Monetizing User Generated Content
on a website
Diane Bouchacourt
Florent Renucci
Sommaire
n 

I – Contexte
n 
n 

n 

II – Prétraitement des données
n 
n 

n 

I.1 – Structure d’un site de e-busin...
I.1 - Structure d’un site de e-business

UGC : User Generated Content (blog, forum, photos…)
PGC : Professional Generated ...
I.2 – Le portail
Créé en 1999, 44 millions de visiteurs uniques en 2011 dans le
monde.
Vend de l’espace publicitaire en li...
II.1 – Prétraitement des données
Features :
•  nombre de visiteurs et de visites sur les pages éditoriales,
blog, album, f...
II.2 – Correction et complétion des données

Algorithme :
•  on découpe les fichiers initiaux en "plus gros morceaux"
•  p...
III.1 – Modèles VAR et SVAR
Critères BIC ou Akaike ? à lag = 1.
SVAR :
10 paramètres
VAR :
9 paramètres donc hypothèses s...
III.2 – Impulse Response Functions
Choix de l’ordre des variables :
•  Calcul de la matrice de covariance des chocs
•  Nor...
III.2 – Impulse Response Functions
III.3 – Interprétations

$

$
UGC

PGC

Album

Blog

Forum

Posts

Posts

Contenu éditorial

Posts
Editoviews

views, visi...
IV – Prochaines étapes

Ordre des variables :
Ø  Améliorer la précision :
è  Généraliser la méthode ICI.
Ø  Sélectionne...
Prochain SlideShare
Chargement dans…5
×

Leveraging Community Engagement for Brand Engagement, 2012, presentation

551 vues

Publié le

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.

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
551
Sur SlideShare
0
Issues des intégrations
0
Intégrations
67
Actions
Partages
0
Téléchargements
4
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Leveraging Community Engagement for Brand Engagement, 2012, presentation

  1. 1. Monetizing User Generated Content on a website Diane Bouchacourt Florent Renucci
  2. 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. 3. I.1 - Structure d’un site de e-business UGC : User Generated Content (blog, forum, photos…) PGC : Professional Generated Content (articles)
  4. 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. 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. 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. 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. 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. 9. III.2 – Impulse Response Functions
  10. 10. III.3 – Interprétations $ $ UGC PGC Album Blog Forum Posts Posts Contenu éditorial Posts Editoviews views, visitors views, visitors views, visitors
  11. 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.

×