriques Renault et Nissan qui tournent dans le monde. Ils rapportent une somme d'informations extrêmement utiles qui est en train d'orienter le développement des futurs modèles électriques puisque nous savons comment les clients sont en train de l'utiliser"[10].

Demain, il y a fort à parier que le numérique composera un grand nombre d’objets et de produits. Des exemples sont déjà là : le textile intelligent lutte contre le froid ou les odeurs, la voiture autonome roule sans intervention humaine ou bien la maison connectée s’ouvre, se ferme, s’allume toute seule[11].

Biométrie

La mesure des performances individuelles est également destinée à l'amélioration de la santé grâce à la collecte de données biométriques. Ce mouvement numérique, appelé quantified self et traduit par « quantification de soi » ou « auto-mesure de soi », consiste à quantifier en temps réel les performances, les comportements et la santé des individus. Il peut s’agir de la nutrition, de l’exercice physique, du sommeil ou d’autres variables physiologiques, mais aussi de l’humeur. Reposant de plus en plus sur l’utilisation de capteurs connectés, intégrés au smartphone ou extérieurs (bracelets, podomètres, balances, tensiomètres, etc.) ces pratiques volontaires d’auto-mesure captent des données d’une façon de plus en plus automatique. un tiers des médecins considère que les technologies du côté des patients sont un facteur clé d’amélioration des soins [12]

Sanofi propose en France depuis 2011 un lecteur de glycémie connecté, l’iBGStar, qui permet à la personne souffrant de diabète de mesurer son taux de sucre dans le sang, de l’enregistrer et de communiquer ses données en temps réel à son médecin. Cette application s’inscrit dans un projet plus large de Sanofi, Diabeo, solution de télémédecine innovante pour accompagner les patients diabétiques et les professionnels de santé dans une prise en charge globale. Le traitement du diabète nécessite de la part du patient un ensemble d’aménagements qui vont de la connaissance de la maladie et de son traitement à des compétences d’auto-observation, d’autosurveillance et d’autoadaptation du traitement en fonction des circonstances mêmes de sa vie. Pour l’aider dans cet effort, une application simple à utiliser au quotidien (pas de calculs, pas de retranscription papier, nombre limité d’alertes au patient et au médecin) a été développée pour automatiser une partie de la prise de décision. En identifiant à distance les patients en difficulté, ceci permet aussi de mieux utiliser le « temps médecin » et de personnaliser la prise en charge (ex. : adapter la fréquence des consultations plutôt que de décréter obligatoire une visite de contrôle tous les six mois)[13].
  1. Dominique Cardon. A quoi rêvent les algorithmes. La République des Idées, Seuil 2015, p.26
  2. G9+.Big Data, l'accélérateur d'innovations. Décembre 2014, p.29
  3. G9+.Big Data, l'accélérateur d'innovations. Décembre 2014, p.34
  4. Dominique Cardon. A quoi rêvent les algorithmes. La République des Idées, Seuil 2015 p.25
  5. Andrew McAfee et Erik Brynjolfsson. Big Data: The Management Revolution. HBR, octobre 2012
  6. Alain Clapaud. Criteo, une architecture Big Data unique au monde. Journal du Net, 10/03/15
  7. Nicolas Jaimes. Criteo s'est aussi reconverti dans le Big Data. Journal du Net, 10/04/13
  8. Delphine Manceau. Faire entrer la France dans la troisième révolution industrielle : le pari de l’innovation. Institut de l'Entreprise, Mai 2014 p.28
  9. Delphine Manceau. Faire entrer la France dans la troisième révolution industrielle : le pari de l’innovation. Institut de l'Entreprise, Mai 2014 p.31
  10. Carlos Ghosn: "Ni Google, ni Apple ne vont devenir des constructeurs. BFM business, 30/09/16
  11. Charles-Antoine Schwerer. La concurrence au défi du numérique. Fondapol, Juillet 2016
  12. Institut Montaigne. Big Data et objets connectés. Avril 2015, p.78
  13. Delphine Manceau. Faire entrer la France dans la troisième révolution industrielle : le pari de l’innovation. Institut de l'Entreprise, Mai 2014 p.52