Julien Rosanvallon (Médiamétrie) : “L’un des enjeux clés de la mesure d’audience hybride porte sur la qualité et la certification des données utilisées”

Comme d’autres organisations, Médiamétrie s’oriente de façon importante vers les mesures d’audience hybrides, qui associent panel et données. Que change l’intégration de la data dans les modèles historiques de la mesure ?

Traditionnellement, pour faire une mesure d’audience, nous avions trois grands piliers : les technologies, donc le boîtier sur la télévision et l’appareil portable pour la mesure de la radio ou de la télévision ; les échantillons ou panels, pour la représentativité ; et enfin des “règles du jeu” et indicateurs, donc une définition des périmètres par des conventions – ce que nous avons fait récemment pour les nouvelles mesures. L’arrivée de la data a profondément bouleversé ce triptyque. Dans un contexte de fragmentation exponentielle des usages, la data apporte une finesse nécessaire pour comprendre leur dispersion. Elle a révolutionné les pratiques publicitaires et marketing. Avec les adservers et les données de voie de retour, nous avons la capacité de cibler des individus, de suivre des campagnes et de mesurer l’effet de ces publicités, ce qui a d’ailleurs été un socle important du succès d’internet comme support publicitaire.

Faut-il considérer que la data est un outil parfait et suffisant à lui seul pour une mesure moderne ?

Non, en tout cas pas prise isolément, et il faut en avoir un regard critique, notamment vis-à-vis des panels, car malgré ses mérites, la data est aussi porteuse de mythes. Le premier est le mythe de son infaillibilité. En réalité, les données peuvent souffrir de problèmes de collecte ou ne pas être exhaustives. Le deuxième point, c’est que la data elle-même est de plus en plus fragmentée. Si nous voulons une donnée exhaustive sur les usages télévisuels des Français, il n’existe pas un seul fournisseur qui dispose de toutes ces informations. Le dernier mythe, c’est celui qui est apparu avec l’arrivée de la data dans la mesure, et qui a fait dire à certains que “les panels vont disparaître, puisque nous avons accès à l’exhaustivité via les données”. C’est une vision qui me semble biaisée et idéalisée, surtout lorsqu’on compare les données à la représentativité des panels. Notre panel Médiamat compte par exemple un peu plus de 11 000 individus. Le futur de la mesure est donc hybride : il réside dans la combinaison de plusieurs sources de données – échantillons et big data – pour créer une nouvelle source aux caractéristiques plus fines.

Quels sont les apports respectifs des données et des panels dans ces nouvelles mesures ?

Les échantillons et les panels jouent toujours un rôle central pour plusieurs raisons. La première, c’est que les mesures s’attachent à mesurer l’audience d’individus. Cette dimension individuelle est l’ADN premier des panels. Si les data apportent une richesse infinie dans un silo (une plateforme connaît très bien la consommation de ses contenus), le marché cherche avant tout à comprendre la duplication entre ces différents univers. L’annonceur veut savoir si les individus qui ont vu sa campagne sur la plateforme A l’ont aussi vue sur la plateforme B. C’est absolument central pour mesurer deux grandeurs vitales du marketing et des modèles publicitaires : la couverture (combien de personnes ont vu la campagne ?) et la répétition (combien de fois elles l’ont vue). Le panel, grâce à sa capacité à lier les usages individuels sur différents supports, est donc la seule source neutre et indépendante capable de fournir une vision globale. C’est d’ailleurs pour cela que la WFA, dans son manifeste pour la mesure cross-média, évoque que les panels sont une “source de vérité”, un terme fort, mais très juste.

Quels sont les bénéfices pour le marché liés à l’hybridation entre panel et données ?

Ces bénéfices sont assez simples à comprendre. D’abord pour la granularité et la finesse des mesures : dans un contexte où les catalogues de contenus se comptent en milliers, voire en dizaines de milliers de titres, les panels représentent l’audience des principaux titres, mais peinent à couvrir la profondeur des catalogues. Les mesures hybrides apportent ici un bénéfice majeur. Ensuite, pour l’extension du champ de la mesure. Dans notre nouvelle mesure Watch, par exemple, les données des plateformes (Netflix, Disney, Amazon, YouTube) que nous produisons couvrent la consommation via le wifi à domicile sur tous les écrans. Via l’hybridation, notre objectif est d’élargir ce champ à tous les lieux et tous les écrans. Avec ma co-auteure, Aurélie Vanheuverzwyn, directrice exécutive des équipes scientifiques de Médiamétrie, nous publions d’ailleurs en ce moment un livre blanc, “Hybride & IA” (il sera mis en ligne le 5 novembre, ndlr), pour faire la synthèse de nombreux travaux menés sur le sujet par l’institut depuis plusieurs années, dans une approche très large et internationale, et en interrogeant des experts et des personnalités des médias et du digital, comme Valérie Morissette (CESP), Jean-Luc Chetrit (UDM), des dirigeants de Kantar Media, Ipsos, Nielsen, Barb, Numeris (le mesureur canadien, ndlr) ou encore du CIM (le mesureur belge, ndlr). Tous s’accordent sur l’intérêt de la mesure hybride pour identifier des usages désormais multiples et polyvalents.

L’usage des données fait-il baisser le coût de fabrication de la mesure ?

Non. L’hybridation ne fait pas baisser le coût de la mesure d’audience, car nous avons toujours besoin de panels importants. En revanche, elle permet d’optimiser les coûts via de meilleurs résultats, qui sont plus précis, ce qui, me semble-t-il, est un troisième bénéfice. Pour obtenir une granularité équivalente avec les méthodes traditionnelles, il faudrait démultiplier la taille des échantillons, ce qui engendrerait un coût très important. L’hybridation répond à cela.

Médiamétrie a procédé le 28 octobre au lancement de la mesure cross-média “Watch”, qui associe, elle, panel et watermarking. Comment conserver des résultats comparables avec une telle variété d’acteurs et de supports mesurés ?

Lorsque l’on passe d’une mesure à une autre, impliquant un tel changement méthodologique, cela peut évidemment induire des variations d’audience, comme on a pu le constater aux États-Unis, où Nielsen injecte des big data pour sa nouvelle mesure TV + big data. Les grands fondamentaux restent stables, mais il faut être transparent sur ces écarts. Concernant la nouvelle mesure Watch, l’enjeu de la comparabilité est différent. Le sujet n’est pas tant scientifique, que conventionnel : il s’agit de la définition d’une nomenclature et d’un accord sur celle-ci entre les acteurs du marché. Aujourd’hui, nous mesurons d’un côté des players et de l’autre des groupes vidéo (les broadcasters). Si l’on compare directement les deux, il y a duplication. Par exemple, l’audience du player Amazon Prime inclut une part d’audience de chaînes de télévision françaises diffusées via ce player (celles du groupe France Télévisions, ndlr). De même pour la plateforme de Canal+, qui agrège différents partenaires. La discussion porte donc sur la manière de définir la nomenclature pour pouvoir comparer ces deux univers sans biais. Il ne peut pas y avoir de réponse automatique et figée, c’est une convention de marché à trouver. C’est l’un des enjeux importants aujourd’hui, qui doit se décider au sein du comité cross-média. En espérant un accord pour début 2026.

Où en est la question de l’élargissement du comité cross-média ?

Sa première décision importante a été d’ouvrir il y a quelques jours les données au marché, ce qui signifie que les membres estiment la mesure prête pour un partage individuel par chacun des acteurs. La prochaine discussion concerne les modalités d’une communication collective sur la base d’une nomenclature convenue, ce dont je parlais. Quant à son élargissement, le comité s’est ouvert ces derniers mois à YouTube et Paramount. Des échanges se poursuivent avec d’autres acteurs et plateformes concernés par cette mesure, et avec ceux qui souhaitent intégrer le comité. Notre souhait est évidemment de pouvoir intégrer d’autres acteurs représentatifs.

Quels sont les enjeux et chantiers prioritaires de la mesure dans les années qui viennent ?

Il faut le dire : le panel restera central en raison de sa capacité à mesurer les individus et la duplication. L’un des enjeux clés de la mesure hybride porte sur la qualité et la certification des données utilisées en entrée. C’est un chantier prioritaire. Si nous voulons créer une nouvelle source de mesure qui apporte transparence et confiance, il faut que les sources de données que nous utilisons respectent un certain niveau de qualité et se conforment à des normes définies. Les mesures hybrides ne consistent pas à prendre les données d’un fournisseur telles quelles, mais à s’assurer qu’elles respectent strictement les conventions de marché définies. Pour les mesures publicitaires, par exemple, nous avons défini de nouveaux indicateurs et normes pour comparer la publicité broadcast (linéaire) avec celle des plateformes. Les données des adservers que nous récupérons doivent respecter cette définition à la lettre. Deux organismes clés sont concernés par cette logique de certification et d’audit : l’ACPM, qui intervient déjà sur notre mesure internet global, qui est une mesure hybride s’appuyant sur des données certifiées, et le CESP, qui audite les mesures de Médiamétrie et continuera évidemment d’auditer les nouvelles mesures hybrides.

Quel rôle joue l’IA dans la mise en place de ces nouvelles mesures ? Et dans l’évolution de ces mesures hybrides dans les années qui viennent ?

L’IA est en train d’accélérer ce mouvement général. D’une part, elle contribue à la fragmentation de l’écosystème, en facilitant la création de contenus, ce qui multiplie les heures de consommation. Elle est donc un accélérateur du constat que nous faisons et qui nécessite une hybridation des mesures. D’autre part, l’IA est aussi un outil pour accélérer le traitement et imaginer de nouvelles façons de concevoir ces systèmes hybrides. Deux grands concepts émergent actuellement : les “populations synthétiques”, popularisées par l’approche de la WFA, avec des modèles qui s’appuient sur les panels pour transformer le big data en des panels géants. On combine ainsi les qualités de la data et celles des panels. Ensuite, les “Large Tabular Models”, soit de nouveaux modèles de fusion de données qui permettent de rapprocher différentes bases. L’IA offre un ensemble de nouveaux outils très puissants, comme les modèles de populations synthétiques que j’ai évoqués, et sur lesquels nous travaillons déjà. Toutefois, il faut être très attentif à ne pas reproduire le mythe de la data : certains positionnent l’IA comme une “baguette magique” qui remplacerait tous les systèmes de mesure. C’est évidemment faux. 

Les LLM peuvent-ils être utilisés dans les nouvelles mesures d’audience ? 

Certains acteurs présentent des solutions qui permettraient, par exemple, de se passer des panels ou des questionnaires en créant des modèles basés sur l’IA, notamment des LLM, (Large Language Models, ndlr) pour interroger des consommateurs virtuels. Mais la question qui se pose est celle de la pertinence de cette information. Le rôle des sociétés d’études et de mesure n’est pas d’expliquer le passé, mais de comprendre comment le comportement du public est affecté par un environnement en perpétuel changement. Penser qu’un LLM peut modéliser et anticiper les réactions du public à une nouvelle émission, par exemple, est une erreur. L’IA est une boîte à outils fantastique pour accélérer la mise en œuvre de la mesure, mais ce n’est pas un système de mesure à elle seule. Elle nous permettra en revanche d’offrir de nouvelles générations d’outils. La restitution des études et l’accès aux résultats ne se feront peut-être plus via des interfaces intermédiaires, mais via des requêtes en langage naturel.