Exploiter les tendances de recherche pour répondre aux besoins utilisateurs
Nous allons cette fois nous épancher sur un billet un peu plus technique (et sans doute moins long !), ce qui signifie que l’on va laisser choir dans les ronces les théories éditoriales habituelles pour nous recentrer sur le pratique, la glaise, le cambouis – les larmes et la sueur en moins car l’on se fera un plaisir de tout vous expliquer de l’Alpha à l’Omega.
Aujourd’hui, donc, nous allons aborder la question du contenu prédictif.
Énoncé de la sorte, on s’attendrait presque à voir surgir devant nos mirettes ébaubies une tambouille digne de Minority Report – mais halte là, point de précogs ici, juste des données que l’on va retraiter avec intelligence.
La problématique est la suivante : comment, à partir d’un ensemble de tendances de recherche, déterminer les besoins utilisateurs à un instant T pour telle typologie de services ou de produits ?
En d’autres termes :
Comment anticiper les besoins utilisateurs pour rationaliser la cacophonie éditoriale ?
Au menu du jour : ce que l’on entend par « contenu prédictif » chez Astram, quels outils utiliser pour identifier les tendances de recherche, et quelle méthodologie employer pour mener à bien ce travail d’analyse de données, le tout en moins de 144 caractères.
C’est une boutade – quoique, ça pourrait se tenter.
Nous allons de ce pas, au risque de paraître affreusement barbants, nous pencher sur une définition du dictionnaire (de l’Internaute en réalité) afin d’être raccords sur tout ce qui va suivre :
Prédictif (adj. m.) : qualifie tout ce qui permet de prédire, c’est-à-dire d’annoncer ce qui doit arriver, de prophétiser, d’anticiper un événement, d’imaginer ce qu’il va se passer dans le futur.
Un contenu prédictif, c’est donc un contenu qui va anticiper les besoins de l’internaute pour y répondre avec adresse le moment venu, c’est-à-dire lorsque le besoin s’exprime.
Un exemple fort idiot : vous vendez des piscines. A priori, vous réalisez la majeure partie de votre chiffre d’affaires en été, car les gens ont chaud, et leur cerveau reptilien leur commande de barboter au plus vite dans une eau fraîche. Vous pourriez vous dire « ah oui ? Et vous avez des sources pour étayer cela ?« . Eh bien oui, tout à fait, un grand merci à Google Trends :
Comme vous pouvez le constater, les pics de recherche sur ce bon vieux Google apparaissent clairement au moment de la période estivale, voire un peu avant, lorsque les jours se font tendres et beaux. Si l’on adopte une approche un tant soit peu pragmatique doublée d’une appétence pour la sobriété éditoriale, nous pourrions nous dire :
« D’accord, du coup, cela ne sert à rien de produire tout un tas de contenus en automne / hiver, on va se réserver pour le printemps et l’été. »
Et vous auriez raison, puisque la demande est prégnante à ce moment précis. Notez bien que j’écarte toute considération SEO de mon raisonnement (auquel cas il va falloir publier en amont votre contenu d’acquisition pour qu’il soit susceptible d’être visible à l’instant choisi) : le contenu n’a pas pour unique vocation de générer de l’audience, il serait grand temps de changer de paradigme.
Le contenu prédictif a donc plusieurs avantages :
- Anticiper au mieux les besoins utilisateurs, nous l’avons déjà répété ;
- Affiner par conséquent son calendrier éditorial ;
- Rationaliser son offre informationnelle (ne pas publier tout le temps, n’importe quand) ;
- Et ainsi s’inscrire dans une démarche responsable (et pour davantage de renseignements sur le contenu raisonné, je vous invite à courir chez Kontnü).
À l’heure du tonitruant vacarme éditorial, de l’infobésité et autres mots-valises nimbés de graisse littéraire, cette méthodologie a au moins le mérite de frapper avec discernement tout en préservant les bénéfices d’un contenu rondement ciselé (utile à l’utilisateur, donc). Car ne vous faites pas d’illusion : personne ne lira vos articles de piscine au mois de janvier.
Tout cela a l’air génial, mais comment fait-on pour repérer les tendances de recherche ?
Excellente remarque ! Détaillons maintenant les solutions possibles pour s’adonner les pieds en éventail au contenu prédictif.
Quels outils pour identifier les tendances de recherche ?
Allons droit au but : vous avez, grosso modo, deux solutions possibles.
- Ou bien vous utilisez Google Trends, et bonne chance pour la suite.
- Ou bien vous mettez un peu d’argent dans un outil comme, au hasard, SEMRush, et vous allez vous faciliter la vie sans mesure aucune.
Vous l’aurez compris, il est possible de mener à bien la méthodologie que nous allons vous délivrer avec seulement Google Trends, mais cela risque de vous coûter un temps certain (et non point un certain temps, la nuance est importante), sans compter l’obtention de tendances plus approximatives qu’avec les résultats fournis par SEMRush, forcément plus complets.
Toutefois, cela reste possible. C’est vous qui voyez.
Sans transition aucune, attelons-nous à défricher la fameuse méthodologie dont nous causons depuis quelques minutes.
Méthodologie de construction de contenu prédictif
Si cela peut déjà vous rassurer, il n’y aura aucune manipulation particulièrement difficile : seulement un minutieux travail de tamisage des données afin d’être aussi exhaustif que possible.
L’idée générale est la suivante : récolter, à partir de l’ensemble des expressions rattachées à une même thématique, et déclinées d’un radical, l’ensemble des tendances de recherche utilisateur.
C’est sans doute là où vous comprenez le travail herculéen requis par Google Trends : si vous avez 800 expressions à passer en revue, il va falloir les passer patiemment à la moulinette pour chacune d’elle et exporter les résultats obtenus. Ce n’est plus un travail de fourmi, c’est carrément nettoyer les écuries d’Augias en étant borgne, manchot et unijambiste.
L’avantage de SEMRush – et de sa fonctionnalité Keyword Magic Tool – c’est que l’on obtient directement les tendances de recherche pour une liste d’expressions donnée. Un sacré gain de temps ; mais cela ne va pas nous épargner le minutieux travail de modélisation des intentions qui survient par la suite.
Illustrons néanmoins la première étape par un exemple !
Imaginons que nous possédions un ecommerce de vente de bijoux, et que nous sommes en pleine conception de notre stratégie éditoriale pour les bijoux femme, et plus particulièrement les bagues, produit-phare de notre site. Nous cherchons à comprendre à quel moment publier nos contenus pour un maximum d’effets.
Direction « Keyword Magic Tool », où nous tapons sans fioritures : « bague femme ».
Quelques premières observations et autres commentaires d’intérêt :
- À première vue, nous avons environ 13000 expressions à retraiter – ce n’est pas rien.
- Le volume de recherche est important, et la concurrence féroce, ce qui rend d’autant plus importante la publication de nos contenus au moment adéquat.
- Nous avons mis en exergue les tendances de recherche afin que vous puissiez les identifier sans problème.
La seconde étape consiste à exporter l’intégralité des données dans un fichier Excel afin qui nous puissions procéder à leur nettoyage et à l’assemblage des intentions. D’abord, le nettoyage :
- Il est nécessaire de passer en revue toutes vos expressions et de supprimer celles qui n’auraient (éventuellement) rien à voir avec votre produit ou votre thématique.
- Nous allons également supprimer toutes les expressions qui n’ont pas de tendances de recherche. Eh oui ! On ne va pas s’amuser à classifier ultérieurement des expressions qui ne disposent d’aucune donnée…
Par conséquent, quoi qu’il arrive, vous allez travailler sur des tendances plus ou moins fidèles à la réalité. C’est ainsi, on ne peut y remédier – cela dit, c’est mieux que rien.
Après nettoyage des données, il nous reste par conséquent environ 2800 expressions sur lesquelles travailler. Pas mal, n’est-ce pas ?
C’est là où on retombe sur cette bonne vieille méthodologie de modélisation des intentions utilisateurs : nous allons effectivement effectuer le même travail, c’est-à-dire classer chacune des expressions dans un groupe d’intention distinct, afin de cerner au mieux les besoins de nos internautes.
Je vous épargne le travail d’assemblage – si vous souhaitez en savoir davantage, référez-vous à l’article mentionné ! (c’est depuis devenu un livre blanc, sorry !)
Après quelque labeur, voici ce que cela peut donner :
Certes, ce n’est fichtrement pas sexy, mais c’est de la donnée utile – c’est tout ce qui importe.
Comme vous pouvez l’observer, les expressions ont été catégorisées dans deux groupes d’intentions afin d’affiner le ciblage des besoins, et l’on se retrouve avec la liste des intentions suivantes (intentions primaires – à la louche, nous n’avions malheureusement pas toute la journée pour éplucher la liste entière) :
- Fiançailles : recherche de bague de fiançailles.
- Matière : recherche en fonction de la matière (acier, or…).
- Couleur : recherche en fonction de la couleur de la bague.
- Marque : recherche par marque de bijoutier.
- Pierre : recherche par type de pierre (saphir, diamant…)
- Forme : recherche par forme ou originalité.
- Prix : recherche par prix (en grande majorité des bagues « pas chères »).
- Taille : recherche par dimension / taille de doigt.
- Gravure : recherche de bague gravée ou à faire graver.
- Unisexe : recherche de bague pour homme et femme.
- Question : interrogation particulière par rapport au produit (notamment quelle taille choisir).
Vous vous en doutez certainement, la troisième étape va consister à faire la moyenne des tendances de recherche pour une catégorie d’intention donnée ! À ce propos, vous pourriez vous faire la remarque suivante :
Pourquoi ne pas avoir fait la moyenne des tendances de toutes les expressions ? Ça irait beaucoup plus vite, non ?
C’est sûr et certain, ça irait plus vite, fieffés coquins, mais ce n’est pas ce que nous voulons : nous voulons obtenir un aperçu des tendances pour un besoin utilisateur bien précis, ce qui est infiniment plus utile qu’une moyenne cumulée de tous les besoins (ce qui n’aurait d’ailleurs pas grand sens, et ce ne serait pas non plus très exploitable en termes de résultats !).
Après quelques manipulations sous Excel, voici ce que l’on peut obtenir, d’abord pour l’intention « Fiançailles »…
Oh oh, est-ce à dire que l’on quémanderait la main de son ou sa dulciné(e) davantage en fin d’année ? C’est ce que semble affirmer ce graphique.
Autre exemple avec l’intention « Prix » :
Quasiment même observation que précédemment, excepté un pic notable en octobre – pourquoi diable ? Nous n’avons pas cherché outre mesure, mais peut-être avez-vous de votre côté un début d’explication.
Dernier exemple avec l’intention « Pierre »…
Cette fois, on peut observer un pic en septembre suivi d’une lente décrue. Nous n’avons pas cherché d’explication là non plus – toutefois, il y a certainement une raison logique à cela (que vous avez peut-être d’ailleurs ?).
Voilà qui conclue notre tour d’horizon du fameux contenu prédictif ! Nous ne reviendrons pas sur ses bienfaits – qui sont vraisemblablement évidents à l’aune de cet article – mais si vous souhaitez en discuter plus amplement, vous connaissez la musique : n’hésitez pas à nous interpeller ici ou ailleurs, on est toujours disponibles pour s’enfoncer dans des débats tortueux (ou s’acoquiner avec vous pour des prestations de haute voltige).
Portez-vous bien !
Erratum : après relecture, nous avons constaté qu’une abominable erreur s’est glissée dans notre exemple puisque les données de tendances fournies par SEMRush ne s’étalent pas sur une année, mais sur les douze derniers mois, ce qui change radicalement l’interprétation des courbes ! En l’absence de précision quelconque sur l’outil (et notamment l’absence des mois en abscisse), nous avons bêtement supposé qu’il s’agissait d’une année complète – mal nous en a pris. D’où l’importance, toutefois, de légender correctement ses graphiques (n’est-ce pas, SEMRush ?).
