yeah... Netflix only wants you to watch THEIR movies

L'auteur du contenu exprime sa frustration face aux recommandations de films sur les plateformes de streaming telles que Netflix et HBO. Malgré un accès à une bibliothèque quasi illimitée, il a l'impression que les mêmes contenus sont constamment mis en avant, et que les systèmes de recommandation basés sur l'IA ne parviennent pas à cerner précisément les goûts des utilisateurs. Il souligne la difficulté de choisir un film et le temps perdu à parcourir des bandes-annonces. Face à ce constat, il a décidé de créer son propre système de recommandation, gratuit pour tous. Pour comprendre l'inefficacité des recommandations actuelles, l'auteur analyse le fonctionnement interne de ces plateformes. En prenant l'exemple de son écran d'accueil Netflix, il constate que la sélection de films est limitée par rapport à l'ensemble du catalogue. Bien que Netflix demande initialement aux utilisateurs de choisir quelques titres aimés pour catégoriser leurs goûts (films d'action, d'époque, etc.), il s'avère que la plateforme ne cherche pas vraiment à connaître les préférences individuelles. Une expérience menée avec ses collègues a révélé une forte répétition des mêmes titres sur leurs écrans d'accueil respectifs, indépendamment de l'âge, du sexe ou des goûts personnels, suggérant que Netflix a un intérêt particulier à promouvoir certains films. Netflix affirme baser ses recommandations sur l'historique de visionnage, les titres notés, les goûts similaires d'autres membres, ainsi que des informations sur le titre (genre, acteurs, année). Des facteurs comme l'heure de visionnage, les langues préférées, l'appareil utilisé et la durée de visionnage sont également pris en compte. Cependant, l'auteur observe des pratiques plus ambiguës, comme la modification dynamique des miniatures de films en fonction de l'historique de visionnage pour inciter au clic. Les ingénieurs de Netflix ont d'ailleurs admis que le système de recommandation intègre les objectifs commerciaux de l'entreprise, favorisant les nouvelles sorties et les productions originales. En 2025, Netflix a dépensé plus d'un milliard de dollars en licences de films et moins de 0,5 milliard en productions originales, mais ces dernières peuvent être promues gratuitement sur la page d'accueil. L'auteur se lance alors dans la création de son propre algorithme de recommandation. La première étape fut de ne pas se limiter aux services de streaming, mais d'inclure tous les films listés sur des agrégateurs publics. Son idée initiale était de construire un système basé sur les notes des utilisateurs, la "sagesse du public". Il examine les plateformes de notation existantes : Letterboxd, IMDb et Rotten Tomatoes. Il constate que les systèmes de notation sont variés et parfois complexes. IMDb utilise une échelle de 1 à 10, mais n'autorise que des nombres entiers pour les notes individuelles, bien que la moyenne puisse être décimale. L'auteur critique cette échelle, la trouvant trop large pour exprimer simplement l'appréciation d'un film, considérant que tout en dessous de 6 est "mauvais". Letterboxd, une plateforme sociale en croissance, utilise un système à cinq étoiles, avec des demi-étoiles, ce qui équivaut à une échelle de 10 points. L'auteur trouve cette échelle plus pertinente pour distinguer les nuances de son appréciation. Il note que la perception des étoiles varie selon les cultures (par exemple, au Japon, trois étoiles sur Google Maps est excellent, alors qu'en Amérique, c'est un signe d'alerte). Rotten Tomatoes propose deux scores : le Tomatometer (critiques professionnelles) et le Popcorn Meter (notes des utilisateurs). Le Popcorn Meter fonctionne avec des étoiles (0,5 à 5), mais ces notes sont agrégées et converties en un pourcentage d'approbation binaire ("frais" ou "pourri"). Un film est considéré "frais" si 60% ou plus des utilisateurs lui donnent au moins 3,5 étoiles. L'auteur conclut que si les échelles de notation sont similaires, l'expérience utilisateur et l'affichage des résultats diffèrent, influençant la perception des notes. Pour son outil, l'auteur a créé une base de données de 11 000 films, incluant les genres, les catégories, et surtout les notes IMDb, Rotten Tomatoes et Metacritic. Cette base a été construite à partir de The Movie Database (TMDB), une base de données collaborative et gratuite, plutôt que l'API payante d'IMDb. L'automatisation de la collecte de données a été facilitée par Hark Pro, un assistant IA qui gère diverses tâches. La première version de l'outil, basée sur la moyenne des notes utilisateurs (sans Rotten Tomatoes, jugé trop complexe pour les notes utilisateurs), regroupe les films par catégories et suggère le meilleur film possible. L'auteur trouve ces recommandations moins biaisées que celles de Netflix, avec peu de films originaux Netflix. Cependant, il identifie un problème : de nombreuses recommandations sont des films qu'il a déjà vus ou qu'il ne souhaite pas voir. Cela soulève la question de la représentativité des notes d'audience. L'auteur remet en question l'impartialité des notes d'utilisateurs. Il explique que les personnes qui notent les films ne sont pas une moyenne démographique, mais un groupe auto-sélectionné, souvent avec des opinions bien arrêtées ou un intérêt profond pour les films. De plus, les notes sont influencées par les attentes (marketing, succès commercial), les notes existantes (effet d'ancrage), et même le genre du spectateur (une étude IMDb a montré que 80% des notes proviennent d'hommes). Cette situation peut mener à des phénomènes comme le "review bombing", où des groupes coordonnent des attaques de critiques pour déclasser un film pour des raisons non liées à sa qualité (ex: *La Petite Sirène* en prises de vues réelles, *Blanche-Neige*). Face aux limites des notes d'utilisateurs, l'auteur explore une approche basée sur le contenu lui-même. Il s'inspire d'un jeu familial, "Movie Chain", où l'on choisit un dénominateur commun (acteur, réalisateur, scénariste) pour relier le dernier film vu au suivant. Il tente de transformer ce concept en un outil de recommandation. L'idée est de saisir un film de référence, et l'outil propose des films liés par des éléments communs (auteur, genre, durée, acteurs). Cependant, cette approche présente des problèmes. D'une part, elle mène à une sur-similarité, l'utilisateur se retrouvant à regarder des films très proches, ce qui limite la découverte. L'auteur reconnaît ici le mérite de Netflix pour son côté aléatoire. D'autre part, elle ne garantit pas la qualité du film. Des films avec le même réalisateur et les mêmes acteurs peuvent être de qualité très différente (ex: *American Bluff* vs *Amsterdam*, *Sweeney Todd* vs *Dark Shadows*). Intégrer les notes d'utilisateurs pour contrer ce problème ramènerait aux biais précédemment identifiés. L'auteur envisage alors les récompenses cinématographiques comme prédicteurs de qualité, mais se souvient de leurs propres problèmes : controverses, perte de pertinence culturelle, baisse d'audience. Il conclut que les prix sont moins liés à la qualité qu'à des tentatives de relancer l'industrie. Finalement, l'auteur a une nouvelle idée : utiliser les notes des critiques professionnels. Il reconnaît que les critiques sont souvent perçus comme des "snobs" avec des opinions arrêtées. Cependant, il se demande si leur expertise pourrait offrir une meilleure approche. L'expérience consiste à identifier un groupe de critiques respectés, puis à trouver des films très polarisants (aimés par certains critiques, détestés par d'autres). L'utilisateur noterait ces films polarisants selon ses propres goûts, et l'outil identifierait les critiques dont les préférences correspondent le mieux aux siennes. L'hypothèse est que la meilleure recommandation n'est pas un algorithme complexe, mais la découverte de critiques humains partageant des goûts similaires. Il a découvert que les notes attribuées par les publications (ex: "trois étoiles dans The Guardian") ne représentent pas toujours l'avis de la publication, mais celui d'un critique spécifique au sein de cette publication. Il a réduit une liste de 20 critiques de cinéma qui notent les films numériquement. Il a identifié neuf films très polarisants sur lesquels ces critiques ne s'accordaient pas (*Bo a peur*, *Blonde*, *Ne regarde pas en l'air*, *La Fontaine*, *La Maison que Jack a construite*, *La Mère de Megapolis*, *Le Démon Néon*, *Seul Dieu pardonne*). L'idée est que si un utilisateur note ces films, il pourra être "apparié" avec un critique dont les goûts sont similaires. L'auteur a testé cette approche, même en regardant des films qu'il n'avait pas vus. Il a été "époustouflé", trouvant l'expérience de découvrir des critiques de confiance très utile. Il conclut que même si les critiques ne sont pas toujours d'accord, lire leurs analyses est plus enrichissant qu'une simple note numérique, car cela expose à des points de vue différents. En conclusion, l'auteur estime que le problème des recommandations de streaming n'est pas qu'elles sont mauvaises, mais qu'il est difficile de déterminer ses propres goûts. Les plateformes tentent un équilibre entre le familier et la surprise. Le consensus sur la qualité objective d'un film n'existe pas ; les grands films sont faits pour le débat et la réflexion. L'outil créé est mis à disposition gratuitement via un QR code ou un lien.