Netflix, une boîte noire dans une boîte noire

Dans cet article nous nous intéressons au système de recommandation du site de vidéo à la demande avec abonnement (SVOD) Netflix®, en prenant une double approche : le design, qui fonde notre questionnement sur la perception que l’utilisateur peut avoir sur les recommandations, et l’informatique, qui nous permet d’expliciter certains mécanismes génériques, déjà connus, des systèmes de recommandation. Pour cela nous nous concentrons sur l’influence que le choix des films et séries a sur les recommandations postérieures. Une de nos interrogations initiales porte sur le "démarrage à froid" du système et nous comparons, dans nos expériences, deux types de profil-utilisateur : l’un est ancien, alimenté depuis 7 ans, l’autre est créé pour l’occasion. Notre première expérience permet de mettre en avant le rôle crucial de la catégorisation des films - sur des critères de contenu, de popularité, ou d’exclusivité, par exemple. Ce travail nous a permis d’observer plusieurs éléments. Comme nous l’avions anticipé du fait de l’inertie des méthodes d’apprentissage, sur un profil récent l’expérience est très nettement plus visible que sur un profil ancien, et il est simple d’influencer par ses choix les recommandations. Ensuite, le nouveau profil reçoit beaucoup de recommandations génériques, puis très rapidement un peu contenu personnalisé qui peut être présenté dans différentes catégories. Enfin, la réversibilité du processus de recommandation est rapide sur le profil ancien, car quelques jours sans visionage permettent de faire disparaître les traces de l’expérience. Ces expériences nous ont en outre permis de nous interroger sur les catégories qui sont finalement très nombreuses, plus ou moins précises, et non disjointes en contenu. Cette observation nous oriente vers une réflexion à venir sur la construction des catégories dans l’organisation pratique du capitalisme de surveillance.

This article focuses on the recommendation system of the subscription video-on-demand (SVOD) platform Netflix®, specifically exploring what can be understood from an end-user perspective. To this end, we investigate how viewing choices influence the recommendations displayed during the subsequent platform visit. To conduct this analysis, we designed two experiments comparing two user profiles: one long-standing profile active for 7 years, and another newly created profile. We concentrated on elements observable directly by the user: categories, recommended titles within personalized categories, and the « top banners » displayed prominently on the homepage. Our findings revealed the following: first, recommendations for a recent profile are more quickly and strongly influenced by the content viewed on that profile, whereas an older profile shows little change. Second, the new profile receives recommendations spanning a wide variety of genres, including popular content as well as some personalized suggestions. Finally, over time, while the older profile initially received increasing numbers of documentary recommendations based on its viewing history, only a few days of inactivity were enough for these recommendations to disappear entirely. Conversely, the recent profile continued to receive documentary suggestions. These experiments also allowed us to observe the evolution of suggested categories for each profile. The significant diversity of categories and the variability in how films are ranked within them emerged as important factors. This observation raises further questions about how the recommendation system creates and uses categories to encourage user engagement.

Système de recommandation Contexte Diversité Design Genre cinématographique

Recommender system Context Diversity Design Cinematic genre