L’offre « Staff Software Engineer, Discover Ranking » sur Google Careers. La quatrième ligne des prérequis nomme les briques du système. Surlignage ajouté par nos soins.
Quatre mots techniques, qui décrivent la chaîne complète d’un système de recommandation : sélectionner des contenus candidats, prédire ce que chaque lecteur va en faire, les classer, et représenter lecteurs et contenus sous une forme que la machine sait comparer.
Une offre d’emploi décrit des compétences recherchées, rien de plus. Sa valeur vient du recoupement : chez 1492.vision, nous observons de vrais flux Discover depuis deux ans, et ces mots recoupent très exactement ce que nous voyons passer. Voici trois exemples concrets, racontés simplement ; l’analyse complète, chiffres et graphiques à l’appui, est dans notre étude de référence (disponible en français et en anglais).
Chaque carte de votre flux porte des prédictions
Commençons par le mot « prediction ». Chaque carte qui s’affiche dans un flux Discover a été évaluée par des modèles qui prédisent le comportement du lecteur : va-t-il s’arrêter dessus ? Cliquer ? Lire en profondeur ?
Ces prédictions laissent des traces bien concrètes : des scores, que nous observons sur les cartes de nos panels de test. Et elles se résument à deux questions étonnamment indépendantes :
- Cette carte va-t-elle arrêter l’œil ? C’est une propriété de l’article : son titre, son image. Elle varie peu d’un lecteur à l’autre.
- Ce lecteur précis va-t-il s’engager ? Cliquer, lire longtemps, interagir. Celle-ci dépend énormément de chaque lecteur.
Les deux peuvent diverger complètement, et c’est toute la définition du clickbait : un titre qui arrête l’œil de tout le monde et ne retient personne. À l’inverse, un contenu de niche peut engager profondément ses lecteurs sans jamais accrocher la majorité.
Dans nos mesures, ces prédictions collent au comportement réel observé ensuite sur le panel : quand le score d’engagement prédit est haut, l’interaction constatée est environ deux fois plus forte que quand il est bas.
L’affinité change tout, à contenu égal
La personnalisation se raconte en deux exemples.
Premier exemple. Sur nos comptes de test, nous avons comparé deux éditeurs de sport, sur la même thématique, face aux mêmes comptes. Le potentiel de leurs sujets, tel que le système lui-même l’évalue, était du même ordre. Résultat : pour l’un des deux, les prédictions d’engagement étaient environ 2 fois plus élevées, et la visibilité finale dans les flux environ 8 fois plus forte, à sujet comparable.
Le détail qui surprend : l’éditeur dominant est celui que nos comptes de test suivent le moins, au sens du bouton « Suivre » de Google. Ce qui fait la différence, c’est l’affinité que ces lecteurs ont déjà installée avec la source : un historique de lectures, d’interactions, de rendez-vous pris. Le modèle a appris que ces lecteurs précis s’engagent avec cette source, et il le prédit.
Deuxième exemple, pour situer le rôle du bouton « Suivre ». Pour un même éditeur tech, à sujets égaux, les comptes qui le suivent obtiennent des prédictions d’engagement presque doublées par rapport aux comptes qui ne le suivent pas, et une visibilité un peu plus forte. Suivre compte, comme un signal parmi d’autres qui nourrit l’affinité. L’affinité, elle, fait la décision.
D’où une boucle qui s’auto-renforce, lecteur par lecteur : un lecteur découvre une source et s’y engage ; cette affinité s’installe dans les modèles ; la source devient plus visible dans son flux ; il s’y engage davantage. La boucle favorise structurellement les sources qui ont su créer une relation avec leurs lecteurs, et la fidélisation devient un levier direct de visibilité Discover, mesurable dans les prédictions elles-mêmes.
Un lecteur, plusieurs profils
Dernier mot de la liste : « embedding ». Derrière ce terme, une idée simple : pour vous recommander des contenus, la machine vous représente sous forme de coordonnées, et recommande ce qui est « proche » de vous.
Nos observations suggèrent que Google maintient plusieurs profils de vous en parallèle, plutôt qu’un seul : vos intérêts de fond, vos curiosités du moment, ce qui est en tendance autour de vous, et même un profil orienté achats. Votre flux du matin est le point de rencontre de ces différentes versions de vous.
C’est cohérent avec ce que tout utilisateur de Discover constate : le flux mélange vos passions stables, l’actu chaude et des essais parfois surprenants. Derrière ce qui ressemble à des sautes d’humeur de l’algorithme, il y a une architecture.
Ce qu’il faut en retenir
L’offre d’emploi valide un vocabulaire ; nos observations montrent la machinerie au travail. Pour un éditeur, trois conséquences :
- À contenu comparable, l’affinité installée entre vos lecteurs et votre marque pilote la visibilité. Fidéliser (faire revenir, faire interagir, faire suivre) est un levier Discover à part entière, au même titre que le travail éditorial, et dans nos tests il pèse davantage que le seul bouton « Suivre ».
- Capter l’attention et créer de l’engagement sont deux chantiers distincts, qui se mesurent et se travaillent séparément.
- L’engagement n’est que la moitié de l’histoire : l’offre parle de contenu « engaging, and useful », et la satisfaction du lecteur est portée par d’autres signaux. Optimiser le clic seul est une stratégie à courte vue.
Google a nommé publiquement les briques de sa machine à recommander. Nous, de l’extérieur, nous continuons à mesurer ce qu’elles font, carte après carte. L’analyse complète est ici.
Méthodologie : observations issues d’un panel de comptes de test sur de vrais flux Discover ; « suivre » s’entend au sens du bouton « Suivre » de Google, mesuré sur ce panel ; les deux cas éditeurs sont des illustrations sur de petits échantillons. Méthode complète, chiffres et graphiques : l’étude complète.
Damien Andell, co-fondateur de 1492.vision. Observations issues de l’analyse de vrais flux Google Discover ; les mécanismes décrits sont nos interprétations, pas des confirmations de Google.
