TikTok : comment notre attention devient une source de revenus ?

Par saadaoui
Publié le 11 novembre 2026 · 6 vues
Réalisé dans le cadre du cours de Sylvain Amoros professeur a HEC Montréal
Partager cet article

Cinq minutes sur TikTok. Puis dix. Puis trente. Personne n’ouvre l’application en se disant qu’il va y passer une demi-heure, et pourtant c’est souvent ce qui arrive. Le fil « Pour toi » semble nous connaître : une recette au bon moment, un conseil d’entraînement ou une vidéo drôle juste avant de fermer l’application. Ce n’est pas un hasard. L’algorithme TikTok analyse nos comportements pour nous proposer des vidéos adaptées à nos intérêts.

Derrière cette expérience se cache un véritable système d’analyse de données. Chaque interaction, comme un like, un partage ou une vidéo ignorée, fournit des informations sur nos intérêts. Ces données permettent à TikTok d’affiner ses recommandations, de mesurer l’engagement des utilisateurs et de soutenir son modèle publicitaire.

Pour comprendre ce mécanisme, nous expliquons d’abord comment nos comportements alimentent les recommandations, puis nous présentons une expérience exploratoire menée avec deux comptes TikTok. Nous examinons ensuite les indicateurs qui relient l’attention des utilisateurs au modèle publicitaire de la plateforme.

Cette analyse soulève toutefois une limite importante : la personnalisation est utile, mais une plateforme qui mesure sa réussite surtout à sa capacité de retenir notre attention risque de privilégier le mauvais objectif. Le temps passé est facile à mesurer, mais il ne reflète pas nécessairement la qualité de l’expérience.

1. Nos gestes parlent, même sans « J’aime »

Sur TikTok, chaque seconde d’utilisation produit des données, souvent sans que nous en ayons conscience. Les actions les plus visibles sont les interactions explicites : aimer une vidéo, la commenter, la partager ou s’abonner à un créateur. Ce sont des préférences déclarées : l’utilisateur dit clairement ce qu’il apprécie.

Mais une grande partie de l’information vient de signaux plus discrets. Combien de temps regardons-nous une vidéo ? La regardons-nous jusqu’à la fin ? La revoyons-nous ? Passons-nous à la suivante dès la première seconde ? Ces comportements ne demandent aucun effort et ne passent par aucun bouton. Ils sont pourtant très parlants. Dans sa présentation officielle du fil « Pour toi », TikTok cite justement les interactions des utilisateurs, dont le fait de regarder une vidéo en entier, parmi les facteurs qui orientent les recommandations, aux côtés des informations sur la vidéo et de certains paramètres de l’appareil et du compte (TikTok, 2020).

Prenons deux situations. Dans la première, une personne aime une vidéo puis la quitte après quelques secondes. Dans la seconde, elle regarde une vidéo jusqu’au bout, la relance une deuxième fois, mais ne clique sur rien. Si l’on ne comptait que les likes, la première vidéo semblerait la plus appréciée. Si l’on regarde le comportement, c’est la seconde qui a véritablement retenu l’attention.

Cette différence entre ce que l’on déclare et ce que l’on fait est au cœur de l’analyse comportementale. Elle est aussi sa principale limite. Un long visionnement peut signaler un intérêt réel, mais aussi de la curiosité, de l’agacement ou une simple distraction. Un tableau de bord montre des actions mesurables, jamais directement des intentions ou des émotions. Le travail de l’analyste consiste donc à croiser plusieurs signaux sans leur prêter une signification qu’ils ne peuvent pas démontrer à eux seuls.

2. Le fil « Pour toi » : une boucle qui s’ajuste

Comment ces signaux changent-ils les vidéos que nous voyons ? On peut décrire le mécanisme comme une boucle de rétroaction. L’utilisateur regarde des vidéos et interagit avec elles. Ces interactions produisent des signaux. Le système utilise ces signaux, avec d’autres informations, pour classer les contenus susceptibles de l’intéresser. De nouvelles vidéos lui sont recommandées, et en les regardant il produit de nouvelles données. La boucle recommence.

Cette représentation explique une chose essentielle : nos recommandations ne sont pas indépendantes de notre comportement. Plus nous interagissons, plus le système dispose d’informations pour ajuster ce qu’il nous propose. C’est pour cela que deux personnes qui ouvrent l’application au même moment ne voient pas le même fil.

Il faut toutefois distinguer ce que l’on sait de ce que l’on suppose. TikTok décrit publiquement trois grandes familles de facteurs : les interactions des utilisateurs, les informations sur les vidéos (sons, légendes, mots-clés) et certains paramètres de l’appareil et du compte, ces derniers ayant selon la plateforme un poids plus faible (TikTok, 2020). En revanche, l’architecture exacte du système, les pondérations de chaque signal et les paramètres internes ne sont pas publiés. Notre schéma est donc une simplification pédagogique, pas une reproduction du code de TikTok.

Un dernier point mérite d’être noté pour éviter la caricature : TikTok affirme aussi intervenir pour casser les séries répétitives, par exemple en évitant d’enchaîner deux vidéos du même créateur ou du même son (TikTok, 2020). La boucle n’est donc pas présentée comme un entonnoir qui ne ferait que répéter nos goûts. Reste à savoir ce que l’on observe en pratique, ce qui nous amène à notre expérience.

3. Notre expérience : fitness contre cuisine

Pour voir la personnalisation à l’œuvre plutôt que de la décrire, nous avons mené une expérience exploratoire dans le cadre de ce projet. Nous avons utilisé deux comptes TikTok. Le compte A a interagi principalement avec des vidéos de fitness, le compte B principalement avec des recettes de cuisine. Nous avons ensuite relevé trente recommandations sur chaque compte et classé chacune dans l’une de trois catégories : fitness, cuisine ou autres.

Les résultats sont nets. Le compte A a reçu 21 vidéos de fitness, 2 de cuisine et 7 d’autres catégories, soit 70 % de contenus fitness. Le compte B a reçu 3 vidéos de fitness, 22 de cuisine et 5 autres, soit 73,3 % de contenus culinaires. Chaque fil était donc majoritairement tourné vers le thème avec lequel le compte avait interagi, et le thème de l’autre compte n’occupait qu’une petite place (2 ou 3 vidéos sur 30).

Résultats de notre expérience exploratoire : 30 recommandations observées par compte.

Ces résultats sont cohérents avec la logique de personnalisation décrite plus haut. Ils ne démontrent pas pour autant comment l’algorithme fonctionne, ni une relation de cause à effet. Notre échantillon est petit : deux comptes et soixante recommandations au total. Nous n’avons pas pu isoler l’effet de chaque type d’interaction, ni vérifier si les proportions restent stables dans le temps ou d’un appareil à l’autre. Enfin, les catégories ont été attribuées par nous, ce qui comporte une part de jugement.

Il faut donc lire cette expérience pour ce qu’elle est : une observation réelle qui rend le mécanisme tangible, pas une preuve du fonctionnement interne de TikTok ni un résultat généralisable à tous les utilisateurs. Sa valeur est ailleurs : elle montre qu’après une phase d’interaction, deux personnes peuvent se retrouver devant deux fils très différents, sans que ni l’une ni l’autre ne l’ait explicitement demandé.

4. Pourquoi le temps passé intéresse autant les plateformes

Pourquoi une plateforme investit-elle autant dans la personnalisation ? Parce que l’attention est au centre de son modèle économique. Dès 1971, l’économiste Herbert Simon observait qu’une abondance d’information crée une rareté d’attention, qu’il faut alors répartir entre de nombreuses sources concurrentes (Simon, 1971). Les plateformes numériques sont précisément en concurrence pour cette ressource rare. Plus un utilisateur reste longtemps, plus il voit de contenus, et plus il existe d’occasions d’insérer une publicité dans son fil. Une session plus longue ne garantit ni un clic ni un achat, mais elle multiplie les occasions.

Pour suivre ce phénomène, les analystes s’appuient sur quelques indicateurs clés :

IndicateurCe qu’il mesureCe qu’il ne dit pas
Temps de visionnementDurée passée à regarder une vidéo ou une sessionSi ce temps était agréable ou subi
Taux de complétionPart de la vidéo regardée, ou part des vidéos vues jusqu’au boutPourquoi la personne est restée
EngagementLikes, commentaires, partagesSi les réactions sont positives ou négatives
Rétention (J7, J30)Part des utilisateurs qui reviennent après 7 ou 30 joursSi ce retour relève du choix ou de l’habitude

Ces mesures ne sont pas interchangeables, et aucune ne suffit seule. Une vidéo peut être regardée longtemps et peu partagée. Un contenu très commenté peut susciter surtout de la colère. Une personne peut revenir tous les jours sans être satisfaite de son expérience.

C’est ici que se trouve la distinction la plus importante de cet article : engagement n’est pas satisfaction. Un engagement élevé montre qu’un contenu retient l’attention. Il ne démontre pas que l’expérience est positive. Des chercheurs en informatique et en économie l’ont formalisé : lorsque les préférences des utilisateurs sont incohérentes, par exemple entre une impulsion immédiate et un objectif à plus long terme, une plateforme qui maximise l’engagement peut augmenter le temps passé tout en diminuant le bien-être des utilisateurs (Kleinberg et al., 2022). Mesurer un comportement n’est pas mesurer le bien-être. Un bon analyste part donc de la question posée, choisit l’indicateur qui y répond et dit clairement ce que cet indicateur ne mesure pas.

5. Le CTR : un chiffre utile, mais insuffisant

Du côté des annonceurs, l’objectif n’est pas seulement d’être vu. Ils veulent savoir combien de fois leur annonce a été affichée, combien de personnes ont cliqué et si ces clics ont mené à une action utile, comme une inscription ou un achat. TikTok Ads Manager fournit justement ces mesures de base : impressions, clics, taux de clic et conversions (TikTok for Business, s.d.). L’analyse web permet de suivre chaque étape de ce parcours, de l’affichage jusqu’à la conversion.

Le taux de clic, ou CTR, rapporte le nombre de clics au nombre d’impressions. Prenons un exemple de calcul, avec 10 000 impressions et 200 clics. Le CTR serait égale à 200 ÷ 10 000 × 100 = 2 %

Deux clics pour cent affichages. Mais 200 clics ne sont pas 200 ventes.

Ce chiffre semble parlant, mais il ne dit pas si la campagne est rentable. Pour juger la performance commerciale, il faut aussi regarder les conversions, ce que la campagne a coûté et le retour sur investissement, le tout en fonction de l’objectif de départ. Un CTR élevé sur une annonce qui ne convertit jamais reste un échec.

Le parallèle avec la section précédente est frappant. Côté utilisateur comme côté annonceur, le danger est le même : confondre ce qui est facile à compter (un clic, une minute de visionnement) avec le résultat qui compte vraiment (une vente, une expérience réussie).

6. Personnaliser, mais à quel prix ?

La personnalisation a de vrais avantages. Elle permet de découvrir rapidement des créateurs et des contenus qui correspondent à nos intérêts, sans avoir à les chercher. Mais elle soulève trois enjeux qu’un analyste ne peut pas ignorer.

Le premier est la vie privée. Les utilisateurs ne savent pas toujours précisément quelles informations contribuent à leur profil, ni comment elles sont utilisées. Même lorsque les grandes catégories de données sont décrites publiquement, leur poids réel reste opaque. Cela pose des questions de transparence, de confidentialité et de contrôle. 

Le deuxième est la diversité des contenus. Un fil qui recommande surtout des vidéos semblables à celles déjà regardées peut réduire notre exposition à d’autres sujets et renforcer certaines habitudes. Notre expérience montre une forte concentration thématique sur un petit échantillon. Elle ne prouve pas l’existence d’une « bulle de filtres », et il serait excessif d’affirmer que TikTok ne propose jamais de contenus variés, puisque la plateforme décrit elle-même des efforts de diversification (TikTok, 2020). Mais elle montre à quelle vitesse un fil peut se resserrer autour d’un thème.

Le troisième est le bien-être numérique. Passer plus de temps dans une application ne dit rien, à lui seul, de la qualité de ce temps. Optimiser le temps passé sur une plateforme n’est pas la même chose qu’optimiser la qualité de l’expérience. La personnalisation n’est donc ni bonne ni mauvaise en soi : tout dépend de l’objectif qu’on lui donne.

7. La réussite doit se mesurer au-delà de l’attention

La personnalisation est utile. Mais la performance d’une plateforme ne devrait pas être évaluée uniquement à sa capacité de retenir l’attention : ce qui est facile à compter n’est pas toujours ce qui compte.

Nous ne pensons pas que la personnalisation soit un problème en soi. Elle rend un service réel, et les indicateurs comportementaux sont indispensables à l’analyse web : sans eux, impossible de comprendre ce que font les utilisateurs. Notre critique porte sur autre chose : ce que l’on choisit d’optimiser.

Une plateforme qui juge sa réussite principalement à sa capacité de prolonger les sessions finit par optimiser un indicateur intermédiaire comme s’il était le but. Or le temps passé est un moyen de mesurer l’attention, pas une preuve de valeur pour l’utilisateur. Un gain d’engagement peut servir un objectif commercial tout en dégradant la satisfaction, la diversité des contenus ou le bien-être. Les deux ne vont pas automatiquement ensemble, et c’est précisément ce que nos tableaux de bord habituels ne voient pas.

Une évaluation complète est nécessaire. Des chercheurs ont d’ailleurs montré que les signaux d’engagement peuvent s’écarter de ce que les utilisateurs valorisent réellement, et proposé de définir et de mesurer explicitement cette « valeur » plutôt que de s’en remettre à l’engagement seul (Milli et al., 2021). Les KPI traditionnels, comme le temps de visionnement, le taux de complétion, l’engagement, la rétention et le CTR, devraient ainsi être accompagnés de mesures qui s’approchent de l’expérience vécue :

  • la satisfaction déclarée, recueillie directement auprès des utilisateurs plutôt que déduite de leur comportement
  • la diversité des recommandations, par exemple la part de thèmes nouveaux dans un fil
  • le contrôle laissé à l’utilisateur, c’est-à-dire sa capacité à comprendre et à réorienter ses recommandations

Il ne s’agit pas de rejeter les métriques existantes, mais d’éviter de confondre ce qui est facile à compter avec ce qui compte réellement. Une plateforme peut être très performante commercialement sans offrir la meilleure expérience possible.

Le cas TikTok rappelle ainsi une responsabilité qui revient directement aux analystes : choisir les bons indicateurs, les interpréter avec prudence et dire clairement ce que les données ne montrent pas. Notre expérience ne dévoile pas l’algorithme. Elle rend tangible une tension : la plateforme peut très bien savoir ce qui retient notre attention sans savoir si cela améliore notre expérience. Mesurer, prédire, monétiser, optimiser : la question est de savoir ce que l’on optimise, et pour qui.

Références

Kleinberg, J., Mullainathan, S. et Raghavan, M. (2022). The challenge of understanding what users want: Inconsistent preferences and engagement optimization [prépublication]. arXiv. https://arxiv.org/abs/2202.11776

Milli, S., Belli, L. et Hardt, M. (2021). From optimizing engagement to measuring value. Dans Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21). ACM. https://doi.org/10.1145/3442188.3445933

Simon, H. A. (1971). Designing organizations for an information-rich world. Dans M. Greenberger (dir.), Computers, communications, and the public interest. The Johns Hopkins Press.

TikTok. (2020, 18 juin). How TikTok recommends videos #ForYou. TikTok Newsroom. https://newsroom.tiktok.com/how-tiktok-recommends-videos-for-you?lang=en

TikTok for Business. (s.d.). About basic metrics and definitions in TikTok Ads Manager. Centre d’aide TikTok Ads Manager. https://ads.tiktok.com/help/article/basic-data

Partager cet article
Par saadaoui

Laisser le premier commentaire