Version classiqueVersion mobile

Prescription culturelle

 | 
Brigitte Chapelain
, 
Sylvie Ducas

Chapitre 7. Métamorphose de la prescription culturelle : plateformes numériques et métadonnées

Les données et les algorithmes, nouvelles muses de la prescription culturelle ?

Geoffrey Delcroix

Texte intégral

La place croissante des données dans l’industrie culturelle

  • 1 Chris Smith, “How Spotify, Netflix and Amazon control your online habits”, Techradar, 18 janvier 20 (...)

1« J’étais chez eBay la semaine dernière, et ils m’ont dit que 90 % de ce que les gens achètent chez eux vient des recherches. Nous sommes le modèle opposé. La recommandation est énorme, et notre option de recherche est ce que les gens utilisent quand nous ne sommes pas capables de leur montrer quoi regarder. » Par cette phrase, Xavier Amatriain, spécialiste d’apprentissage machine (cette branche des travaux d’intelligence artificielle visant à rendre les systèmes « apprenants »), résumait à un journaliste de TechRadar en 2014 ce qui fait la spécificité de l’entreprise pour laquelle il était alors l’un des responsables de la recherche et de l’ingénierie, Netflix, le leader mondial de la vidéo à la demande sur abonnement1. Amatriain ajoutait « presque tout ce que nous faisons, c’est de la recommandation ».

2Ce qui est vrai pour Netflix l’est aussi pour des entreprises comme Spotify, Deezer ou Amazon : la recommandation est au cœur des stratégies de ces grands acteurs de la production, distribution et consommation de contenus culturels et créatifs.

3Prescrire des contenus à un individu peut cependant se faire de nombreuses manières, et en soi cette inclination pour la recommandation n’a rien de révolutionnaire. Il manque à cette recette un ingrédient majeur pour expliciter les stratégies des acteurs économiques les plus dynamiques : la donnée, et singulièrement la donnée personnelle, c’est-à-dire les données reliées à une personne en particulier et qui décrivent ce qu’elle est, ce qu’elle fait, ce qu’elle aime…

4C’est au croisement de cet appétit pour la recommandation et de cette soif pour la collecte et l’analyse de toujours plus de données des acteurs des contenus culturels que se concentrent les changements les plus fondamentaux.

  • 2 Ces réflexions ont abouti à la publication, en novembre 2015, d’un cahier Innovation et Prospective (...)

5Sur la base de ce constat, l’équipe d’innovation et de prospective de la CNIL, autorité de régulation chargée de la protection des données personnelles et de la vie privée des citoyens, a décidé en 2015 d’explorer dans quelle mesure la numérisation des contenus culturels produits, distribués, consommés a accru la capacité à « enrichir en données personnelles » les modèles d’affaires de ce secteur et créé de nouveaux scénarios de services, d’usages et de tensions sur la question des droits et libertés individuelles2.

6L’intérêt d’une telle exploration était double à nos yeux.

7D’abord, les choix culturels des individus sont extrêmement intimes et les créations culturelles jouent un rôle capital dans nos vies, bien au-delà du divertissement qu’elles procurent : la culture est un outil de construction de l’identité, individuelle comme collective. Contrairement aux apparences, il n’y a donc rien d’anodin à observer, analyser, profiler et finalement influencer ces choix.

8Par ailleurs, les industries culturelles ont connu – pour le meilleur et pour le pire – la transformation numérique très tôt. Aujourd’hui, les contenus culturels sont largement disponibles et consommés sous forme dématérialisée. Au-delà de ses spécificités réelles, ce domaine est donc un laboratoire avancé des tensions, bénéfices, risques et enjeux qui accompagnent la « mise en données » croissante du monde.

9Alors, quel rôle jouent ces données ? Selon nous, la véritable plus-value des services émergents de distribution de contenus numériques culturels et ludiques se concentre aujourd’hui dans leur capacité à traiter les données de consommation, de goûts, d’habitudes et de comportements des utilisateurs, afin de les accompagner, de les guider et de leur offrir une expérience qui se veut la plus personnalisée possible. Lire une œuvre de fiction, écouter de la musique, regarder une série ou un film, jouer à des jeux vidéo sont des actes qui ont de plus en plus lieu au cœur d’un écosystème qui poursuit comme un Graal, non pas la seule recommandation, mais la recommandation personnalisée, voire ultra-personnalisée.

Mais de quelles données parle-t-on ?

10Aujourd’hui, l’analyse des données est devenue un champ tellement stratégique qu’une discipline est apparue, les « data sciences ». Dans ce domaine de la culture, les data scientists sont en mesure d’utiliser des données d’apparence très anodines, mais en réalité très particulières.

11Sans prétendre créer une typologie définitive et parfaite, on peut se demander quels sont, finalement, les grands types de données liées à nos pratiques de consommation de contenus culturels :

  • des données de profil, qui sont des données personnelles au sens le plus classique, celles d’un fichier de gestion de la relation client traditionnel : des informations d’identité, de contact, de profil sociodémographique etc. ;
  • des données décrivant les contenus du catalogue au plan artistique (auteur, interprète…), technique (durée, format…) ou autre (par exemple au plan juridique, concernant les droits de propriété intellectuelle, les licences…) ;
  • des données enrichissant ces contenus, par exemple, les classant dans des catégories, des genres ou bien encore leur associant des photos ou la biographie des artistes, des critiques, notes et évaluations, des liens de téléchargement, des prix. Des dizaines de données peuvent être utilisées pour enrichir des contenus culturels, par exemple les paroles de chansons, la localisation des lieux de tournage d’un film… ;
  • des informations concernant la popularité, comme le nombre agrégé d’écoutes d’une chanson ou de visionnages d’un film, depuis toujours ou sur une période donnée, dans le monde ou sur un territoire donné, par telle ou telle catégorie d’âge… ;
  • d’autres informations concernant les goûts, comportements, usages et activités de chaque utilisateur, ces données pouvant être très générales (rythme et nombre de consultations des contenus ou d’un contenu, durée d’utilisation, listes sauvegardées ou playlists créées…), ou très fines (les passages surlignés d’un livre, la vitesse de lecture page par page, la durée d’écoute d’une chanson, le nombre d’épisodes d’une série télévisée visionnés successivement par une même personne…) ;
  • des données de contexte comme l’horodatage, la localisation de la personne ou toutes les données issues de capteurs (les mouvements, mais pourquoi pas, demain, les émotions, l’état physiologique, l’humeur etc.).

12Si cette typologie globale vaut pour les quatre secteurs (lecture, musique, vidéo et jeux vidéo), les informations disponibles et les inférences que l’on peut en tirer sont très différentes. La richesse en données pour ces quatre types de contenus peut être comparée en se basant sur sept caractéristiques des unités de contenus (c’est-à-dire l’œuvre courante, l’atome cohérent de base « indivisible » de ces contenus : une chanson, un livre, un épisode de série ou un film, un jeu) :

  • Le volume : combien de contenus différents sont-ils consommés par un individu sur une période donnée ?
  • La densité : quelle quantité de données est-elle analysable lors de la consommation d’un contenu unitaire ?
  • L’agrégation : quelle est la valeur de prédiction de l’ensemble des contenus consommés ?
  • La valeur marginale : quelle connaissance nouvelle chaque contenu supplémentaire consommé apporte-t-il ?
  • Le niveau d’engagement exigé : quel est le degré d’investissement personnel pour l’utilisateur qui consomme une unité de contenu ? Peut-il faire autre chose ? Cela lui demande-t-il de la concentration, un effort ?
  • L’impact sur la réputation : l’utilisateur est-il sensible à l’image véhiculée en ligne par ses consultations et les partage-t-il ?
  • La sensibilité au contexte : à quel point le choix d’un contenu est-il sensible au contexte ?
  • 3 Paul Lamere, “How we listen to music”, festival SXSW, 2015.

13Ainsi, dans le domaine musical, les contenus disponibles sont nombreux et variés : Spotify indique qu’en moyenne, ses utilisateurs écoutent 1 200 chansons par an3. En revanche, l’engagement exigé est assez faible, dans la mesure où il est facile de tester une nouvelle musique : un utilisateur de service en streaming acceptera relativement facilement d’écouter une chanson qui ne correspond pas a priori à ses goûts et préférences principaux… Cela implique que l’écoute d’une chanson une seule fois ne peut pas vraiment être interprétée de manière isolée. Autre particularité : la valeur sociale de la musique est élevée car l’adhésion à des types de musiques est souvent un marqueur d’appartenance à des communautés et de projection de ses valeurs vers les autres. La musique est un média d’adhésion et d’appartenance, et l’individu peut adopter des stratégies de partage public sophistiquées à travers les réseaux sociaux. Ainsi, le fan de musique « exigeante » partagera facilement sa dernière découverte avant-gardiste, qui vient renforcer son statut de découvreur de talent ; en revanche, il se gardera de partager son écoute de musique plus commerciale. Enfin, l’écoute de musique est extrêmement contextuelle et varie en fonction de son contexte social (seul, en famille, au travail, entre amis), du type d’activité du moment (sport, détente, concentration, fête).

  • 4 Olivier Donnat, Les pratiques culturelles des Français à l’ère numérique, Paris, La Découverte, 200 (...)

14Dans le domaine du livre et des écritures numériques, la diversité des « points de données » est plus réduite. Un lecteur lira un nombre relativement réduit de livres numériques par an : la dernière enquête sur les pratiques culturelles des Français révèle que les Français ayant lu au moins un livre dans l’année disent lire en moyenne 16 livres par an4. En revanche, la lecture de livres numériques permet la collecte d’une très grande quantité de données pendant la consultation du contenu : on peut mesurer le rythme de passage d’une page à l’autre, le temps passé sur une page, les signets et phrases surlignées et/ou sauvegardées etc. Enfin, l’engagement est grand, car la lecture est un investissement souvent conséquent en temps. Par ailleurs, la lecture est une activité exclusive : on ne fera généralement rien d’autre en même temps, contrairement, là encore, à l’écoute musicale. Enfin, il est difficile d’obfusquer volontairement ou involontairement ses goûts, ses choix, ses préférences.

  • 5 Source des données : [En ligne] < http://blog.netflix.com/2014/01/new-isp-performance-datafor-december.html >.

15Dans le secteur de la vidéo et de l’image animée, regarder un film ou un épisode de série est en moyenne moins long que lire un livre, mais évidemment plus long qu’écouter une chanson. Selon Netflix, ses abonnés d’Amérique du Nord regardent 1 milliard d’heures de vidéos par mois. Netflix indiquant à la même date par ailleurs avoir autour de 40 millions d’abonnés dans cette région du monde, cela veut dire que chaque abonné regarde en moyenne vingt-cinq heures de vidéos par mois, soit autour de 10 à 20 contenus différents par mois. Sur un an, un abonné moyen regarderait donc de quelques dizaines à une ou deux centaines de contenus différents5. Ces contenus sont très divers et très bien documentés (styles, acteurs, réalisateur, notes, critiques, recommandations d’autres utilisateurs etc.). En revanche, ils sont souvent consommés par un même foyer, ce qui implique de connaître sa composition, même si cela ne s’avère pas toujours très difficile : un foyer d’adultes avec des enfants en bas âge aura un type de consommation relativement identifiable par rapport aux genres et aux horaires. Par ailleurs, ces contenus sont très sociaux, ils alimentent nombre d’échanges entre individus – la fameuse « discussion de la machine à café » sur le lieu de travail.

16Enfin, en ce qui concerne le nombre de contenus consommés dans le jeu vidéo, le secteur du jeu « traditionnel » se rapproche finalement du livre numérique : un jeu vidéo pour console ou ordinateur coûtera généralement plusieurs dizaines d’euros à l’unité et sa durée de vie est couramment de plusieurs dizaines d’heures. Même si l’on prend en compte des formes plus légères de pratiques vidéo-ludiques, comme les jeux sur smartphones ou sur les services de réseaux sociaux, c’est bien évidemment cette caractéristique qui qualifie le mieux la particularité des données du secteur : les joueurs passent un temps important au cœur du contenu et ils y sont actifs en permanence. Une quantité importante de données est donc issue de l’usage lui-même. Les jeux permettent d’analyser les actions des utilisateurs et donc d’évaluer presque en temps réel leurs préférences, leurs choix ou leur comportement.

La donnée, nouveau nerf de la guerre entre les acteurs économiques du secteur culturel

17La collecte de ces données devient donc un enjeu majeur de différenciation concurrentielle et la recommandation personnalisée sera peut-être le juge de paix qui distinguera les acteurs qui prendront le contrôle de la chaîne de valeur de ceux dont le rôle deviendra marginal. Mais quels sont les acteurs au cœur de cette bataille ?

18Comme dans beaucoup de secteurs, des acteurs « disruptifs » sont devenus, à juste titre ou à grand renfort de storytelling, les symboles de cette transformation de l’équilibre des pouvoirs. Pour une fois, il ne faut pas cependant se focaliser nécessairement sur les GAFAM (pour Google, Amazon, Facebook, Apple, Microsoft). Certes, tous sont très présents – et en fait, de plus en plus – dans le domaine. Il suffit d’évoquer YouTube et Google Music pour Google (ou encore Niantic, start-up de jeux vidéo basés sur la localisation et la réalité augmentée qui est derrière le succès du jeu pour mobile Pokemon Go, et qui a été créée au sein de Google) ; Facebook avec les jeux sociaux ou les contenus en réalité virtuelle ; Apple, bien évidemment, pour la musique avec iTunes et Apple Music ; et Microsoft, qui est un géant du jeu vidéo, mais aussi un distributeur de musique et de films, avec la console Xbox. Mais à l’exception – très notable – d’Amazon, ils n’ont pas lancé cette transformation-là et la symbolisent peu. Les symboles de la transformation « data centered » des contenus culturels sont plutôt à chercher du côté d’autres initiales, ASNS : Amazon, Spotify, Netflix et Steam.

19Amazon a, en effet, initié cette transformation du secteur culturel en en faisant la pierre angulaire de son offre de livres numériques dans sa gamme de liseuses Kindle. Amazon collecte un grand nombre d’informations lors de l’utilisation de l’appareil et de la lecture des ouvrages électroniques. L’ensemble des fabricants de liseuses a adopté des pratiques similaires à des degrés différents. Ces données ont toutes sortes d’usages potentiels : recommander d’autres ouvrages, mais aussi permettre aux éditeurs de mettre en avant les passages le plus souvent surlignés, ou sauvegardés, sur des publicités. Le Wall Street Journal avait décrit ce paysage dès 2012 :

  • 6 Alexandra Alter, “Your e-book is reading you”, The Wall Street Journal, 19 juillet 2012.

Un lecteur moyen met juste 7 heures pour lire le livre final de la trilogie Hunger Games de Suzanne Collins sur la liseuse Kobo, soit à peu près 57 pages par heure. Environ 18 000 lecteurs sur Kindle ont surligné la même ligne du deuxième livre de la série […] et sur le Nook de Barnes & Noble, la première chose que font la plupart des lecteurs dès qu’ils ont achevé le premier tome de Hunger Games est de télécharger le suivant.6

  • 7 IDEO, The Future of the Book : [En ligne] < https://www.ideo.com/work/future-of-the-book >.

20La première transformation numérique du livre, précoce et marquante, a donc été celle des liseuses, mais par certains côtés, elle est aussi une impasse : il s’agissait simplement de scanner le livre papier, sans vraiment profiter du numérique pour changer l’œuvre ou la repenser. Un nouveau type de lecture est en train d’apparaître avec des contenus et des formats plus différenciés, ainsi que des systèmes de recommandation plus sophistiqués. L’enjeu industriel est double : garder le lecteur à l’intérieur de l’œuvre et ouvrir le livre vers la communauté du lecteur. L’avenir est peut-être ainsi à des scénarii mélangeant fiction et vie réelle du lecteur, afin de favoriser l’immersion de celui-ci. L’agence de design IDEO, qui s’est penchée sur le futur du livre par le prototypage de grandes tendances, a ainsi produit le concept Alice7, qui décrit une expérience de lecture interactive engageant le lecteur dans la création de l’histoire, à l’aide de la géolocalisation et en l’incitant à communiquer directement avec les personnages de l’histoire via son téléphone.

  • 8 Andrew Leonard, “How Netflix is turning viewers into puppets”, Salon, 1er février 2013. [En ligne] (...)

21Concernant les films et les séries, l’exemple Netflix est tout aussi parlant, dans la mesure où l’entreprise affirme elle-même que 75 % des contenus visionnés par ses clients viennent d’une recommandation personnalisée de son moteur. Que cette affirmation soit ou non vraie, l’intérêt de Netflix est de faire passer ce message de facilité d’usage et d’expérience satisfaisante et confortable grâce à une prescription « sur mesure ». La donnée permet au diffuseur de tenir la main du consommateur dans ses pérégrinations au cœur d’une offre plus ou moins foisonnante, afin d’assurer un taux d’utilisation important du service et donc de réduire les désabonnements. Mais elle sert à bien d’autres choses, en particulier car ces simples diffuseurs sont en réalité devenus des acteurs majeurs de la production et du financement de la création. Les données remontent donc la chaîne de valeur pour devenir aujourd’hui un élément de la prise de décision de production des contenus : les films et séries très chers à produire ou acquérir sont achetés, ou même pensés, en fonction de décisions « data driven », c’est-à-dire fondées sur des données. Le journaliste Andrew Leonard se demandait ainsi sur le site Salon ce qu’il adviendrait lorsque les producteurs pourront parler avec les scénaristes, en sachant qu’une partie des abonnés sont opposés à certaines méthodes de tournage ou sont plus intéressés par tel ou tel type de scène : « L’auteur peut-il survivre dans une époque où les algorithmes informatiques sont le focus group ultime ? »8

  • 9 Pour plus d’informations, voir le site de l’entreprise : [En ligne] < https://www.meetprizm.com/fr >
  • 10 Alex Gilyadov, “Spotify will play ads based on your playlists”, Engadget, 21 juillet 2016. [En lign (...)

22Concernant la musique, des services comme Deezer ou Spotify sont en mesure de faire des recommandations personnalisées de plus en plus pertinentes à partir d’un ensemble de données très large. Cependant, la consommation musicale passe par beaucoup de zappings, de pratiques « boulimiques », de changements de style, de mécanismes de saturation… Le symbole de cette évolution est la playlist, de moins en moins souvent liée à un genre mais de plus en plus à un contexte (je suis seul, je suis au travail, je fais la fête, je fais du sport, je suis en voiture, je voyage etc.). Pour travailler sur le contexte et ainsi « musicaliser le quotidien », il est donc impératif de suivre les consommations, mais aussi de prendre appui sur tout ce qui peut parler du contexte de la personne, et singulièrement sur ce qui est capté par les objets connectés qui l’entourent, au premier chef d’entre eux le smartphone, support idéal à la fois de l’écoute musicale et de la capture du contexte en temps réel de la personne. Demain, c’est tout l’Internet des objets qui pourrait jouer ce rôle, comme le montre le projet de la start-up française Prizm, qui met au point un boîtier dont l’ambition est de comprendre les habitudes des utilisateurs pour leur proposer automatiquement des musiques adaptées. En sondant les différents réseaux et appareils qui l’entourent (comme des smartphones, bracelets ou autres objets connectés), mais aussi en mesurant le volume sonore ambiant, l’appareil serait capable d’en déduire, par exemple, si la personne est seule ou non et de proposer un contenu musical adapté9. Ces acteurs souhaitent maintenant tirer parti de toutes ces informations pour les partager avec des tiers, par exemple pour aider les producteurs à faire de la musique « qui plaît ». Mais cela peut intéresser aussi publicitaires et commerçants : Spotify a d’ailleurs annoncé en juillet 2016 son intention d’élargir son offre à destination des publicitaires pour intégrer plus de données sur ses utilisateurs10. Le « parcours utilisateur » évolue tout au long d’une journée avec des modes d’accès à la musique très variés via différents dispositifs ou médias. La musique peut ainsi être très présente lors de notre visite dans un magasin, chez le coiffeur ou dans un ascenseur. Il y a un intérêt évident pour les diffuseurs à comprendre les multiples séquences de la consommation de musique au quotidien : la consommation musicale, peu accaparante, permet d’accompagner l’utilisateur dans des moments commerciaux clés du quotidien, comme la visite d’un magasin.

  • 11 Pour plus d’informations, voir la partie 4 du cahier IP « les données, muses et frontières de la cr (...)

23Enfin, le domaine du jeu vidéo n’échappe pas à cette tendance. Sans même parler du jeu sur smartphone, par nature connecté et très gourmand en données, le fait que les joueurs (aussi bien sur console que sur ordinateur) soient dorénavant connectés sur des plateformes comme Steam, Xbox Live ou PlayStation Network permet la collecte d’informations pendant que le client joue. Si l’utilisation de ces données s’est limitée initialement à de l’analyse d’usage (par exemple, pour mesurer si la difficulté est bien équilibrée ou non sur certains passages du jeu) et à de la recommandation, ou de la personnalisation, de certaines offres commerciales (comme des prix personnalisés pour les contenus additionnels), demain, de véritables tests de comportement à l’intérieur même de jeux pourraient voir le jour afin d’analyser et de mesurer les réactions de la personne11.

24Tous ces exemples montrent que les services de distribution de contenus se trouvent dans une position privilégiée vis-à-vis de la collecte de données et que celles-ci peuvent servir, et servent de plus en plus, à toutes sortes de finalités : s’assurer qu’il s’agit du bon utilisateur, qu’il dispose des droits d’accès au contenu et que le contenu proposé est de bonne qualité ; améliorer le service rendu par la personnalisation de celui-ci, construire des connaissances à valeur ajoutée, par exemple pour déterminer des modèles d’habitudes de consommation qui peuvent permettre de mieux cibler les utilisateurs, en particulier pour des annonceurs potentiels. Autrement dit, certaines données utilisées sont nécessaires pour rendre le service quand d’autres vont permettre de construire une connaissance qui pourra bénéficier à l’utilisateur final, mais aussi au fournisseur de services ou à des tiers, inconnus de l’utilisateur.

L’algorithme : le graal de la recommandation et de la personnalisation

25Recommander et personnaliser sert donc à attirer de nouveaux clients, à les fidéliser et à optimiser les revenus. Techniquement, la recommandation peut combiner des outils et approches très différents, ce qui la rend d’autant moins transparente et compréhensible pour l’utilisateur. Cependant, les discours actuels des acteurs convergent tous vers une figure en passe de devenir un nouveau mythe technologique : l’algorithme.

  • 12 Le principe du filtrage collaboratif est simple : « si Alice aime les contenus a, b, c et d, et que (...)
  • 13 Les méthodes d’apprentissage automatique (machine learning), voire d’apprentissage profond (deep le (...)

26En effet, la plupart de ces acteurs s’appuient sur la masse de données pour automatiser la recommandation en s’appuyant sur des algorithmes divers, du robuste filtrage collaboratif12 à d’autres méthodes plus complexes reposant sur l’apprentissage plus ou moins supervisé13.

27Comme le souligne Thibault d’Orso, co-fondateur de Spideo, acteur français de la recommandation vidéo, tous les algorithmes ne sont pas nés égaux vis-à-vis de la question de l’intrusivité dans l’intimité des personnes :

  • 14 Interview de Thibault d’Orso, juin 2016. [En ligne] < https://linc.cnil.fr/fr/dataculture-3-questions-thibault-dorso-de-spideo >.

28Quand on recommande un film, on peut invoquer des arguments de nature très variée. Cafe Society devrait te plaire parce que ça a plu à beaucoup de tes amis ; ça c’est la démarche sociale. Ou encore Cafe Society a été vu par beaucoup d’autres gens ; ça c’est la démarche statistique. Enfin, si tu aimes les films glamour avec une touche historique, Cafe Society devrait t’intéresser ; ça c’est la démarche sémantique. Sans entrer par une approche technologiste, dans le premier cas, l’argument de prescription nécessite que je donne de l’information sur mes réseaux d’amitié. C’est potentiellement très intime et sans grand rapport avec le sujet cinématographique. Dans le second cas, on doit constamment mobiliser les données de millions d’autres personnes avec un niveau de transparence quasi nul. Le gros avantage de la démarche sémantique est qu’elle est très économe en données utilisateur, parce qu’elle part d’une connaissance très pointue des contenus, elle est très pédagogique et se rapproche d’une véritable expérience de vidéoclub.14

29Le choix de techniques n’est donc déjà pas neutre. Mais au-delà de cette question de l’intrusivité intrinsèque des techniques choisies, la conséquence de cette omniprésence des outils automatisés de personnalisation de la prescription est la disparition de la transparence de celle-ci. On ne sait généralement pas pourquoi le service propose un contenu plutôt qu’un autre. Est-ce en fonction de ce que j’ai regardé ? De ce que regardent les autres ? De l’intérêt commercial du service ? Des contrats signés avec les producteurs ? De son intérêt lié à ses propres productions ? C’est impossible à savoir, et pourtant les discours marketing des services mettent en avant l’objectivité supposée de la technologie, voire son aspect immanent et quasiment « magique ». Cela place l’utilisateur dans une situation de passivité assez infantilisante qui peut nuire paradoxalement à son expérience d’utilisateur car, parfois, certaines frictions sont désirables pour recréer de l’humain, du contact.

30Être explicite sur l’usage fait des données concernant la personne peut paraître en contradiction avec l’objectif général cher aux entreprises du numérique d’invisibilité de la technologie et de création d’une expérience « sans couture ». Mais en réalité, ces « imperfections » que sont les moments où l’on informe les personnes et où on recueille leur consentement sont sources de confiance et doivent être considérées aussi comme des occasions d’innover et de se différencier de la concurrence. Pour sortir de l’opposition stérile entre innovation et protection des droits, il faut donc impérativement intégrer la réflexion éthique et la confiance à la construction de l’expérience de l’utilisateur. Pour cela, les responsables de ces dispositifs de personnalisation doivent s’approprier les outils de régulation et la conformité du domaine, et en faire des instruments au service d’un chemin d’innovation durable.

Bibliographie

Alter, Alexandra, “Your e-book is reading you”, The Wall Street Journal, 19 juillet 2012.

Bordier, Julien, Hauser-Love, Igor, « La culture à la merci des algorithmes », L’Express, janvier 2015.

Delcroix, Geoffrey, Desbiey, Olivier, Le Morne, Lucie, « Les données, muses et frontières de la création culturelle. Lire, écouter à l’heure de la personnalisation », Cahiers IP, Innovation & prospective, CNIL, Paris, 2015. [En ligne] < www.cnil.fr >.

Donnat, Olivier, Les pratiques culturelles des Français à l’ère numérique. Enquête 2008. Paris, La Découverte, 2008. [En ligne] < http://www.pratiquesculturelles.culture.gouv.fr/ >.

E. Y., « 1er panorama économique des industries culturelles et créatives », novembre 2013. [En ligne] < www.ey.com >.

Gilyadov, Alex, “Spotify will play ads based on your playlists”, Engadget, 21 juillet 2016. [En ligne] < https://www.engadget.com/2016/07/21/spotify-is-now-selling-your-information-to-advertisers/ >.

Guillaud, Hubert, « Spotify : comment fonctionne la recommandation musicale ? », L’Obs, février 2015.

Smith, Chris, “How Spotify, Netflix, and Amazon control your online habits”, TechRadar, 18 janvier 2014.

Notes

1 Chris Smith, “How Spotify, Netflix and Amazon control your online habits”, Techradar, 18 janvier 2014.

2 Ces réflexions ont abouti à la publication, en novembre 2015, d’un cahier Innovation et Prospective de la CNIL intitulé « Les données, muses et frontières de la création », à télécharger sur linc.cnil.fr, onglet « Publications ».

3 Paul Lamere, “How we listen to music”, festival SXSW, 2015.

4 Olivier Donnat, Les pratiques culturelles des Français à l’ère numérique, Paris, La Découverte, 2008. Voir le site [En ligne] < http://www.pratiquesculturelles.culture.gouv.fr >.

5 Source des données : [En ligne] < http://blog.netflix.com/2014/01/new-isp-performance-datafor-december.html >.

6 Alexandra Alter, “Your e-book is reading you”, The Wall Street Journal, 19 juillet 2012.

7 IDEO, The Future of the Book : [En ligne] < https://www.ideo.com/work/future-of-the-book >.

8 Andrew Leonard, “How Netflix is turning viewers into puppets”, Salon, 1er février 2013. [En ligne] < https://www.salon.com/2013/02/01/how_netflix_is_turning_viewers_into_puppets/ >.

9 Pour plus d’informations, voir le site de l’entreprise : [En ligne] < https://www.meetprizm.com/fr >.

10 Alex Gilyadov, “Spotify will play ads based on your playlists”, Engadget, 21 juillet 2016. [En ligne] < https://www.engadget.com/2016/07/21/spotify-is-now-selling-your-information-to-advertisers/ >.

11 Pour plus d’informations, voir la partie 4 du cahier IP « les données, muses et frontières de la création culturelle », dans laquelle cette idée est illustrée par le scénario prospectif « TraumData ».

CNIL, Les données, muses et frontières de la création culturelle, Paris, 2015. [En ligne] < https://linc.cnil.fr/fr/demain-quels-services-data-driven-pour-les-industries-culturelles >

12 Le principe du filtrage collaboratif est simple : « si Alice aime les contenus a, b, c et d, et que Benoît aime a, b et c, il est cohérent de recommander d à ce dernier ».

13 Les méthodes d’apprentissage automatique (machine learning), voire d’apprentissage profond (deep learning), visent à permettre à un système (machine, programme) « d’adapter ses analyses et ses comportements en réponse, en se fondant sur l’analyse de données empiriques provenant d’une base de données ou de capteurs » (Wikipédia, article « Apprentissage automatique ». [En ligne] < https://fr.wikipedia.org/wiki/Apprentissage_automatique >).

14 Interview de Thibault d’Orso, juin 2016. [En ligne] < https://linc.cnil.fr/fr/dataculture-3-questions-thibault-dorso-de-spideo >.

© Presses de l’enssib, 2018

Licence OpenEdition Books

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search