Le défi de la personnalisation dans un monde axé sur la vie privée
Pendant des années, les organisations de presse ont recherché le Saint Graal de la personnalisation – offrant le bon contenu au bon lecteur au bon moment. Cependant, l’augmentation des problèmes de confidentialité et la montée en puissance de la navigation anonyme ont rendu plus difficile de recueillir les données nécessaires pour un ciblage efficace. Schibsted a reconnu ce défi et l’a adopté comme une opportunité d’innovation.
«Le plus grand défi de l’industrie pour atteindre une personnalisation efficace réside dans le manque d’historique de lecture robuste et de données d’utilisateurs pour les utilisateurs non engagés», explique Curate Christoph Schmitz, chef de produit chez Schibsted Media & Tech. «Nous avons vu cela non pas comme un barrage routier, mais comme une chance d’exceller.»
Construire un moteur de recommandation en temps réel
La solution de Schibsted se concentre sur un modèle d’apprentissage automatique qui prédit dynamiquement l’engagement des lecteurs et sert du contenu sur mesure. Contrairement aux systèmes de traitement par lots traditionnels qui nécessitent des mises à jour périodiques, ce modèle génère des recommandations à la demande, s’adaptant instantanément à mesure que de nouvelles données deviennent disponibles. Cette agilité est cruciale dans un environnement d’actualités rapide.
L’équipe a exploité les sources de données existantes existantes, y compris les prévisions d’âge et de genre dérivées de leurs activités publicitaires et de leurs données de vente traitées. Grâce à des tests rigoureux, ils ont identifié un ensemble central d’environ une douzaine de fonctionnalités clés à partir d’un pool initial de 158 points de données. Cette approche rationalisée permet des recommandations précises même avec des informations limitées.
« Cette innovation garantit que les recommandations s’améliorent instantanément à mesure que les nouvelles données utilisateur deviennent disponibles. Pas besoin de rediffusion de lots – notre modèle s’adapte dynamiquement, en tenant compte des éléments contextuels comme l’heure et le jour de la semaine pour maximiser l’impact des ventes », a déclaré Schmitz.
Le modèle s’intègre parfaitement au système de recommandation de contenu existant de Schibsted, Curate, mélangeant les informations d’apprentissage automatique avec le jugement éditorial. Cela garantit des performances optimales tout en maintenant le contrôle éditorial.
Schmitz souligne l’importance de se concentrer sur les ressources disponibles. « Étant donné que nous n’avons pas vraiment beaucoup de données sur nos prospects de vente, en tant qu’utilisateurs anonymes, et nous n’avons pas les lacs de données que nos concurrents dans l’application et le monde social peuvent utiliser, il s’agit vraiment d’adopter la mentalité de vendre les fraises que vous avez à portée de main. »
Saviez-vous?
Saviez-vous? Le modèle de Schibsted a atteint une augmentation de 75% des ventes d’abonnement à partir d’articles en première page par rapport aux modèles précédents.
Échec de la solution et du développement futur
Le succès initial a incité Schibsted à évoluer la solution dans plusieurs salles de rédaction. Ils passent également à Tecton, un magasin de fonctionnalités géré, pour rationaliser la disponibilité des fonctionnalités et accélérer l’intégration pour différentes marques.
Le processus de développement n’était pas sans défis. La création d’une boutique de fonctionnalités en ligne évolutive s’est avérée être un obstacle à l’ingénierie logicielle importante, car aucune solution standard n’était disponible à l’époque. Schmitz reflète: «Les modèles sont relativement faciles à développer, mais la construction de l’infrastructure pour résoudre des problèmes que personne n’a résolus auparavant dans une petite équipe prend du temps. Si je pouvais le refaire, j’aurais alloué plus de développeurs au projet.»
La pile technique de Schibsted comprend des outils d’orchestration comme Flyte, une base de données en mémoire et AWS DJL (Amazon Web Services Deep Java Library) pour l’inférence de modèle efficace. Le système de l’organisation combine des rangs statiques et des modèles d’apprentissage automatique, en s’appuyant sur les fonctionnalités de son magasin de fonctions personnalisés pour prédire les préférences des utilisateurs.
Quel rôle l’IA jouera-t-il dans l’avenir de la personnalisation des nouvelles? Et comment les éditeurs peuvent-ils équilibrer la personnalisation avec la nécessité de maintenir l’intégrité éditoriale?
Pour plus d’informations sur le paysage évolutif de la technologie des nouvelles, explorez les ressources de L’International News Media Association (INMA) et Wan-fra.