L'algorithme de recommandation expliqué par ses signaux observables

Les discussions sur les algorithmes des réseaux sociaux tournent souvent en rond parce qu'elles mélangent trois choses : ce que les plateformes documentent officiellement, ce que l'on peut observer dans ses propres statistiques, et ce que des consultants affirment sans jamais montrer de données. La première catégorie existe et elle est plus fournie qu'on ne le croit. La deuxième est accessible à toute entreprise disposant d'un compte professionnel et de six mois d'historique. La troisième mérite d'être écartée, quelle que soit l'assurance avec laquelle elle est présentée. Nous nous en tenons ici aux deux premières, en indiquant à chaque fois d'où vient l'information et ce qu'elle permet de conclure.

Ce qu'un système de recommandation cherche à faire

Comprendre l'objectif poursuivi éclaire l'essentiel des comportements observés, bien mieux que la recherche de règles cachées. Le fonctionnement général de ce type de système est présenté dans notre article sur la définition d'un algorithme et son fonctionnement.

Prédire une réaction, pas juger une qualité

Le système n'évalue pas la valeur d'un contenu, il estime la probabilité qu'une personne donnée réagisse d'une certaine façon à un contenu donné. Cette prédiction s'appuie sur le comportement passé de cette personne et sur celui de personnes aux comportements comparables. Il n'existe donc pas de bon ou de mauvais contenu dans l'absolu, seulement des correspondances plus ou moins probables. Cette formulation change la façon d'aborder le sujet : la question n'est pas de plaire à un algorithme mais de correspondre à une audience. Elle explique aussi pourquoi un contenu excellent peut être peu diffusé. Il s'adressait simplement à des personnes que le système n'a pas identifiées.

Optimiser le temps passé et les retours

Les plateformes déclarent optimiser une combinaison de signaux traduisant la satisfaction : temps de consultation, interactions, retours ultérieurs sur l'application. Cette combinaison évolue et les pondérations ne sont pas publiées. Ce qui est stable, c'est la direction : ce qui retient et fait revenir est favorisé. Un contenu qui produit un abandon immédiat ou un signalement est défavorisé. Cette logique est intuitive et elle suffit à orienter la production. Chercher des règles plus précises conduit généralement à des croyances non vérifiables.

Tester puis élargir

Le mécanisme documenté par plusieurs plateformes consiste à montrer une nouvelle publication à un petit échantillon, à mesurer les réactions, puis à élargir la diffusion si les indicateurs dépassent un seuil. Ce fonctionnement par paliers explique la forme des courbes de diffusion, avec des plateaux et des accélérations. Il explique aussi pourquoi les premières heures comptent davantage que les suivantes. Il rend la performance d'un contenu très dépendante de l'échantillon initial, qui comporte une part de hasard. Deux publications identiques peuvent donc obtenir des résultats très différents. Cette variabilité impose de raisonner sur des séries plutôt que sur des cas.

La personnalisation individuelle

Deux personnes abonnées au même compte ne voient pas les mêmes publications, ni au même moment. Le fil est construit individuellement à partir de l'historique de chacune. Cette personnalisation rend impossible toute vérification par observation directe : ce que vous voyez ne dit rien de ce que voient les autres. Elle explique les affirmations contradictoires sur la portée des contenus. Elle impose de s'appuyer sur les statistiques agrégées du compte plutôt que sur son ressenti. C'est la première discipline à adopter sur ce sujet.

La part de l'exploration

Les systèmes réservent une fraction de la diffusion à des contenus dont ils ne savent rien, pour éviter de s'enfermer dans des prédictions circulaires. Cette exploration donne leur chance aux nouveaux comptes et aux formats inhabituels. Elle explique les diffusions inattendues d'un contenu apparemment sans particularité. Sa proportion n'est pas documentée et son existence est reconnue par les plateformes. Elle constitue une bonne raison de publier régulièrement plutôt que de chercher la publication parfaite. Le nombre de tentatives augmente mécaniquement les chances.

Les objectifs commerciaux de la plateforme

Un système de recommandation sert aussi le modèle économique de son propriétaire, ce qui influence les arbitrages. Une plateforme cherchant à développer un format donné le favorisera temporairement, comme cela s'est produit à plusieurs reprises avec les formats vidéo courts. Ces impulsions sont généralement annoncées publiquement, ce qui les rend exploitables. Elles se traduisent par des fenêtres pendant lesquelles un format bénéficie d'une diffusion inhabituelle. Les repérer demande simplement de suivre les communications officielles. Cette veille prend quelques minutes par mois et elle rapporte davantage que beaucoup de théories.

Les signaux que l'on peut mesurer soi-même

Un compte professionnel donne accès à des indicateurs qui permettent de vérifier plusieurs hypothèses sans quitter son tableau de bord.

Le taux d'interaction rapporté aux impressions

C'est le signal le plus directement lié à la diffusion, et le seul dont la corrélation soit visible sur toutes les plateformes. Le calcul rapporte le total des réactions au nombre d'affichages, ce qui neutralise l'effet de la diffusion elle même. Classer ses publications selon ce taux fait apparaître ce qui fonctionne réellement auprès de son audience. Ce classement contredit souvent le classement par nombre absolu d'interactions. Il constitue le point de départ de toute analyse sérieuse. Il se calcule en une colonne de tableur à partir des exports.

La durée de consultation

Sur les formats vidéo, le pourcentage de la durée effectivement regardée et le taux de visionnage complet sont fournis. Ces indicateurs pèsent lourd dans les décisions de diffusion, ce que les plateformes documentent explicitement. Une vidéo de trente secondes regardée en entier est mieux considérée qu'une vidéo de trois minutes abandonnée à la vingtième seconde. Cette observation conduit à raccourcir plutôt qu'à allonger. Elle se vérifie très facilement sur ses propres données. C'est l'un des rares points où l'effet est net et reproductible.

Le point d'abandon

La courbe de rétention indique la seconde à laquelle les spectateurs partent, information d'une précision remarquable. Un décrochage massif à la troisième seconde signale un problème d'accroche, un décrochage progressif signale un rythme trop lent. Cette lecture oriente le montage bien mieux que n'importe quel conseil général. Elle demande d'ouvrir les statistiques de chaque vidéo, ce qui prend quelques minutes. Elle constitue probablement l'outil d'amélioration le plus efficace disponible gratuitement. Elle est pourtant très peu utilisée.

Les partages et les enregistrements

Ces deux actions demandent un effort supérieur à un simple like et elles sont pondérées en conséquence. Un contenu partagé sort du cercle des abonnés et alimente la découverte, ce qui produit les diffusions les plus larges. Les contenus utiles, les listes et les explications sont surreprésentés dans cette catégorie. Suivre spécifiquement ces deux indicateurs, plutôt que le total des interactions, révèle quels contenus élargissent l'audience. Cette distinction est accessible dans les exports de la plupart des plateformes. Elle mérite une colonne dédiée dans le tableau de suivi.

La provenance des impressions

Les statistiques distinguent généralement les affichages venant des abonnés de ceux venant de la découverte. Ce rapport indique dans quelle mesure un contenu a été poussé au delà du cercle habituel. Une proportion élevée de découverte signale un contenu que le système a jugé susceptible d'intéresser plus largement. Suivre l'évolution de ce rapport dans le temps mesure la capacité du compte à recruter. C'est un indicateur de croissance bien plus fiable que le nombre d'abonnés. Il se dégrade nettement lorsque la ligne éditoriale devient trop spécialisée.

Les signaux négatifs

Les masquages, les signalements et les désabonnements consécutifs à une publication sont parfois accessibles et toujours instructifs. Un pic sur ces indicateurs identifie immédiatement un contenu mal reçu, information que le total des interactions masque. Ces signaux pèsent lourd et un contenu qui en génère beaucoup verra sa diffusion coupée rapidement. Les surveiller évite de reproduire une erreur en croyant à un simple manque de chance. Ils sont souvent rangés dans un sous-menu peu visible des statistiques. Les consulter une fois par mois suffit.

Ce qui relève de la légende

Plusieurs affirmations circulent depuis des années sans qu'aucune donnée ne les étaye, et elles orientent pourtant des stratégies entières.

La pénalisation des liens sortants

L'idée qu'une publication contenant un lien vers l'extérieur serait systématiquement défavorisée est répandue et jamais démontrée. Les mesures menées sur des comptes réels donnent des résultats contradictoires selon les secteurs et les périodes. Ce qui est certain, c'est qu'une publication invitant à quitter la plateforme produit moins de temps passé, ce qui pèse dans la prédiction. La conclusion pratique n'est pas de renoncer aux liens mais de s'assurer que la publication apporte une valeur autonome. Un contenu complet accompagné d'un lien fonctionne mieux qu'un simple renvoi. Cette formulation prudente correspond à ce qu'on peut réellement observer.

L'heure de publication miracle

Les grilles horaires publiées reposent sur des agrégats internationaux qui n'ont aucun rapport avec un public francophone professionnel. Seules les données de son propre compte ont une valeur, et elles montrent des écarts réels mais modestes. Sur les plateformes qui diffusent un contenu pendant plusieurs jours, l'heure de publication perd d'ailleurs beaucoup de son importance. Elle en conserve sur les formats à durée de vie courte. Mesurer sur ses propres données prend une heure et remplace toutes les recommandations générales. Les principes de régularité restent quant à eux vérifiés, comme le rappelle notre article sur la stratégie social media et l'importance de la régularité.

Le nombre optimal de mots-clés

Les recommandations sur le nombre de mots-clés à ajouter varient de trois à trente selon les sources, ce qui devrait suffire à les disqualifier. Leur fonction réelle est de qualifier le contenu pour aider le système à trouver son public, pas d'augmenter mécaniquement la portée. Trois mots-clés précis valent mieux que vingt génériques, qui placent le contenu en concurrence avec des millions d'autres. Cette logique de précision se vérifie assez bien sur les comptes de niche. Elle rejoint les principes de la recherche par requête. Le test consiste à comparer deux séries sur plusieurs semaines.

La suppression et la republication

Supprimer une publication peu performante pour la republier plus tard est présenté comme une astuce. Aucune donnée ne confirme un bénéfice, et la suppression fait perdre les interactions déjà accumulées. Le système conserve par ailleurs une mémoire des contenus, ce qui rend la republication à l'identique peu efficace. Retravailler le contenu et publier une version différente donne de meilleurs résultats. Cette pratique s'apparente aux recettes de contournement qui perdent leur effet dès qu'elles se répandent. Mieux vaut consacrer ce temps à la production.

L'engagement de complaisance

Répondre à tous les commentaires dans l'heure, ou solliciter des réactions entre comptes amis, est censé déclencher la diffusion. Les systèmes détectent depuis longtemps les schémas d'interactions artificielles et les neutralisent. Répondre aux commentaires reste utile pour la relation avec l'audience, ce qui suffit à le justifier. Le présenter comme un levier algorithmique relève de la superstition. Les groupes d'entraide organisés produisent des interactions non représentatives qui faussent les prédictions et peuvent nuire. Cette pratique est à éviter pour un compte professionnel.

Les changements permanents et brutaux

Toute baisse de portée est attribuée à un changement d'algorithme, explication commode et rarement vérifiée. Les causes plus banales sont bien plus fréquentes : baisse de régularité, changement de sujet, saisonnalité, ou simple retour à la moyenne après un contenu exceptionnel. Vérifier ces hypothèses avant de conclure à un changement de système évite des réorientations inutiles. Les plateformes annoncent d'ailleurs publiquement les évolutions importantes. Le cas particulier d'une plateforme dont le fonctionnement est bien documenté est traité dans notre article sur l'algorithme de TikTok. Cette lecture prudente économise beaucoup d'énergie.

Une méthode de travail réaliste

Ce que l'on peut faire d'utile avec ces éléments tient en une démarche simple, applicable par toute entreprise.

Constituer sa propre base

Exporter mensuellement ses statistiques et les consolider constitue le préalable à toute analyse. Sans historique, aucune hypothèse ne peut être testée et l'on en reste aux conseils généraux. Six mois de données suffisent à faire apparaître des tendances exploitables. Cette collecte prend un quart d'heure par mois et elle est la seule barrière à l'entrée. Elle donne accès à une information dont aucun concurrent ne dispose sur votre audience. C'est un avantage réel et peu coûteux.

Formuler des hypothèses testables

Une hypothèse utile est précise et vérifiable : les vidéos de moins de quarante secondes obtiennent un meilleur taux de visionnage complet que celles de plus d'une minute. Elle se teste en comparant deux séries suffisamment fournies. Une affirmation vague, comme il faut publier du contenu de qualité, ne se teste pas et n'apporte rien. Écrire ses hypothèses avant de regarder les données évite de trouver dans les chiffres ce qu'on y cherchait. Cette discipline élémentaire améliore considérablement la fiabilité des conclusions. Elle demande seulement un peu de rigueur.

Tester une variable à la fois

Changer simultanément le format, le sujet et l'horaire rend toute attribution impossible. Modifier un seul paramètre sur une série de publications, en maintenant le reste stable, produit une comparaison exploitable. Cette approche allonge le temps nécessaire et elle est la seule qui apprenne quelque chose. Une série de dix publications par condition constitue un minimum. Sur un rythme de trois publications hebdomadaires, un test prend donc environ sept semaines. Ce calendrier doit être accepté avant de commencer.

Accepter la variabilité

La part d'aléa dans la diffusion initiale produit des écarts importants entre deux publications comparables. Conclure sur trois observations conduit systématiquement à des erreurs. Raisonner sur des médianes plutôt que sur des moyennes limite l'effet des cas extrêmes. Afficher la dispersion à côté de la valeur centrale rappelle utilement cette incertitude. Cette prudence statistique protège des réorientations hâtives. Elle est le principal apport d'une démarche mesurée.

Suivre les annonces officielles

Les plateformes publient des documentations et des billets expliquant leurs évolutions, sources bien plus fiables que les analyses de seconde main. Y consacrer quelques minutes par mois donne une longueur d'avance sur les changements de format favorisés. Ces annonces indiquent également les pratiques que la plateforme décourage explicitement. Les ignorer conduit à découvrir un changement plusieurs mois après ses concurrents. Cette veille est gratuite et rapide. Elle constitue le complément naturel de l'analyse de ses propres données.

Se concentrer sur ce que l'on maîtrise

Le système de recommandation n'est pas pilotable et l'énergie dépensée à le deviner produit peu. La qualité de l'accroche, la pertinence du sujet pour l'audience visée, la régularité de publication et la clarté du montage sont entièrement maîtrisables. Ces quatre leviers expliquent l'essentiel des écarts observés entre comptes comparables. Les travailler méthodiquement donne des résultats supérieurs à toute recherche de contournement. Cette conclusion paraît banale et elle résiste à l'épreuve des données. C'est probablement l'enseignement le plus solide de tout le sujet. Il vaut d'ailleurs pour l'ensemble des plateformes concernées, dont les mécanismes diffèrent bien moins que leurs communications respectives ne le laissent croire.