Nous sommes notre propre étude de cas

Toute plateforme finit par être confrontée à un test : votre méthode fonctionne-t-elle sur vous-même ?

Nous y avons été confrontés cette semaine. Wellness & AI publie désormais quotidiennement des études de cas, des articles de blog, des ressources, des scripts de prompts et des packs prêts à l'emploi dans une douzaine de domaines de la santé et pour deux types d'audience. La bibliothèque de contenu est devenue trop grande pour la grille de catégories. Les visiteurs passaient à côté de contenus conçus pour eux : les praticiens ignoraient les ressources individuelles, et les particuliers ne voyaient jamais les packs pour praticiens qui résolvaient le même problème sous un angle différent.

La solution évidente était d'installer un widget de recommandation. La démarche honnête était d'en construire un nous-mêmes, en utilisant la même méthodologie 3-Layer que nous vendons.

La couche recherche : cartographier l'espace des signaux

Chaque contenu de ce site possède déjà des métadonnées taxonomiques : domaine (sommeil, métabolisme, hormones…), audience (particulier ou praticien), et couche (recherche, registre, protocole). Cette taxonomie constitue l'espace des signaux. Un visiteur qui lit deux études de cas sur le sommeil et un article de blog sur un protocole nous a dit précisément ce qui l'intéresse, sans formulaire ni connexion.

Nous avons répertorié chaque type de contenu (études de cas, articles de blog, ressources, packs prêts à l'emploi) dans cette taxonomie partagée. Pas de nouveau système de tags. Pas de schéma propriétaire. La structure que nous avions déjà était suffisante.

La couche registre : enregistrer ce qui compte

Nous avons créé une table de signaux légère. Chaque page vue écrit une ligne : ID de session, type de contenu, slug, domaine, audience, couche et un poids. Les vues obtiennent un score de 1. Les achats, un score de 5. Les rejets (le bouton X sur chaque carte de suggestion) un score de -3.

Pour les visiteurs anonymes, l'ID de session est suffisant. Pour les utilisateurs connectés, le profil persiste d'une session à l'autre et s'enrichit avec le temps. Lorsqu'un visiteur anonyme s'inscrit par la suite, les profils fusionnent. Aucune donnée n'est perdue.

La couche protocole : noter et servir

L'algorithme de notation construit un profil d'affinité pour chaque session : à quel point ce visiteur penche-t-il pour le sommeil par rapport au métabolisme, pour le particulier par rapport au praticien, pour la recherche par rapport au protocole ? Il classe ensuite chaque carte de contenu éligible par rapport à ce profil, exclut tout ce qui a déjà été rejeté et limite la diversité des types (pas plus de deux études de cas ou deux ressources dans une même bande) afin que les suggestions ne semblent jamais répétitives.

Le résultat est une section « Suggéré pour vous » qui apparaît sur toutes les pages principales : page d'accueil, études de cas, blog, ressources, contenus prêts à l'emploi. Elle se met à jour à chaque interaction. Elle apprend de chaque rejet.

Pourquoi nous avons publié le guide

Parce que la meilleure preuve est celle que votre visiteur peut examiner. Si nous apprenons aux praticiens à construire des flux de travail augmentés par l'IA, puis que nous sous-traitons notre propre personnalisation à un fournisseur opaque, nous avons un problème de crédibilité. Si nous le construisons nous-mêmes, documentons l'architecture et publions le guide comme une ressource premium, le problème est résolu.

Le AI Recommendation Engine Playbook est disponible dans la bibliothèque de ressources. Il inclut la taxonomie des signaux, le schéma de la base de données, l'algorithme de notation, la boucle d'apprentissage par le rejet et le pipeline d'analyse quotidien. Tout ce que nous utilisons, exactement comme nous l'utilisons.

Côté administration

Chaque matin à 6h UTC, une tâche cron agrège les impressions, les clics et les rejets de la veille dans un tableau de tendances et envoie un e-mail à l'équipe d'administration. Le panneau d'administration affiche des cartes de chaleur sur l'affinité par domaine, les contenus les plus rejetés et les taux de clics. Si un contenu est constamment rejeté, c'est un signal pour le retirer ou le retravailler, et non pour insister davantage.

Où se situe la limite

Ce n'est pas de la surveillance. Nous n'utilisons pas d'empreinte digitale de navigateur (fingerprinting). Nous ne vendons pas de données. Nous ne créons pas de profils fantômes. La table des signaux enregistre les interactions avec le contenu (ce qu'une personne a lu, ce qu'elle a rejeté) limitées à une session ou à un compte authentifié. C'est tout. L'architecture est ouverte parce que la méthode est honnête.

Appliquez vos propres conseils. Publiez la recette. Laissez le visiteur décider si le plat en vaut la peine.