TL;DR
Les chiffres qui décident de ce qui est publié ne sont pas comparables en l’état : certains se comptent en milliers, d’autres en unités, d’autres encore en pourcentages. Voici la méthode mise en place pour en tirer une liste unique, classée et exploitable : d’abord, une échelle logarithmique rend les ordres de grandeur comparables ; ensuite, le gain anticipé est calculé, ce qu’une mise à jour va rapporter, à partir d’une matrice de taux de clic par position ; la même logique s’applique à la conversion dans un autre article. La décision finale reste humaine.
La décision qui programme la journée
Sur une opération média de la taille de Melty, la question de ce qu’il faut publier et mettre à jour, et dans quel ordre, n’est pas un détail de planning. C’est le cœur du métier. Le site tournait sur environ 6 000 dossiers, terme maison pour une ligne éditoriale consacrée à une célébrité ou à une marque, regroupés en une dizaine de thématiques, avec plus de 50 nouveaux contenus produits chaque jour.
C’est la question que traite cet article : comment une décision répétable se prend à grande échelle, tout l’enjeu des systèmes évolutifs. La réponse évidente était exclue : les outils d’aide à la décision précédents avaient été perdus lors d’une migration profonde du site, et l’ordre de traitement ne peut pas être rendu à des personnes qui décident au ressenti ; cela ne tient pas quand le volume augmente au-delà de quelques milliers de pages, et le résultat varie d’une semaine à l’autre. Il ne restait rien sur quoi repartir.
Sous tout cela, un obstacle mécanique. Les indicateurs clés de performance (KPI) reposent sur des échelles non comparables : des milliers, des unités, des pourcentages. Tant que ce point n’est pas résolu, impossible de les additionner ni de dire qu’une page en bat une autre.
Décider du gain anticipé
Le choix a été fait de construire un algorithme de score agrégé, et il repose sur deux partis pris. D’abord, résoudre le problème d’échelle par les logarithmes. Ensuite, et c’est le point que la plupart des équipes manquent, noter le gain attendu d’une action, pas la performance affichée aujourd’hui. Le début de cette histoire est raconté dans Qui suis-je ?.
Le problème d’échelle est venu en premier. Les premières tentatives rapprochaient les KPI à coups de multiplicateurs, pondérés par l’expérience, et cela ne fonctionnait pas vraiment : les ordres de grandeur bruts continuaient de se battre contre les pondérations. L’idée décisive est venue d’une remarque en passant d’un directeur R&D d’une société d’outils de recherche : placer les valeurs sur une échelle logarithmique rendait des ordres de grandeur différents faciles à comparer. Testée, l’idée a tout fait tenir ensemble : chaque KPI sur une échelle log, les plus importants pondérés, le tout composé en une seule valeur.
Le second parti pris comptait davantage. La vraie question du client était le pourcentage de clics gagné en mettant à jour cet article plutôt qu’un autre. Le reporting dit ce qui s’est déjà passé ; le gain anticipé dit où investir l’effort de production ensuite.
Des chiffres incomparables à une liste classée
La méthode, dans l’ordre où elle a été construite.
La couche des ordres de grandeur. Chaque KPI passe sur une échelle logarithmique, de sorte que les milliers, les unités et les pourcentages se retrouvent sur une bande comparable. Les plus importants sont pondérés et composés en un score unique par page ou par dossier ; les pondérations sont ajustées par l’expérience, pas des nombres figés, un point abordé plus bas.
La couche d’anticipation du gain. Une matrice de taux de clic par thématique a été construite à partir des données de Google Search Console, car le taux de clic (CTR) dépend de la position et de la thématique. S’y applique une règle de progression, écrite et appliquée : un article optimisé gagne de l’ordre de cinq places depuis la page 2, trois dans les 10 principaux, et une lorsqu’il est déjà proche du sommet, car plus la position est haute, plus il est difficile de grimper.
Appliquez le taux de clic de la position visée au volume d’impressions hebdomadaire connu et vous obtenez un gain de clics anticipé par candidat. Classez par ce gain, et la décision devient une liste que l’équipe peut dérouler. Pour Melty, dont le seul objectif était l’audience, cela répondait à la question de la mise à jour qui rapporte le plus de clics.
Le report vers la conversion. La même logique de gain s’applique à cet autre objectif ; ce composite à deux faces fait l’objet d’un article à part.
Les points de friction
Rien de tout cela ne s’est fait sans heurts ; les points de friction ont été concrets.
- La voie des multiplicateurs a échoué longtemps avant le pivot vers le logarithme ; c’était l’impasse honnête qui a donné sa valeur à la solution.
- Le tableur est devenu ingérable, des dizaines de colonnes, beaucoup servant uniquement à alimenter les calculs, quelques-unes au KPI final destiné au décideur. Des colonnes composites et des vues masquées ont réduit le bruit.
- Les données dynamiques à fenêtre courte servaient davantage le reporting que le scoring, alors elles ont été laissées à ce rôle.
- Les pondérations sont ajustées par l’expérience : c’est une limite de la méthode, pas une vertu. Elle est assumée.
La maintenance, le vrai coût
- L’outil en version bêta. Des exports statiques dans un Google Sheet, plus des données live tirées par des appels API que le CEO avait construits lui-même. Ingénieur de formation, il avait choisi de ne pas mobiliser ses équipes de développement. Chez CréActifs, un tableur statique, rafraîchi manuellement une fois par mois, a suffi au début.
Le vrai prix a été la maintenance. L’automatisation n’a valu le coup que lorsque la tenue manuelle de l’outil a cessé de tenir quand le volume augmentait : trois sites, puis cinq, puis dix. La règle est simple : automatisez quand le faire à la main coûte plus que l’investissement, projeté sur les mois qu’il fait gagner. C’est là que l’automatisation du back-office, devenue Edito Pilot, a justifié son coût.
L’arc plus large, la vente, la réutilisation chez d’autres clients, le produit qui a survécu aux missions, appartient à l’algorithme de priorité éditoriale ; il n’est pas raconté ici. Cet article porte sur la méthode.
La part de l’humain
L’outil servait d’aide à la décision, avec un humain pour trancher. Chez Melty, le rédacteur en chef gardait la décision finale ; chez un client piloté par les leads, c’était le responsable marketing. Le score ne voit ni la capacité de production, ni la tension entre objectifs, ni la différence entre les gains faciles et les paris longs. L’humain arbitre, et c’est ce qui garde le système honnête plutôt qu’inquiétant.
Trois limites méritent d’être nommées clairement.
- Le système ne note pas toutes les décisions : il n’existe pas de seuil numérique au-delà duquel la thématique d’un ancien article s’est assez éloignée pour qu’il faille cesser de le réactiver et écrire un nouvel article. Cette décision relève d’un jugement humain explicite, guidé par une règle de ratio de production, pas d’un chiffre dans les données.
- Les pondérations sont ajustées par l’expérience, pas des nombres figés : chaque score porte donc les a priori de son concepteur, les miens.
- Le gain anticipé ne porte que sur les données détenues : les signaux d’intention de marque, de nouveau marché ou hors KPI lui sont invisibles.
Cette honnêteté est le point clé : une liste dont vous ne pouvez pas situer les limites est une boîte noire mieux habillée. La méthode a fonctionné, elle a répondu à une vraie question opérationnelle à grande échelle, et elle a tenu, parce qu’elle est restée une aide à la décision avec un humain au bout.
Vos priorités éditoriales se décident encore au ressenti, ou dans un outil que personne ne sait expliquer ? Parlons-en.