L’évolution vers le web 2.0 pousse les e-commerçants à repenser leur business model : d’un contenu purement informationnel, on passe à une information échangée de manière bilatérale, le prospect devient aussi acteur. Ceci pose la question de l’arbitrage entre les 2 types de contenus d’un site de e-commerce : - le contenu généré par les utilisateurs ou User Generated Content (UGC), - et le contenu éditorial ou Professional Generated Content (PGC). L’un amène du trafic mais vend peu, l’autre vend beaucoup mais amène peu de trafic. Or le revenu total est le produit du nombre de visiteurs par le panier moyen. La modélisation des flux entre ces 2 types de contenus permet de mieux comprendre leur dynamique, en gardant pour objectif de maximiser au final la fonction profit. C’est le sujet du séminaire que nous effectuons depuis Octobre 2012 au sein d’une équipe de l’INSEAD composée du Prof. Theodoros Evgeniou et de deux étudiants en thèse, Inyoung Chae et Kaifu Zhang. Ici les "ventes" sont en fait l’affichage d’une publicité que le site fac- ture à ses sociétés clientes. L’acquisition d’un client est son inscription sur le site. La majorité du trafic sur le site se situe sur les sections UGC, alors que la publicité en ligne est facturée principalement sur les sections PGC. C’est donc un excellent exemple à étudier pour résoudre la problématique présentée.

1. Monetizing User Generated Content
on a website
Diane Bouchacourt
Florent Renucci

2. Sommaire
n
I – Contexte
n
n
n
II – Prétraitement des données
n
n
n
I.1 – Structure d’un site de e-business
I.2 – Le portail
II.1 – Premier traitement
II.2 – Correction et complétion des données
III – Séries temporelles
n
III.1 – Modèles VAR et SVAR
n
III.2 – Impulse Response Functions
III.3 – Interprétations
n
n
IV – Prochaines étapes
26/11/13

3. I.1 - Structure d’un site de e-business
UGC : User Generated Content (blog, forum, photos…)
PGC : Professional Generated Content (articles)

4. I.2 – Le portail
Créé en 1999, 44 millions de visiteurs uniques en 2011 dans le
monde.
Vend de l’espace publicitaire en ligne.
• Plus cher sur les pages PGC
• Plus de trafic sur les pages UGC
à Comment augmenter le trafic vers les sections PGC ?
à Comment les pages UGC affectent l’acquisition et la
rétention de nouveaux clients ?

5. II.1 – Prétraitement des données
Features :
• nombre de visiteurs et de visites sur les pages éditoriales,
blog, album, forum;
• nombre de création de fil ou de réponse à un fil dans un
forum;
• nombre de posts sur les pages blog;
• nombre de posts de photos sur les pages album.
= 12 variables observées sur 73 jours.
Algorithme :
- Couper les données;
- Traiter chaque fichier découpé;
- Recoller les résultats en sommant les variables agrégées.

6. II.2 – Correction et complétion des données
Algorithme :
• on découpe les fichiers initiaux en "plus gros morceaux"
• pour chaque jour k
§ on extrait les données relatives au jour k
§ on parcourt les fichiers de complétion, on conserve les
nouvelles observations
§ on sauvegarde les données relatives au jour k,
complètes
• pour chaque jour k on compte le nombre d’observations
pour toutes les variables agrégées
• on somme sur tous les jours.

7. III.1 – Modèles VAR et SVAR
Critères BIC ou Akaike ? à lag = 1.
SVAR :
10 paramètres
VAR :
9 paramètres donc hypothèses sur le SVAR
VMA :
Résidus corrélés = Cholesky Decomposition pour l’étude des IRF.
Quel ordre pour la décomposition ?

8. III.2 – Impulse Response Functions
Choix de l’ordre des variables :
• Calcul de la matrice de covariance des chocs
• Normalisation de chaque ligne
• Détection des variables les plus influentes

9. III.2 – Impulse Response Functions

10. III.3 – Interprétations
$
$
UGC
PGC
Album
Blog
Forum
Posts
Posts
Contenu éditorial
Posts
Editoviews
views, visitors
views, visitors
views, visitors

11. IV – Prochaines étapes
Ordre des variables :
Ø Améliorer la précision :
è Généraliser la méthode ICI.
Ø Sélectionner les ordres justes :
è Représentation sous forme de modèle graphique.
è Etude des relations entre variables 2 par 2.