Un travail prospectif qui rend compte des opportunités d'Allociné dans le marché des systèmes de recommandation. La première partie s'attache à comprendre l'utilité et le foncionnement des systèmes de recommandation. La seconde partie procède à l'analyse des positionnements et stratégies de différentes entreprises déjà positionnées sur ce marché.

1. AlloCiné et le marché mondialisé de la
recommandation.
Quel positionnement face à ses concurrents ?
GASULLA Dimitri
mai 2011
Table des matières
1 Introduction 1
2 La recommandation, pourquoi et comment ? 2
2.1 La problématique du choix dans les marchés de la culture . . . . . . . . . . 2
2.1.1 La gestion des coûts de recherche, une compétence stratégique . . . 2
2.1.2 Les usages de la recommandation . . . . . . . . . . . . . . . . . . . 4
2.2 Les méthodes utilisées pour produire des recommandations . . . . . . . . . 5
2.2.1 Les systèmes de recommandations basés sur le contenu . . . . . . . 5
2.2.2 Les systèmes de recommandations basés sur le filtrage collaboratif . 6
2.2.3 Conclusion : des systèmes perfectibles aux résultats orientés . . . . 7
3 Le marché de la recommandation et ses acteurs 7
3.1 Les entreprises qui ont développé une activité dans le marché de la recom-
mandation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1.1 AlloCiné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1.2 Amazon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.3 Jinni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.4 GetGlue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.5 Cinemur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Analyse du fonctionnement des différents systèmes de recommandation . . 10
3.3 Les stratégies des sociétés présentes sur le marché de la recommandation . 10
4 Conclusion, quelles opportunités pour AlloCiné ? 12
Bibliographie 12
1 Introduction
Jinni est une société israélienne qui a conclu un important contrat avec Google, une
société américaine. Peut-on pour autant en déduire que c’est un signe de la mondialisa-
tion des marchés ? Non. Jinni a dès le départ été pensée comme une entreprise adressant
un marché international. Les secteurs des technologies de l’audiovisuelles et d’Internet
1

2. sont mondialisés, le processus est achevé. Cela ne veut pas dire que le marché sur le-
quel s’est positionnée Jinni est homogène, bien au contraire. La mondialisation dessine
un monde où « indéniablement les écarts entre les sociétés se resserrent mais [où] la dif-
férenciation des individus et des styles d’existence au sein même des sociétés s’accroît »
[LIPOVETSKY(2010), p. 88]. Mais si les individus ne réagissent pas tous de la même
façon, ils sont de plus en plus soumis à des dynamiques similaires.
Dans un même communiqué, AlloCiné a récemment annoncé ses intentions d’augmenter
son audience à l’international ainsi que le développement de son propre système de re-
commandation pour les films et les contenus télévisuels [GONZALES(10 mars 2011)]. Via
cette technologie, AlloCiné apporte une solution particulière à un problème que rencontre
la majorité des sociétés occidentales : l’explosion du nombre de contenus audiovisuels ac-
cessibles. La société française n’est pas la seule à développer une activité dans ce domaine.
D’autres entreprises y sont déjà fortement installées et toutes sont mondialisées. En effet,
une des particularités des systèmes de recommandation est qu’ils s’appuient sur une large
base de données de films et de metadonnées associées. Or, il existe deux marchés pour les
bases de données de films : le marché asiatique et le reste du monde (occidental, en premier
lieu, mais l’Amérique latine est une région au fort potentiel de croissance et qui n’est donc
pas à négliger) [FRENCHWEB(23 mars 2011)]. Ce découpage reflète la typologie de la
consommation des contenus audiovisuels des différents pays. En ce sens, la France est un
marché plus difficile à pénétrer que le Canada ou l’Italie en raison du nombre important
de films qui y sont produits et distribués. AlloCiné compte bien s’appuyer sur cet avantage.
Le marché de la recommandation est un marché où les acteurs ont développé des techno-
logies diverses. Ces choix déterminent un positionnement particulier sur le marché de la
recommandation. D’autres solutions sont envisageables. Des acteurs ont adopté une stra-
tégie différente de AlloCiné et ont ainsi mis en place des business model ne reposant pas sur
les mêmes fondamentaux. Ce sont ces différentes approches du marché de la recomman-
dation que nous allons analyser, et cela à l’échelle où il se déploie, c’est-à-dire à l’échelle
mondiale. Nous avons retenu cinq entreprises pour illustrer le faisceau de positionnement
existant : AlloCiné, Jinni, Amazon, Cinemur et GetGlue. Nous analyserons principalement
dans un premier temps les techniques adoptées pour calculer les recommandations. Nous
déterminerons leurs pertinences, leurs facilités d’utilisation et de développement. Puis,
nous nous en déduirons les stratégies commerciales mises en place par les différentes so-
ciétés, chaque système comportant des points faibles et des points forts correspondant à
une vision particulière de la recommandation. Mais avant tout cela, il est nécessaire de
préciser à quels besoins répond la recommandation et sur quels principes technologiques
elle s’appuie.
2 La recommandation, pourquoi et comment ?
2.1 La problématique du choix dans les marchés de la culture
2.1.1 La gestion des coûts de recherche, une compétence stratégique
Sur Internet, la surabondance de produits se traduit par une surabondance d’informa-
tions qui elle-même s’incarne dans ces pages Web référençant des centaines de produits.
Si l’on y est généralement rapidement fixé quant à la disponibilité d’un contenu parti-
culier, les recherches aux objectifs moins précis se révèlent peu aisées. Par exemple, sous
couvert d’un référencement intelligent, il ne faut que quelques instants pour connaître la
disponibilité du Eyes Wide Shut de Stanley Kubrick. En revanche, si on recherche un film
2

3. avec Nicole Kidman, ou une adaptation d’Arthur Schnitzler ou simplement un drame,
comment s’assurer de faire un choix qui corresponde à nos désirs ? Ces deux requêtes,
rechercher un film précis et rechercher un film qui est susceptible de nous plaire, peuvent
être catégorisées dans deux types de recherche. La première correspond à la recherche du
meilleur prix, la seconde à la recherche de la qualité [LYNCH et ARIELY(2000)].
Les problèmes liés à la recherche du meilleur prix sur Internet et dans un site Internet
ont été résolus par les premiers acteurs du e-commerce apparus à l’époque du bas-débit.
Les consommateurs évaluant les produits selon des attributs particuliers, leur permettre
d’effectuer des recherches en fonction de ces attributs se révéla être une excellente so-
lutions. En sélectionnant certains attributs et en comparant plusieurs produits, les sites
Internet font gagner un temps considérable aux consommateurs. Ils réduisent les coûts
de recherche. Ce système a été étendu à l’ensemble d’Internet et a donné naissance aux
comparateurs de prix. Mais ces solutions sont uniquement adaptées à la vente de pro-
duits utilitaires dont les critères d’évaluations sont partagés par tous. Ainsi, 30 % des
internautes trouvent « très facile » de comparer sur Internet les prix des produits électro-
ménagers ou des produits high-tech [IFOP(avril 2011)]. La proportion tombe à 10 % pour
ce qui concerne les services d’assurance ou les services financiers. Cette difficulté s’explique
par le fait que les services concernés offrent majoritairement des prestations complexes et
donc difficilement comparables, mais aussi parce que les offres peuvent être personnalisées.
Dès lors, les critères d’évaluations ne sont plus partagés par tous, ce qui rend difficile les
comparaisons objectives. Qui plus est, ici, les consommateurs ne recherchent pas le service
le moins cher mais le meilleur service. Ils recherchent avant tout la qualité.
Le secteur culturel est confronté à la même problématique. Tout d’abord, un individu
recherche d’abord un produit qui lui plaira. Ensuite, rechercher le meilleur prix n’a que
peu d’intérêt compte tenu que les produits d’un même secteur ont un prix sensiblement
identique. Enfin, la question des critères de jugement est également présente. Sur quels
critères significatifs et objectifs peut-on fonder l’évaluation d’un film ? Le nombre d’ac-
teurs ? Le nombre d’entrées réalisées en salle ? L’avis des critiques ? L’âge du réalisateur ?
L’évaluation d’un produit culturel repose ainsi nécessairement sur des attributs variés
dont l’appréciation est subjective. Plus encore, comment exprimer des jugements préa-
lables sur des produits culturels qui sont par nature des biens d’expériences, c’est-à-dire
des biens dont on ne connaît la valeur réelle qu’après les avoir consommés ? Le secteur
culturel étant le lieu d’un nombre indéterminé d’interprétations personnelles, il échappe
à toutes hiérarchies objectives, sans pour autant exclure le choix raisonnable.
Les coûts de recherche de la qualité d’un produit culturel sont donc, par nature, plus
élevés que pour les produits utilitaires. Lorsqu’on ajoute à cela le fait que le nombre de
produit culturel ne cesse d’augmenter, on en déduit que les coûts de recherche suivent logi-
quement la même dynamique. Il est nécessaire de prendre en compte un nombre toujours
plus important de produit avant d’effectuer un choix raisonnable. Certes, l’augmentation
de la variété des produits disponibles à l’achat est un bénéfice pour le consommateur
[BRYONJOLFSSON et al.(novembre 2003)]. Encore faut-il qu’il puisse correctement na-
viguer à travers le flot de références. C’est dorénavant cette problématique qui prime.
Il s’agit d’appareiller « une offre très différenciée et une demande qui dispose de moyens
puissants pour s’informer et se former » [GENSOLLEN et al.(2004), p. 10]. Le commerce,
dans son ensemble, est en train de passer « d’une logique de diffusion à une logique d’appa-
riement ( matching) » [Ibid., p. 32] et le secteur de la culture ressent tout particulièrement
cette évolution. C’est le constat que dresse le président du CNC Eric Garandeau lorsqu’il
déclare que
« (. . .) dans un monde d’« hyper offre » délinéarisé, la démarche des éditeurs
3

4. de contenus audiovisuels est bousculée par deux usages importés de l’Internet :
la recherche et la recommandation (. . .). » [GARANDEAU(28 avril 2011), p.
2]
2.1.2 Les usages de la recommandation
À ce jour, on dénombre plus de 5000 films disponibles sur l’ensemble des plates-formes
françaises (soit un nombre qui a été multiplié par trois au cours des trois dernières années)
[HUBAC(décembre 2010), p. 8]. Un nombre de contenus qui est largement plus important
si l’on y ajoute les séries. Dans son rapport, Sylvie Hubac préconise de mettre en place un
système de soutien automatique à l’intention des éditeurs de service de VOD. Ce soutien
devrait « moins viser l’enrichissement des catalogues que la mise en valeur des œuvres
par l’éditorialisation et l’innovation technologique. » [Ibid., p. 21]. Cette recommandation
vise à améliorer la qualité de ces services. En effet, « on ne peut plus se contenter d’un
hypermarché de la VOD où les films sont présentés en vrac ou avec des interfaces très
sommaires à peine plus évoluées qu’un vidéoclub, et où de grands auteurs ne sont même
pas référencés ! » [GARANDEAU(28 avril 2011), p. 7] Une meilleure gestion des coûts de
recherche dans le marché de la VOD permettrait également de prévenir une concentration
des ventes [BRYONJOLFSSON et al.(novembre 2007)].
Une des utilisations des systèmes de recommandation sera de structurer les catalogues de
VOD tout en rendant la recherche et l’accès aux contenus plus faciles. Mais du point de
vue du consommateur, la recommandation est d’abord un processus qui permet de réduire
l’effort cognitif nécessaire à la prise de décision [HÄUBL et MURRAY(2003), p. 87]. Il est
distingué deux usages de la recommandation, le premier a pour objectif de réduire le
nombre d’alternatives qui doivent être considérées lors du choix d’un produit, le second
vise à réduire le nombre d’attributs que le consommateur doit prendre en compte pour
effectuer son choix [DUHAN et al.(1997), p. 283]. L’usage que fera le consommateur de
la recommandation dépendra de trois facteurs, ses connaissances préalables de la gamme
de produits considérée, la croyance dans la pertinence de la recommandation qui lui est
proposée, le nombre et la qualité des informations disponibles pour faciliter son choix
[FITZSIMONS et LEHMANN(2004)].
Dans le cas de la recommandation de films, il nous est possible de relever quelques points
importants qui influenceront le succès d’un service :
– Pour qu’un consommateur utilise un système de recommandation, il faut qu’il soit
persuadé de la pertinence des résultats produits ;
– Pour être jugé pertinent, un système de recommandation doit s’adapter au niveau
de connaissance de l’utilisateur ;
– Un système de recommandation se base sur des attributs pour produire ses résultats,
dès lors quels sont les attributs à privilégier pour les contenus audiovisuels ? Ces
attributs sont-ils répartis de manière homogène ?
– Quelles sont les informations pertinentes à fournir au consommateur pour l’aider
dans sa prise de décision ?
La description du fonctionnement des systèmes de recommandation nous permettra de
comprendre comment ces différentes problématiques sont traitées et comment est-ce qu’elles
participent à la production des résultats.
4

5. 2.2 Les méthodes utilisées pour produire des recommandations
Les systèmes de recommandations sont assimilables à des agents fonctionnant pour
le compte des consommateurs. L’objectif affiché par ces systèmes est d’augmenter la sa-
tisfaction des utilisateurs en facilitant les prises de décision et en les orientant vers les
bons produits. Le résultat espéré par les entreprises qui les mettent en place est une aug-
mentation du chiffre d’affaires via une consommation plus importante de produit et une
fidélisation des clients dont le taux de satisfaction devient plus élevé.
Il est distingué trois formes de recommandation [FELFERING et al.(mai/juin 2007)] :
– Les systèmes de recommandations basés sur le contenu (content-based ). Cette forme
de recommandation proposera au client des produits similaires à ceux qu’il a préféré
dans le passé.
– Les systèmes de recommandations collaboratifs (collaborative filtering). Cette forme
de recommandation proposera au client des produits que d’autres clients ayant des
goûts similaires aux siens ont préférés dans le passé.
– Les systèmes de recommandations hybrides, mêlant les deux précédentes.
Les différents systèmes de recommandation fonctionnent tous sur une base commune, la
définition de l’« utilité » d’un produit. Plus l’utilité d’un produit est grande, plus sa recom-
mandation pour un consommateur sera probablement pertinente. La définition de cette
utilité est généralement représentée comme une note que l’utilisateur donne (implicite-
ment ou explicitement) au produit. Nous pouvons d’or et déjà remarquer que ce principe
de base des systèmes de recommandation est problématique lorsque les produits traités
sont des biens culturels. En effet, les différentes méthodes de notation reflètent, dans l’ab-
solu, l’utilité d’un produit et non pas sa qualité. Plus encore, l’utilité qu’un utilisateur
accorde à un produit n’est pas homogène dans le temps. Si un consommateur habitué à
louer des films d’art et d’essai veut choisir de regarder un blockbuster, il n’a aucun moyen
de le signifier aux différents systèmes. Ainsi, les recommandations dont il bénéficiera se
baseront sur son profil d’utilisateur et sur les films qu’il a auparavant loués. Elles ne seront
donc pas pertinentes vis-à-vis de la nouvelle gamme de produit et d’attributs associés qui
sont nouvellement considérés par le consommateur.
2.2.1 Les systèmes de recommandations basés sur le contenu
La recommandation basée sur le contenu repose sur la capacité du système à extraire
des informations sur les produits traités. Ce système est donc naturellement lié aux ou-
tils de l’Information Retrieval (IR) (récupération d’information) qui se définit comme la
science de chercher de l’information et d’identifier les metadatas dans toutes sortes de
documents [ADOMAVICIUS et TUZHILIN(juin 2005), p. 736].
Les méthodes de recommandations basées sur le contenu prédisent l’utilité u(c, s) d’un
produit s que donnera un utilisateur c en se basant sur les utilités u(c, si ) que l’utilisateur
c a assigné aux produits si ∈ S qui sont similaires au produit s. On voit donc bien que
la problématique qui se pose pour ces méthodes est la désignation et la sélection des pro-
duits qualifiés de « similaires ». Cette qualification passe par l’extraction d’un ensemble
de caractéristique propres aux produits traités sous forme de mots clés. Se pose alors la
question de la sélection de caractéristiques pertinentes pour les produits considérés. Un
moyen fréquemment mis en place pour améliorer la pertinence des recommandations est
l’utilisation des profils des utilisateurs susceptibles de contenir leurs goûts, préférences et
besoins [Ibid., p. 736].
Les systèmes de recommandations basés sur le contenu possèdent des limites. Cette forme
de recommandation fonctionne avec pertinence pour les données textuelles pour lesquelles
5

6. l’extraction de mots clés est aisée. En revanche, l’extraction est beaucoup plus difficile pour
ce qui concerne les contenus audiovisuels. Une autre limite de la recommandation basée
sur le contenu est qu’elle ne recommande que des contenus similaires. De ce fait, une per-
sonne qui n’aura jamais acheté ou noté un produit relevant d’un champ particulier n’aura
pas de recommandation orientée vers ce champ. Une personne qui n’a jamais acheté/noté
de comédie n’aura pas de recommandation sur les comédies. Ce problème est qualifié sous
le terme d’overspecialization. Enfin, une dernière limite est à ajouter à cette forme de
recommandation, sans pour autant lui être spécifique : le problème du nouvel utilisateur
(new user problem). La recommandation ne fonctionne que si le système dispose de don-
née sur le client, ce qui n’est pas le cas au début de la relation. Dans le cas particulier
de la VOD, il faut attendre que le système « monte en charge » avant de recevoir des
recommandations pertinentes.
2.2.2 Les systèmes de recommandations basés sur le filtrage collaboratif
À la différence des systèmes de recommandation basés sur le contenu, les systèmes
collaboratifs se basent uniquement sur les notes attribuées par les utilisateurs aux pro-
duits. Le principe de fonctionnement de cette méthode est que si deux consommateurs ont
noté de façon similaire un certain nombre de produit, alors ils auront un comportement
similaire sur la notation d’autres produits [LINDEN et al.(janvier/février 2003)]. Ainsi,
l’estimation de l’utilité u(c, s) d’un produit s pour un utilisateur c se base sur les utilités
u(cj , s) assignées au produit s par les utilisateur cj ∈ C qui sont similaires à l’utilisateur
c [ADOMAVICIUS et TUZHILIN(juin 2005), p. 737].
Deux méthodes sont utilisées pour assurer le fonctionnement de cette forme de système.
Les techniques « Memory Based » tout d’abord. Elles prennent en compte un ensemble
de notes fournies par un client sur plusieurs produits. Le filtrage est ensuite effectué via
la construction d’un voisinage, soit sur les clients, soit sur les produits, en se basant sur
d’autres ensembles de notes d’autres clients. C’est à partir de ce voisinage qu’il est possible
de prédire la note que donnera un client à un produit. Il est également possible d’utiliser
des techniques dites « Model Based ». À la différence des précédentes techniques, elles ap-
prennent à identifier des modèles de profils pour faire des recommandations en utilisant les
principes de computer learning ou de data mining [MELVILLE et SINDHWANI(2010)].
Dans les deux cas, on remarque que la performance de la recommandation dépendra de
la définition des caractéristiques qui seront utilisées pour qualifier des clients comme « si-
milaires ».
Les systèmes de recommandations basés sur le filtrage collaboratif possèdent eux aussi des
limites. Tout d’abord, ils sont très dépendants de la quantité d’informations disponibles
sur le profil utilisateur. Or, cette information est souvent incomplète. Ce problème se re-
trouve également au niveau des produits. Ainsi, lorsqu’un produit a été récemment ajouté
à la base, très peu d’utilisateurs l’auront noté ce qui produira soit des recommandations
peu pertinentes, soit une notation faible du produit qui ne sera pas recommandé. Un autre
problème est que ces systèmes demande des ressources de calcul très importantes. En effet,
en théorie, le calcul s’effectue en analysant la totalité des produits et la totalité des profils
d’utilisateurs. Cependant, plusieurs techniques ont été développées afin de diminuer le
nombre d’utilisateurs ou de produits à partir desquels s’effectuent les calculs.
6

7. 2.2.3 Conclusion : des systèmes perfectibles aux résultats orientés
La recommandation basée sur le contenu permet de considérer l’ensemble des produits
d’une base et a l’avantage de gagner en pertinence au fur et à mesure que l’utilisateur
note des produits. Qui plus est, elle s’adapte plus rapidement aux changements de com-
portement des utilisateurs. Quant aux systèmes basés sur le filtrage collaboratif, ils ont
l’avantage de produire des recommandations plus performantes lors des premiers contacts
avec l’utilisateur. Ils sont également plus performants sur les larges gammes de produits
aux attributs fortement différenciés.
Ainsi, chaque système possède ces forces et ses faiblesses, l’objectif des systèmes de re-
commandation hybrides étant de combiner les deux méthodes afin de réduire l’influence
des différents problèmes sur la qualité de la recommandation. Dans l’absolu, il n’est donc
pas possible de désigner un système comme meilleur que l’autre, une méthode comme
plus performante qu’une autre. La sélection du système doit s’effectuer en fonction de
« la quantité d’informations disponibles à propos de l’ensemble des clients, de la quantité
d’informations disponibles à propos du consommateur, de la quantité d’informations dis-
ponible à propos des attributs des produits, de la stabilité de la structure des préférences des
consommateurs et des changements dans le marché adressé. » [ARIELY et al.(2004), p.
84] Une autre conclusion s’impose, la quantité de données disponibles influence la qualité
de la recommandation, un des domaines stratégiques des systèmes de recommandation
sera donc la capacité à produire, extraire et qualifier des données associées aux utilisateurs
et aux produits.
3 Le marché de la recommandation et ses acteurs
3.1 Les entreprises qui ont développé une activité dans le marché
de la recommandation
3.1.1 AlloCiné
AlloCiné a été fondée en 1991 par Jean-David Blanc et Patrick Holzman. Mais ce n’est
que deux années plus tard que la société lance son activité en direction du public, un service
d’information pour le cinéma par téléphone : le 01 40 30 20 10 [ALLOCINÉ(mai 2011)].
AlloCiné monte en puissance sur le Minitel avant de se tourner vers Internet en 1997.
La société continue par le site son développement en direction des nouveaux moyens de
communication (téléphones portables) tout en cherchant à ajouter de nouvelles activi-
tés commerciales à son cœur de métier qui reste l’information sur le cinéma. En 2003,
AlloCiné profite de la mauvaise santé financière de Vivendi Universal pour retrouver son
indépendance. La recherche de nouveaux relais de croissance conduit AlloCiné a conclure
un partenariat avec Canalplay [LE JOURNAL DU NET(octobre 2009)]. Ainsi, depuis oc-
tobre 2009, le portail spécialisé sur le cinéma donne accès à l’ensemble du catalogue
Canalplay, soit, à ce jour, plus de 3 500 films et une soixantaine de série.
Récemment, la stratégie d’AlloCiné a pris une tournure pour le moins surprenante. En
effet, Grégoire Lassalle a annoncé sa volonté d’étendre le champ d’activité de l’entreprise
à la télévision et d’investir dans un système de recommandation qui permettra à Allo-
Ciné « de passer dans d’autres sphères » [GONZALES(10 mars 2011)]. Ce dernier point
s’inscrit dans la volonté de la société de poursuivre son développement à l’international,
ainsi, le PDG a pour objectif de faire passer le nombre de visiteurs uniques mensuels à 50
millions d’ici deux ans. À ce jour, AlloCiné affirme avoir plus de 25 millions de visiteurs
7

8. mensuels sur l’ensemble de ses sites [ALLOCINÉ(2011)].
3.1.2 Amazon
En mai 1997, Barnes & Noble (le libraire le plus important des États-Unis avec trente
mille employés et trois milliards de dollars de chiffre d’affaires) lance son site Internet. Son
concurrent direct : Amazon (cent vingt-cinq employés et soixante millions de dollars de
chiffre d’affaires). On ne donnait alors pas cher de la petite start-up fondée quelques an-
nées plus tôt. Pourtant, 14 ans plus tard, Amazon est toujours là. L’entreprise a réussi à
traverser la crise de 2001 et celle de 2008. En 2010, le chiffre d’affaires d’Amazon est
passé à 34 milliards de dollars contre 24 en 2009. Quant aux bénéfices, ils ont aug-
menté de 28% par rapport à 2009, passant de 902 millions à 1,15 milliard de dollars
[MEDIA AMERICA(11 mai 2011)].
Ce succès, l’entreprise le doit aux choix controversés de son fondateur, Jeff Bezos, pour
qui l’orientation-client est la meilleure stratégie qui puisse exister pour une entreprise réa-
lisant du B-to-C [BEZOS(octobre 2007)]. En effet, le principe d’Amazon est de prendre
soin des clients [RIVLIN(10 juillet 2005)] afin qu’ils « puissent trouver et découvrir tout
ce qu’ils pourraient acheter en ligne »[AMAZON(25 janvier 2000)].
Mais, fait surprenant, Amazon a annoncé en février 2011 qu’elle se lançait dans la VOD
[KRAMER(22 février 2011)]. Accessible sous forme de streaming aux clients souscrivant
à l’option Prime, le service de VOD est illimité et entre directement en compétition avec
celui de Netflix.
3.1.3 Jinni
Jinni a été fondée en 2007 par Yosi Glick et Izik Ben-Zaken. Sa principale activité
est le développement et la vente de technologie de recommandation. En décembre 2009,
la société israélienne parvient à boucler une levée de fonds de 1,6 million de Dollars
[KEE(15 décembre 2009)]. À cette époque, Jinni avait déjà conclu des marchés avec des
fournisseurs de technologie tels que SeaChange International et OpenTV. En mai 2010,
alors que Google dévoile son projet GoogleTV, on découvre que Jinni apparaît dans la
liste des entreprises avec qui la firme de Mountain View a conclu une alliance stra-
tégique [WAUTERS(21 mai 2010)]. En septembre de la même année, c’est au tour de
l’opérateur de télécommunication belge Belgacom d’investir 2 millions de dollars dans
Jinni [CIARA(10 septembre 2010)]. Conclu sous la forme d’un partenariat stratégique,
l’accord a permis à Belgacom d’adjoindre un système de recommandation à ses services
de télévision et de VOD. En mai 2011, Jinni achève une seconde levée de fonds com-
mencée avec l’investissement de Belgacom et porte la somme à 5 millions de dollars
[KASTELEIN(10 mars 2011)]. Jinni fournit aujourd’hui les deux tiers des cablo-opérateurs
américains (d’après ses dires, car la société ne peut pas les nommer) en technologie de
recommandation.
3.1.4 GetGlue
L’histoire du développement de GetGlue est pour le moins particulière et reflète bien
les principes qui dirige sa stratégie. GetGlue est tout d’abord une société éditée par Adapti-
veBlue, entreprise new-yorkaise dont le slogan est « Browse Smarter ». Une des premières
réalisations d’AdaptiveBlue a été BlueOrganizer, une extension pour le navigateur Firefox.
Fondamentalement, celle-ci permet aux utilisateurs de surfer au travers d’objets plutôt
8

9. que via des pages Webs [SCHONFELD(12 février 2008)]. Ainsi, lorsque qu’un individu re-
gardait la fiche d’un film sur IMDB, l’extension lui proposait une série de liens en rapport
avec le film consulté (location sur les principaux sites Internet, vidéos sur YouTube, docu-
ments liés sur Google, etc.). L’objectif de cette application était de faciliter la découverte
de contenus sur le Web et, surtout, la découverte de contenus pertinents pour l’utilisateur.
Basée sur des technologies d’analyses sémantiques (Cf. infra), BlueOrganizer permettait
également à ses utilisateurs de « classer » les pages Internet consultées et d’y ajouter des
descriptions, de réécrire le Web selon les mots d’Alex Iskold, le fondateur d’AdaptiveBlue
[MACMANUS(23 mai 2007)]. BlueOrganizer a évolué au fil du temps vers une simplicité
d’utilisation toujours plus importante et une plus grande pertinence.
En novembre 2009, BlueOrganizer devient GetGlue. Ce changement de nom survient lors
du lancement d’une nouvelle version de l’extension Firefox. L’interface utilisateur (UI) de
l’application est également modifiée, il est maintenant possible d’effectuer des checkins
dans des objets. Lorsque je regarde tel film, telle émission de télévision, si je lis tel ou-
vrage, que je pense à tel sujet, que je bois tel vin, etc. tous les objets de consommation et
les idées peuvent se prêter à un check-in, une notation et une critique via le nouveau site
de GetGlue. Le principe est toujours le même qu’au temps de BlueOrganizer, annoter des
objets. Seulement, au lieu de naviguer sur le Web, l’utilisateur navigue sur le site Internet
de GetGlue et peut en sortit par un nombre de liens contextuels associés aux objets. Via
cette évolution, AdaptiveBlue est parvenue a faire muter un service à l’intention d’une cible
technophile à un service grand public [MACMANUS(26 septembre 2010)].
Après avoir observé que le cœur d’utilisateurs utilisait principalement GetGlue à propos de
contenus audiovisuels, et plus particulièrement ceux diffusés à la télévision, la société s’est
davantage spécialisée sur ce segment. Des partenariats ont été conclus avec les principaux
studios et networks. GetGlue met en avant leurs contenus en échange de stickers que les
utilisateurs peuvent gagner ou des bons de réduction pour les produits dérivés. En avril
2011, GetGlue a dépassé le million d’utilisateurs [RAO(13 avril 2011)] et génère plus de
12 millions de checkins et de notation par mois [VAN GROVE(3 février 2011)].
3.1.5 Cinemur
Cinemur est édité par MFG Labs. Elle a été créée en 2009 par trois professeurs : Pierre-
Louis Lions (Collège de France, Dauphine), Jean-Michel Larsy (Dauphine), Olivier Guéant
(Sciences Po) et un entrepreneur : Henri Verdier. Le métier de MFG Labs est le traitement
et l’analyse de données. L’évolution actuelle des technologies de l’information et de la
communication (TIC) entraîne une fragmentation et une spécialisation des marchés. Pour
une entreprise, la problématique est de réussir à suivre l’évolution de ces marchés, à s’y
positionner et à en tirer des bénéfices. D’après MFG Labs, une entreprise n’est pas assez
réactive et possède une structure trop coûteuse pour s’adapter à ces nouveaux marchés.
La solution est alors de favoriser les innovations en dehors de l’entreprise. Pour cela, il
convient de mettre à disposition des développeurs des données, sous la forme d’une API
(Application Programming Interface). L’exemple le plus fameux de cette politique est celui
de Twitter qui est ainsi parvenue à accélérer son cycle d’innovation. L’API est également
envisagée comme un moyen de créer un lien entre les différentes activités d’une entreprise.
MFG Labs propose donc de réaliser ce travail d’analyse et de mise en forme de données. De
cette manière, les entreprises n’ont pas à rendre publiques leurs données et peuvent tout
de même bénéficier d’un nouveau point de vue sur leur business, de nouvelles solutions
de visualisation et de modélisation de leurs données. Enfin, MFG Labs met l’accent sur
le fait que l’utilisation des données par les utilisateurs passe par la personnalisation via
9

10. l’utilisation des graphes sociaux.
MFG Labs travaille sur des projets pour le compte de BNP-Paribas, Hachette et l’Inserm
(établissement public).
Maintenant que nous avons bien délimité les domaines d’activités et de compétences des
différentes entreprises, nous pouvons nous attacher à analyser les systèmes de recomman-
dation mis en place et, par la suite, comprendre les stratégies adoptées par ces entreprises.
3.2 Analyse du fonctionnement des différents systèmes de recom-
mandation
À la lumière de ces descriptions, nous pouvons distinguer deux principaux domaines
stratégiques pour les systèmes de recommandation :
– L’extraction de données. Elle détermine tous les autres aspects du système de re-
commandation et influence l’orientation du développement du service auquel la re-
commandation est attachée. Un système se basant sur le graph social aura intérêt
à encourager ses utilisateurs à partager l’application, un système se basant sur le
filtrage collaboratif aura intérêt à augmenter le nombre d’utilisateurs, etc.
– Le contexte d’utilisation. Jinni et GetGlue ont choisi d’adresser ce problème via leurs
technologies d’analyses sémantiques. Deux directions sont envisageables, la person-
nalisation grâce à une quantité de données toujours plus importantes et la flexibilité
d’utilisation et de modification des résultats de recommandation par l’utilisateur.
Chaque système décrit précédemment possède ses avantages et ses inconvénients. La partie
suivante visera à les repérer et à en déduire les stratégies des différentes sociétés.
3.3 Les stratégies des sociétés présentes sur le marché de la re-
commandation
Quels sont les avantages dont dispose AlloCiné sur le marché de la recommandation ?
À première vue ils sont très faibles. Le système mis en place ne bénéficie d’aucune avan-
cée technologique significativs et ses résultats sont loin d’être particulièrement pertinents.
En effet, dans ses calculs de recommandation, AlloCiné semble apporter beaucoup d’im-
portance au réalisateur, au pays de production et à la date de production. Se faisant, la
recommandation produite ne sera jamais mauvaise mais elle ne se distinguera pas non
plus. C’est assurément là que réside la force d’AlloCiné, produire une recommandation qui
est susceptible de satisfaire le plus grand nombre de personnes possible. Cette stratégie
est cohérente avec le modèle de développement poursuivit par la société dont la réussite
dépendant en premier lieu du référencement. Ce faisant, AlloCiné ne vise pas une cible
particulière, elle essaye simplement de capter le flux de personnes qui recherchent des
informations sur un film ou une série.
La stratégie d’Amazon comporte des similarités avec celle d’AlloCiné. En effet, IMDB est
l’équivalent américain d’AlloCiné. Mais il demeure une question à laquelle nous ne parve-
nons pas à répondre, celle de la potentielle synergie d’Amazon et d’IMDB au niveau de la
recommandation. Il nous est à ce jour impossible de savoir si la recommandation produite
par Amazon pour son service de VOD utilise les données d’IMDB. A priori, IMDB poursuit
la même stratégie qu’AlloCiné tandis qu’ Amazon se positionne davantage vers la person-
nalisation des résultats de la recommandation. Nous sommes alors en mesure de mettre
en lumière quelques points concernant le rôle de la recommandation dans la stratégie du
géant du e-commerce américain. Tout d’abord, il faut noter qu’Amazon bénéficie d’un
10

11. avantage durable sur tous les autres acteurs du marché de la recommandation : elle est en
relation avec 130 millions de clients à travers le monde [FABER NOVEL(mai 2011), p. 8].
Cela lui permet de bénéficier d’un des systèmes de filtrage collaboratif les plus performants
du monde. Mais surtout, la société n’a pas besoin d’expliquer le fonctionnement de la re-
commandation à l’utilisateur, elle n’a pas non plus besoin de lui prouver sa pertinence.
Qui plus est, le service de VOD est destiné aux clients premiums d’Amazon, ceux qui ont
une utilisation régulière de l’ensemble des services disponibles. Nous pouvons conclure
que l’activité de recommandation de films d’Amazon fait partie du cœur de compétence
de la société et qu’elle n’a pas intérêt à être différente de celles proposées pour les autres
produits. Il ne faut donc pas s’attendre à des innovations disruptives de la part d’Amazon,
ni à ce que son système de recommandation soit disponible à la vente.
Jinni apparaît comme le leader du marché de la recommandation et son système est consi-
déré comme étant le plus performant. Son avantage concurrentiel réside dans la technologie
qu’elle a su développer. Cette dernière lui permet de répondre efficacement aux problé-
matiques de la recommandation des films, mais elle apporte également les bases à un
développement vers d’autres types de contenus audiovisuels. Par exemple, ceux qui seront
proposés au sein de Google TV. Jinni est sans aucun doute à l’origine d’une nouvelle façon
de penser la découverte des films qui influence l’ensemble du secteur. En donnant la possi-
bilité à son système de s’adapter au contexte d’utilisation du consommateur, elle modifie
la grille des attributs que ce dernier évalue pour choisir un film. Mais pour le moment le
système reste compliqué à utiliser et ne répond qu’au seul besoin d’une recherche active.
Conscient de ce problème, Jinni semble orienter sa stratégie vers l’acquisition d’une plus
grande compétence dans la réalisation d’UI. Une autre solution est pourtant envisageable
pour apporter des solutions à cette problématique par le traitement d’un nouveau type
de données, les données « sociales ».
Cinemur et GetGlue ne s’y sont pas trompées, en agrégeant des données issues des graph
sociaux des individus pour créer des recommandations, on arrive forcément à des résultats
différents des méthodes de recommandation traditionnelles. Ces deux sociétés sont mieux
positionnées pour répondre à la problématique d’un recherche passive. Premièrement, le
design des applications a été pensé pour en faciliter au maximum l’utilisation. Deuxième-
ment, les recommandations sont produites en un clic pour Cinemur et dès l’ouverture de
l’application pour GetGlue. Un autre point important à prendre ne compte est la nature de
la recommandation. Puisqu’elle prend en comte des données sociales, il est possible d’en
distinguer deux régimes d’utilisation selon la provenance des données. En effet, les « weak-
tie sources, which are more likely to have greater expertise, appear to be conductive to the
flow of information, whereas strong-tie sources, which have a personal relationship with
the decision maker, are more conductive to the flow of influence. » [DUHAN et al.(1997),
p. 284] Nous pouvons donc aisément en conclure que GetGlue apporte de l’information à
son utilisateur tandis que Cinemur le met en relation avec des sources d’influences.
Si ces deux entreprises occupent un positionnement similaire, elles n’en demeurent pas
moins foncièrement différentes en ce qui concerne les stratégies de développement adop-
tées. Cinemur est avant tout une application qui sert à démontrer les capacités de MFG
Labs dans le traitement de données et dans la réalisation d’interface innovante. Il semble
peu probable que Cinemur dispose de moyens qui lui permettrait de toucher une large
audience. D’après nous, cette application est une vitrine grâce à laquelle MFG Labs ven-
dra ses compétences à des acteurs de l’audiovisuel et des télécommunication. L’avenir de
GetGlue est tout autre. Tout d’abord, la recommandation n’est plus une des principales
orientations de développement de la société américaine. Aujourd’hui GetGlue tente d’aug-
menter l’engagement de son audience et de la monétiser. Elle est assurément l’une des
11

12. sociétés les mieux positionnées pour remporter le marché émergeant du multi-tasking lié
aux contenus audiovisuels.
4 Conclusion, quelles opportunités pour AlloCiné ?
Le marché de la recommandation sur lequel se positionne AlloCiné est loin d’être un
marché mature, mais plusieurs entreprises qui y sont présentes ont déjà pris beaucoup
d’avance sur la société française. Néanmoins, AlloCiné peut miser sur le marché français
pour continuer à mettre au point son système 1 . Mais à l’heure actuelle et étant donné les
performances de sa solution, nous ne pensons pas qu’AlloCiné soit en mesure d’affronter
le marché international de la recommandation. Sa stratégie se tournera donc davantage
vers une offre de services plus large comprenant la fourniture de données ou de contenus.
Une autre voie de développement pour AlloCiné réside dans l’amélioration de son système
de recommandation. En effet, la société dispose d’un formidable écosystème de données
qu’elle n’utilise pas encore. L’analyse sémantique permettrait de traiter les nombreux
blogs de critiques hébergés par AlloCiné. Une plus grande personnalisation et flexibilité de
l’outil de recommandation s’intégrerait parfaitement au sein de l’espace Mon AlloCiné.
Selon nous, le système de recommandation d’AlloCiné n’est pas ce qui permettra à la
société « de passer dans d’autres sphères ». En revanche, c’est un premier pas vers un
domaine d’activités qui s’apprête à jouer un rôle plus que déterminant dans l’économie
du cinéma et de l’audiovisuel. En ce sens, cela ne rend que plus visible la volonté d’AlloCiné
de ne pas rester un simple site Internet.
Références
[ADOMAVICIUS et TUZHILIN(juin 2005)] Gediminas ADOMAVICIUS et Alexander
TUZHILIN, « Toward the Next Generation of Recommender Systems : A Survey
of the State-of-the-Art and Possible Extensions », IEEE Transactions on Knowledge
and Data Engineering, 17(6) :734–749, juin 2005.
[ALLOCINÉ(2011)] ALLOCINÉ, AlloCiné MediaKit 2011, Paris, AlloCiné, 2011.
[ALLOCINÉ(mai 2011)] ALLOCINÉ, « A propos d’AlloCiné », AlloCiné, mai 2011.
[AMAZON(25 janvier 2000)] AMAZON, Amazon.com Introduces New Logo ; New Design
Communicates Customer Satisfaction and A-to-Z Selection, Amazon, 25 janvier 2000,
communiqué de presse.
[ARIELY et al.(2004)] Dan ARIELY et al., « Learning by Collaborative and Individual-
Based Recommendation Agents », Journal of Consumer Psychology, 14(1&2) :81–94,
2004.
[BEZOS(octobre 2007)] Jeff BEZOS, « The HBR Interview. The Institutional Yes »,
Harvard Business Review, 85(10) :74–82, octobre 2007.
[BRYONJOLFSSON et al.(novembre 2003)] Erik BRYONJOLFSSON et al., Consumer
Surplus in the Digital Economy : Estimating the Value of Increased Product Variety
at Online Booksellers, Cambridge, MIT Sloan School of Management, novembre 2003,
working paper.
1. SFR ayant signée avec Cinetrafic (l’entreprise au sein de laquelle j’effectue mon stage), Orange avec
Oracle, il reste à AlloCiné trois entreprises de tailles significatives : Bouygue Telecom, Free et Canal +.
12

13. [BRYONJOLFSSON et al.(novembre 2007)] Erik BRYONJOLFSSON et al., Goodbye
Pareto Principle, Hello Long Tail : The Effect of Search Costs on the Concentra-
tion of Product Sales, novembre 2007, working paper.
[CIARA(10 septembre 2010)] Byrne CIARA, « Belgacom invests $2 million in video re-
commendation service Jinni », VentureBeat, 10 septembre 2010.
[DUHAN et al.(1997)] Dale F. DUHAN et al., « Influences on Consumer Use of Word-
of-Mouth Recommendation Sources », Academy of Marketing Science. Journal, 25
(4) :283–295, 1997.
[FABER NOVEL(mai 2011)] FABER NOVEL, Amazon.com. The Hidden Empire, Paris,
Faber Novel, mai 2011.
[FELFERING et al.(mai/juin 2007)] Alexander FELFERING et al., « Recommender
Systems », IEEE, pages 18–21, mai/juin 2007.
[FITZ-GIBBON(2011)] T. R. FITZ-GIBBON, Why Semantic Analysis is Better than
Sentiment Analysis, Networked Insights, 2011, white paper.
[FITZSIMONS et LEHMANN(2004)] Gavan J. FITZSIMONS et Donald R. LEHMANN,
« Reactance to Recommendations : When Unsolicited Advice Yields Contrary
Responses », Marketing Science, 23(1) :82–94, 2004.
[FRENCHWEB(23 mars 2011)] FRENCHWEB, « AlloCiné en route vers le leadership
mondial. Entretien avec Grégroire Lassalle, PDG d’AlloCiné », FrenchWeb, 23 mars
2011.
[GARANDEAU(28 avril 2011)] Éric GARANDEAU, « Introduction de la table ronde sur
le financement des contenus à l’heure des téléviseurs connectés », in Colloque - La
Télévision connectée, CSA, Paris, 28 avril 2011.
[GENSOLLEN et al.(2004)] Michel GENSOLLEN et al., Distribution de contenus sur In-
ternet. Commentaires sur le projet de taxation de l’upload, Paris, Fondation Internet
Nouvelle Génération, 2004.
[GONZALES(10 mars 2011)] Paule GONZALES, « AlloCiné se lance dans la télévision »,
Le Figaro, 10 mars 2011.
[HAINES(2011)] Bryan HAINES, « Yosi Glick Interview », About.com, 2011.
[HUBAC(décembre 2010)] Sylvie HUBAC, Mission sur le développement des services de
la vidéo à la demande et leur impact sur la création, Paris, Centre National de la
Cinématographie, décembre 2010.
[HÄUBL et MURRAY(2003)] Gerald HÄUBL et Kyle B. MURRAY, « Preference
Construction and Persistence in Digital Marketplaces : The Role of Electronic
Recommendation Agents », Journal of Consimer Psychology, 13(1&2) :75–91, 2003.
[IFOP(avril 2011)] IFOP, Les internautes et les comparateurs de prix, Paris, IFOP, avril
2011, IFOP pour L’Atelier BNP Paribas Group.
[KASTELEIN(10 mars 2011)] Richard KASTELEIN, « Semantic Entertainment
Recommendation Engine Jinni Closes $5 Million VC Round B », appmarket.tv, 10
mars 2011.
[KEE(15 décembre 2009)] Tameka KEE, « ’Mood-Based’ Video Discovery Service Jinni
Media Raises $1.6 Million », paidContent.org, 15 décembre 2009.
[KIRKPATRICK(8 mars 2011)] Marshall KIRKPATRICK, « Foursquare’s Google
Moment : Recommendations Launch Tonight », The New York Times, 8 mars 2011.
13

14. [KRAMER(22 février 2011)] Staci D. KRAMER, « Streaming Begins For Amazon Prime
Members ? One Month Free Trial », paidContent.org, 22 février 2011.
[LE JOURNAL DU NET(octobre 2009)] LE JOURNAL DU NET, « Canalplay va pro-
poser son offre VoD sur Allocine.com », Le Journal du Net, octobre 2009.
[LEVY(18 février 2011)] Steven LEVY, « With Update to ’Social Search’, Google
Embraces the Crowd », Wired UK, 18 février 2011.
[LINDEN et al.(janvier/février 2003)] Greg LINDEN et al., « Amazon.com
Recommendations. Item-to-Item Collaborative Filtering », IEEE Internet Compu-
ting, pages 76–80, janvier/février 2003.
[LIPOVETSKY(2010)] Gilles LIPOVETSKY, « Le règne de l’hyperculture : cosmopoli-
tisme et civilisation occidentale », in Hervé JUVIN et Gilles LIPOVETSKY (dir.),
L’Occident mondialisé. Controverse sur la culture planétaire, Éditions Grasset &
Fasquelle, Paris, 2010, pages 11–121.
[LYNCH et ARIELY(2000)] John G. Jr. LYNCH et Dan ARIELY, « Wine Online :
Search Costs Affect Competition on Price, Quality, and Distribution », Marketing
Science, 19(1) :83–103, 2000.
[MACMANUS(23 mai 2007)] Richard MACMANUS, « New Version of BlueOrganizer
Launched - Semantic Web In Action ? », ReadWriteWeb, 23 mai 2007.
[MACMANUS(26 septembre 2010)] Richard MACMANUS, « How GetGlue Taps Into
Our Emotions », ReadWriteWeb, 26 septembre 2010.
[MEDIA AMERICA(11 mai 2011)] MEDIA AMERICA, « Fiche synthétique :
Amazon », Media America, 11 mai 2011.
[MELVILLE et SINDHWANI(2010)] Prem MELVILLE et Vikas SINDHWANI,
« Recommender Systems », in Claude SAMMUT et Geoffrey I. WEBB (dir.),
Encyclopedia of Machine Learning, Springer, Berlin, 2010.
[PANDIA(16 février 2009)] PANDIA, « Top 5 Semantic Search Engines », Pandia, 16
février 2009.
[RAO(13 avril 2011)] Leena RAO, « GetGlue Passes 1M Users ; 100M Data Points »,
TechCrunch, 13 avril 2011.
[RIVLIN(10 juillet 2005)] Gary RIVLIN, « A Retail Revolution Turns 10 », The New
York Times, 10 juillet 2005.
[SCHONFELD(12 février 2008)] Eric SCHONFELD, « Blue Organizer’s Latest Indigo
Release Lets You Surf Things Instead of Web Pages », TechCrunch, 12 février
2008.
[VAN GROVE(3 février 2011)] Jennifer VAN GROVE, « GetGlue Now Seeing 12 Million
Checkins and Ratings Per Month », Mashable, 3 février 2011.
[WAUTERS(21 mai 2010)] Robin WAUTERS, « Jinni Is Building A Smart ’Taste
Engine’ For Google TV (Screenshots) », TechCrunch, 21 mai 2010.
14