Dans cette vidéo, on perce l'algorithme TikTok.
Category
🤖
TechnologieTranscription
00:00Si tu as déjà fait des recherches sur l'algo TikTok, il y a des chances pour que tu sois
00:04déjà tombé sur ce système de notation.
00:06D'ailleurs si tu tapes comment fonctionne l'algorithme TikTok dans ta barre de recherche
00:10Youtube, je peux te garantir que 8 créateurs sur 10 vont te présenter cette formule comme
00:14étant le ratio de notation d'une vidéo TikTok.
00:18Ce ratio de notation serait donc utilisé par l'algorithme TikTok pour décider quelle
00:22vidéo mérite d'apparaître dans les recommandations TikTok.
00:25Plus le score de ta vidéo est élevé, plus tu as des chances de faire des vues.
00:29Génial donc, il n'y a qu'à construire sa vidéo en fonction de ses éléments clés
00:34et c'est un max de vues garanti pour tes vidéos.
00:36Malheureusement, c'est beaucoup plus compliqué que ça.
00:39Si on regarde de plus près ce ratio de notation, on peut constater qu'il est constitué de
00:4930 points.
00:50Le taux de revisionnage, 10 points.
00:52Ça correspond au nombre de fois où ta vidéo est vue par le même utilisateur.
00:56Le taux d'achèvement, 8 points.
00:58Ça correspond au pourcentage de la vidéo vue par l'utilisateur.
01:01Vient ensuite l'engagement sur ta vidéo, avec dans l'ordre les partages, 6 points,
01:06les commentaires, 4 points et les j'aime, 2 points.
01:09Les performances de tes vidéos sur ces différents aspects vont donc permettre d'attribuer une
01:13note globale.
01:14Si j'ai déjà vu passer ce rating ratio de 30 points dans beaucoup de vidéos, j'ai
01:19eu du mal à comprendre d'où pouvaient venir ces informations.
01:22En faisant mes recherches, je pense être tombé sur la vidéo originale qui mentionne
01:26pour la première fois ce rating ratio.
01:28Cette vidéo date du 21 février 2020 et a été publiée sur la chaîne de VidStudio.
01:34Dans sa vidéo, le créateur a mené un travail de reverse engineering pour tenter de comprendre
01:39comment fonctionne l'algo TikTok.
01:41La vidéo commence par une présentation d'une déclaration de la maison mère de TikTok
01:45ByteDance sur le fonctionnement de leur plateforme.
01:48En voici l'interprétation.
01:50L'ensemble de leur plateforme de contenu est alimenté par un système d'analyse capable
01:55de reconnaître les éléments visuels de la vidéo, donc toutes les personnes et les
01:59éléments de décors présents à l'image, les éléments sonores, donc tout ce qui est
02:02dit dans la vidéo, les données de texte fournies directement par l'utilisateur à
02:07travers le titre, la description et les hashtags.
02:10Tous les éléments d'une vidéo sont donc reconnus et analysés par TikTok.
02:14Ensuite vient ce passage dans la vidéo.
02:26C'est ce passage qui constitue l'apparition pour la première fois de la théorie du rating
02:33ratio.
02:34Mais attention, dans ce passage, le créateur parle bien d'une estimation d'un tableau
02:38des scores pour une vidéo.
02:39On a donc leur propre interprétation avec une estimation qui sert en fait à illustrer
02:45cette interprétation.
02:46Dans la suite de la vidéo, on nous présente une autre théorie sur le fonctionnement
02:50de l'algo TikTok.
02:51TikTok utiliserait son système de notation sur une audience juge pour attribuer une note
02:56à la vidéo.
02:57En fonction de celle-ci, TikTok déciderait ou non s'il doit continuer à pousser la
03:01vidéo à toujours plus de monde via le feed de recommandation For You.
03:06Et TikTok procéderait ainsi de suite par palier d'audience en augmentant à chaque
03:10fois la taille de l'audience juge.
03:13Cette théorie fournirait une explication plausible à un phénomène que beaucoup de
03:17créateurs rencontrent personnellement.
03:19Des vidéos qui semblent bloquées aux alentours de 200-300 vues.
03:23Si la vidéo n'atteint pas une bonne notation auprès de l'audience juge à laquelle elle
03:28a été soumise, elle ne sera plus poussée par la plateforme.
03:31D'ailleurs, la taille de cette audience juge pourrait être plus ou moins grande en fonction
03:34du nombre de followers du créateur ou par rapport à ses succès récents.
03:38La vidéo de VidStudio est très bien faite, ce qui explique d'ailleurs pourquoi elle
03:42a été reprise par de nombreux blogs et ensuite par de nombreux créateurs.
03:45Mais ce que je reproche à certains créateurs, c'est de présenter ce rating ratio comme
03:49une vérité absolue.
03:51Alors que comme on l'a vu, il s'agit d'une schématisation proposée par un youtubeur
03:55qui a cherché à interpréter l'algorithme avec son propre travail de reverse engineering.
04:00Et si on s'en tient seulement à ce ratio de notation et à la hiérarchisation des
04:05éléments importants dans une vidéo, on passe à côté d'une variable extrêmement
04:09importante.
04:10La singularité de chaque spectateur.
04:13Chaque utilisateur a ses propres comportements sur TikTok et la plateforme sait parfaitement
04:18comment les analyser.
04:19Les critères de notation d'une vidéo n'ont donc pas la même valeur et la même importance
04:23d'un viewer à l'autre.
04:24Et ça, ce n'est pas une théorie.
04:29Nous sommes en décembre 2021 et le New York Times publie un article qui va faire beaucoup
04:34de bruit.
04:35How TikTok Reads Your Mind, comment TikTok lit dans vos pensées.
04:39Dans cet article, l'auteur nous explique avoir recueilli le témoignage anonyme d'une
04:44personne ayant eu accès à un document secret, le TikTok Algo 101.
04:49Un document pour expliquer aux employés non techniques les bases de l'algorithme.
04:53Ce document nous révèle plusieurs informations sur le fonctionnement de l'algorithme.
04:57Le but ultime de TikTok, c'est d'augmenter le nombre d'utilisateurs quotidiens actifs.
05:03Daily Active Users.
05:05L'élément clé identifié par TikTok pour atteindre cet objectif, c'est la rétention.
05:10On a aussi confirmation que le système de recommandation TikTok fonctionne à l'aide
05:15des scores de notation obtenus par les vidéos.
05:17Et on en partage une formule simplifiée du calcul de score d'une vidéo.
05:21Il n'y a pas d'explication claire fournie dans le document pour interpréter cette formule.
05:26Néanmoins, on peut tenter de la comprendre de la manière suivante.
05:29Attention, ça reste mon interprétation.
05:31P-like serait la probabilité que l'utilisateur aime une vidéo.
05:35V-like serait la valeur attribuée au like de l'utilisateur.
05:38P-like V-like serait donc le score donné au like par rapport au profil de l'utilisateur.
05:43P-comment serait la probabilité que l'utilisateur commente la vidéo.
05:47V-comment serait la valeur attribuée à un commentaire de l'utilisateur.
05:51P-comment V-comment donnerait le score d'un commentaire selon l'utilisateur.
05:55E-playtime, le temps moyen passé sur une vidéo.
05:57V-playtime, la valeur accordée au pourcentage de visionnage par rapport à l'utilisateur.
06:02E-playtime V-playtime donnerait donc le score d'achèvement d'une vidéo.
06:06P-play serait la probabilité que l'utilisateur regarde en entier la vidéo.
06:09V-play serait la valeur attribuée au temps de visionnage de l'utilisateur.
06:13P-play V-play serait donc le score du temps de visionnage par rapport au profil de l'utilisateur.
06:18On retrouve donc ici la plupart des indicateurs de notre rating ratio.
06:21Sauf qu'on y a introduit la notion de score d'utilisateur.
06:24La note d'une vidéo peut donc être différente d'un utilisateur à l'autre.
06:28Car TikTok n'accorde pas la même importance aux éléments du rating ratio selon le profil de l'utilisateur.
06:34Parmi les autres informations intéressantes de l'article, on retrouve les informations suivantes.
06:39TikTok cherche à identifier les vidéos likebait et engagementbait.
06:43Les vidéos conçues pour forcer l'engagement.
06:45Cette traque est effectuée pour éviter de pousser dans le feed de recommandations de l'utilisateur ce genre de vidéos.
06:51L'algorithme tend à récompenser les créateurs qui arrivent à faire revenir leur audience sur leur contenu.
06:56En d'autres termes, les créateurs qui arrivent à créer et fédérer une communauté.
07:00Malgré le fait que TikTok arrive à bien identifier ce qui plaît à l'utilisateur,
07:04il va chercher à varier son feed de recommandations et les thématiques présentes dans ce feed
07:08pour éviter la répétitivité et l'ennui.
07:11Toujours dans la logique de maximiser le temps de rétention sur la plateforme.
07:15Enfin, dernier élément intéressant de cet article,
07:18ce diagramme qui explique comment l'algorithme est pensé pour mener à bien l'objectif principal de TikTok,
07:23augmenter le nombre d'utilisateurs quotidiens actifs.
07:27On a donc à gauche le DAU, cet objectif, le Daily Active User,
07:30drivé par l'élément clé, la rétention, avec deux axes principaux.
07:34D'un côté, le feed de recommandations for you, et de l'autre, les autres fonctionnalités de la plateforme.
07:40Ce qui prouve encore la dominance du feed de recommandations for you dans la stratégie globale de TikTok.
07:45Et ce qui est intéressant sur cette branche, sur le feed for you,
07:48c'est qu'on retrouve d'un côté les comportements du viewer,
07:51ses actions d'engagement, ses j'aime, ses commentaires et son temps de session.
07:54Et de l'autre côté, on a les metrics de qualité de créateur,
07:57avec le publish rate, la fréquence de publication du créateur,
08:00le creator retention, donc la capacité du créateur à faire revenir les viewers sur ses vidéos.
08:05Au final, c'est la capacité à créer une communauté.
08:07Le creator monetization, que j'interprète de cette façon,
08:11le fait que le contenu proposé par le créateur soit porteur d'une thématique
08:14qui intéresse les annonceurs présents sur TikTok.
08:17Un peu l'équivalent du CPM sur YouTube qui varie selon les thématiques des vidéos.
08:22L'algorithme de TikTok est élaboré pour mener à bien l'objectif principal de la plateforme.
08:29Accroître son DAU, Daily Active User, nombre d'utilisateurs actifs quotidiens.
08:33L'élément clé de sa stratégie, c'est le feed de recommandation for you,
08:37et le faire en sorte de maximiser le temps passé sur ce feed.
08:40TikTok va donc forcément pousser dans ce feed les vidéos des créateurs
08:44qui arrivent à retenir un maximum l'attention des viewers.
08:47Le rating ratio présenté par VidStudio est donc un bon point de départ
08:51pour élaborer la bonne structure pour ta vidéo.
08:53Mais la rétention seule ne suffira pas.
08:55Et TikTok n'hésitera pas à exclure de son feed de recommandation
08:59les vidéos qui tentent de piéger les utilisateurs en forçant l'engagement ou la rétention.
09:04Si par contre tes vidéos engagent naturellement tes viewers,
09:07il y a des chances que tu finisses par percer.
09:09Et les créateurs qui arriveront à créer une communauté fidèle et engagée,
09:13c'est-à-dire qui arriveront à faire revenir leur audience régulièrement sur leurs vidéos,
09:18ce sont les créateurs qui domineront le feed de recommandation.
09:21Si tu veux en savoir plus sur les techniques pour réussir à engager son audience,
09:25et sur les autres aspects à maîtriser pour réussir sur TikTok,
09:28je suis en train de préparer un guide 100% gratuit.
09:30Pour l'obtenir, il suffit simplement de cliquer sur le lien disponible en description et en commentaire épinglé.
09:35Dans la description, tu trouveras également le lien de l'article original du New York Times.
09:40Je mettrai également le lien vers la vidéo originale de VidStudio.
09:43Et je te recommande également la vidéo de Théolion,
09:46qui a été à ma connaissance le premier YouTuber à parler du leak du New York Times.
09:50Merci d'avoir suivi cette vidéo, et si TikTok t'intéresse,
09:53je te recommande une autre vidéo disponible sur le labo des créateurs,
09:57qui aborde une autre théorie intéressante sur le fonctionnement de TikTok,
10:00l'intérêt de chauffer un compte avant de commencer à publier.