Comment fonctionne le système de recommandation
Le pipeline de recommandation de Spotify suit un modèle à plusieurs étapes : la récupération des candidats réduit des millions de titres à quelques milliers, le classement score ces candidats, et le reclassement applique des contraintes de diversité et commerciales avant de présenter l'ensemble final. Cette architecture fonctionne sur l'Accueil, la Recherche, les playlists et la Lecture automatique, avec des équipes distinctes responsables de différents espaces mais une infrastructure partagée en dessous.
Trois types d'entrées
Le filtrage collaboratif apprend des modèles de co-écoute et de co-sauvegarde. Lorsque des auditeurs ayant des goûts qui se chevauchent enregistrent votre titre, les modèles d'embedding de Spotify identifient des auditeurs similaires qui ne l'ont pas encore entendu. Ces embeddings sont entraînés à partir de données de co-occurrence dans les playlists et de séquences d'interaction. Voyez cela comme : « les auditeurs qui ont enregistré les titres A et B ont aussi tendance à enregistrer le titre C ».
La compréhension du texte et du contenu a considérablement évolué. Spotify utilise désormais des grands modèles de langage (LLM) comme primitives de recommandation, et pas seulement pour comprendre les titres des playlists et les biographies des artistes. Leur système Semantic IDs représente chaque titre comme une séquence de jetons quantifiés, puis affine un LLM pour générer ces jetons pour des tâches comme la création de playlists et la recommandation musicale. Un système distinct appelé Text2Tracks traduit les invites en langage naturel directement en recommandations de titres en utilisant des données d'entraînement basées sur les titres des playlists. C'est important car les Prompted Playlists permettent aux utilisateurs de décrire ce qu'ils veulent avec leurs mots, et les métadonnées de votre titre ainsi que le contexte d'écoute déterminent s'il correspond.
L'analyse audio capture les caractéristiques sonores brutes : tempo, tonalité, intensité sonore, timbre et structure. Le cadre de représentation utilisateur généralisé de Spotify inclut un encodeur audio qui génère des embeddings de titres directement à partir des caractéristiques audio, permettant au système de trouver des voisins sonores compatibles même pour des titres avec un historique d'écoute limité. Spotify a également publié LLark, un modèle multimodal fondamental qui combine l'audio brut avec des embeddings textuels pour des tâches de compréhension et de raisonnement musical.
Démarrage à froid contre catalogue
Une toute nouvelle sortie n'a aucune donnée comportementale. Les embeddings audio et la compréhension textuelle gèrent le scoring initial. Si vous soumettez via Spotify for Artists au moins sept jours avant la sortie, Spotify garantit un placement dans les playlists Release Radar de vos abonnés, offrant au titre une première audience intégrée. Une fois que de vrais auditeurs commencent à enregistrer, réécouter et ajouter le titre à des playlists, le filtrage collaboratif prend le relais et peut vous faire découvrir à de nouvelles audiences.
Les titres du catalogue fonctionnent différemment. Ils possèdent déjà un historique d'interaction approfondi. Le système pose une question : cette chanson prolonge-t-elle toujours les sessions pour les auditeurs auxquels elle est servie ? Les titres avec des saves continues et de faibles taux de saut peuvent réintégrer les rotations Radio et Autoplay indéfiniment.
Note Les représentations utilisateur de Spotify se mettent à jour en temps quasi réel sur plusieurs échelles de temps. Il n'existe pas de « fenêtre de transfert » publiée où les signaux audio cessent d'avoir de l'importance et où les signaux collaboratifs prennent le relais.
Exploration contre exploitation
Spotify cadre explicitement ce compromis. Sur l'écran d'accueil, un bandit à échantillonnage de Thompson sélectionne du contenu parmi plusieurs catégories, calibrant la distribution des recommandations pour correspondre à l'intérêt de l'auditeur tout en testant de nouveaux contenus. Un modèle d'apprentissage par renforcement à long terme sépare la « cliquabilité » (attrait à court terme) de la « collabilité » (satisfaction à long terme), car optimiser uniquement pour les clics immédiats peut être en décalage avec ce qui maintient l'engagement des auditeurs sur plusieurs semaines.
La leçon pratique : Spotify ne montre pas seulement aux utilisateurs ce qu'il sait déjà qu'ils aiment. Il teste activement de nouvelles musiques sur des cohortes susceptibles de répondre, puis étend ou réduit la portée en fonction de la qualité de l'engagement.
Signaux d'engagement qui comptent
Spotify ne publie pas de poids de signaux tels que « les saves valent 3x un stream ». Mais à travers sa documentation pour les créateurs et ses documents de recherche, les mêmes signaux comportementaux apparaissent à plusieurs reprises comme entrées de la personnalisation.
| Signal | Impact directionnel | Niveau de preuve |
|---|---|---|
| Save dans la bibliothèque | Très élevé positif | Confirmé : nommé comme entrée de l'algorithme |
| Ajout à une playlist | Très élevé positif | Confirmé : explicitement listé comme entrée de l'algorithme |
| Écoute complète | Élevé positif | Déduit : l'achèvement réduit le signal de saut, s'aligne sur les objectifs de durée de session |
| Écoute répétée | Élevé positif | Confirmé : les redémarrages apparaissent dans les fonctionnalités de recherche de Spotify |
| Follow | Élevé positif | Confirmé : utilisé comme signal implicite dans les modèles de graphe de Spotify |
| Partage / envoi | Modéré positif | Déduit : plausible mais non directement cité dans les sources publiées |
| Saut avant 30s | Négatif | Confirmé : le taux de saut est utilisé comme proxy de satisfaction |
Le seuil de 30 secondes
Une lecture compte comme un stream à 30 secondes. Chaque saut avant cette marque coûte deux fois plus cher : aucun comptage de stream et un signal négatif pour le système de recommandation. La recherche sur les embeddings séquentiels de Spotify utilise le taux de saut comme proxy de satisfaction principal, et leur modèle d'intérêt rapide/lent suit les sauts aux côtés des likes, des ajouts aux playlists et des redémarrages.
Warning Les sauts avant 30 secondes s'enregistrent comme des signaux négatifs. Allez vite au refrain et assurez-vous que la création publicitaire définit des attentes de genre précises pour réduire les sauts dus à une mauvaise correspondance.
Spotify n'a pas publié si le fait de passer un titre à 5 secondes diffère d'un saut à 25 secondes en termes de poids algorithmique. Considérez toute la fenêtre de moins de 30 secondes comme préjudiciable et concentrez-vous sur sa réduction grâce à des intros percutantes et un ciblage précis. Consultez l'explication de la règle des 30 secondes pour une analyse plus approfondie.
Prolongation de session
L'étoile polaire de Spotify est la durée de session. Leurs travaux publiés sur l'apprentissage par renforcement modélisent explicitement l'engagement d'écoute à long terme, et leur système de coordination inter-surfaces optimise le maintien des utilisateurs dans l'application. Un titre qui amène de manière fiable quelqu'un à continuer d'écouter obtient plus de chances.
Trois modèles créent une prolongation de session. Premièrement, des secondes d'ouverture fortes qui empêchent les sauts précoces. Deuxièmement, l'adéquation au contexte, ce qui signifie que votre titre appartient à la gamme d'humeur et de tempo de la playlist ou de la source à partir de laquelle il a été sélectionné. Troisièmement, l'écoute de suivi, où les gens écoutent une autre de vos chansons ou explorent votre page artiste après avoir entendu un titre.
C'est pourquoi les ajouts aux playlists et les partages sont si efficaces. Ils intègrent votre musique dans la routine d'un auditeur, générant des écoutes répétées et adaptées au contexte qui alimentent le filtrage collaboratif au fil du temps. En savoir plus dans le guide de stratégie d'extension de session.
Comment fonctionne chaque surface de découverte
Les surfaces de Spotify n'essaient pas toutes de faire la même chose. Chacune a un travail spécifique, et l'algorithme sélectionne les placements en fonction de ce travail.
| Surface | Travail | Ce qu'elle récompense |
|---|---|---|
| Découvertes de la semaine | Trouver de nouveaux artistes correspondant aux goûts de l'auditeur | Taux de save, ajouts aux playlists, similarité collaborative |
| Release Radar | Diffuser de la nouvelle musique d'artistes suivis | Abonnés, timing de soumission, saves précoces |
| Daily Mix | Maintenir des boucles d'écoute confortables | Écoutes répétées, adéquation cohérente à la session |
| Radio | Maintenir une session à partir d'une source | Proximité audio, peu de sauts, longues écoutes |
| Autoplay | Prolonger l'écoute après la fin d'une file d'attente | Taux d'achèvement, peu de sauts, adéquation à l'humeur |
| Smart Shuffle | Tester de la nouvelle musique dans les playlists des utilisateurs | Peu de sauts précoces, saves de l'audience source |
| Daylist | Correspondre au moment actuel de l'auditeur | Modèles d'heure de la journée, engagement récent |
Découvertes de la semaine se met à jour chaque lundi. En juin 2025, Spotify a ajouté des contrôles qui permettent aux auditeurs de choisir jusqu'à cinq options de genre pour guider l'ambiance, produisant une playlist fraîche de 30 titres basée sur cette sélection. Vous ne pouvez pas soumettre directement à Découvertes de la semaine. Vous l'influencez en générant les signaux en amont qu'il utilise : croissance des abonnés, saves, ajouts aux playlists et fort engagement dans les cohortes d'auditeurs pertinentes.
Release Radar a un mécanisme confirmé qui compte plus que tout le reste : si vous soumettez au moins sept jours avant la sortie, votre chanson atterrit dans le Release Radar de vos abonnés. C'est un plancher de distribution strict. Le nombre d'abonnés détermine directement votre portée Release Radar. Au-delà des abonnés, Release Radar utilise probablement l'affinité avec l'artiste et l'engagement prédit pour classer les titres par auditeur, mais Spotify n'a pas publié ces détails.
Daily Mix représente des clusters de goûts, regroupant des segments des préférences d'un auditeur (entraînement, concentration, trajet) en mix distincts qui se mettent à jour fréquemment. Cela s'aligne avec la modélisation de l'intérêt lent/rapide publiée par Spotify, où les préférences stables et le contexte momentané se combinent pour façonner ce qui apparaît.
Smart Shuffle mélange des recommandations personnalisées dans les playlists créées par les utilisateurs et les Liked Songs. Pour les playlists de plus de 15 titres, Spotify insère une recommandation pour trois titres. Les recommandations sont marquées d'une icône d'étincelle, et les utilisateurs peuvent voter contre pour entraîner les futurs mix. Cela crée des opportunités d'insertion algorithmique dans des contextes appartenant aux auditeurs, ce qui est précieux car les ajouts aux playlists sont l'un des signaux que les algorithmes de Spotify prennent explicitement en compte.
La recherche évolue rapidement. Le système de recherche agentique de Spotify utilise un LLM pour interpréter les requêtes, les acheminer vers des modules de récupération spécialisés et classer les résultats. Le hub Upcoming Releases, ajouté en mai 2025, affiche des recommandations personnalisées basées sur l'historique d'écoute et intègre des pages de compte à rebours pour les presaves.
Pour des mécanismes plus approfondis sur chaque surface, consultez l'explication des playlists algorithmiques de Spotify.
L'hybride éditorial-algorithmique
Les systèmes éditoriaux et algorithmiques de Spotify ne sont pas des mondes séparés. De nombreuses playlists commencent par des éditeurs créant un pool de titres, puis les algorithmes personnalisent l'ordre et la sélection pour chaque auditeur. Spotify appelle ces playlists "algotoriales", entraînées sur des signaux comme l'écoute, le saut et la sauvegarde. Cela signifie que le placement éditorial est à la fois une exposition directe et une voie vers la personnalisation algorithmique.
Spotify maintient des milliers de playlists éditoriales curatées par une équipe mondiale de spécialistes du genre, du style de vie et de la culture. Les interviews avec la direction éditoriale de Spotify ont décrit une équipe de plus de 100 éditeurs dans le monde, bien que Spotify ne publie pas régulièrement d'effectif officiel.
Le processus de soumission
Vous soumettez de la musique non publiée via Spotify for Artists. Les Admins et les éditeurs peuvent soumettre des pitches au moins sept jours avant la sortie. Le pitch inclut des champs structurés pour les tags de genre, d'humeur et de culture. Vous pouvez soumettre une chanson à la fois, et vous pouvez modifier votre pitch jusqu'au jour de la sortie, bien que les modifications ne soient pas garanties d'être vues par les éditeurs.
Le pitch remplit deux fonctions. Premièrement, la considération éditoriale, où un humain décide d'ajouter ou non votre titre aux playlists curatées. Deuxièmement, la distribution Release Radar, qui est automatique tant que vous respectez la fenêtre de sept jours. Une forte performance issue d'un placement éditorial génère des signaux comportementaux (saves, ajouts aux playlists, peu de sauts) qui augmentent la probabilité d'une reprise algorithmique plus tard, car cela fournit plus de preuves d'interaction pour les modèles collaboratifs.
Ce que les artistes contrôlent
Timing de sortie et presaves
Soumettez au moins sept jours avant la sortie. C'est l'exigence tactique la plus importante dans le système de découverte de Spotify. Elle garantit la distribution Release Radar et rend votre titre éligible à la revue éditoriale.
Le hub Upcoming Releases de Spotify affiche des recommandations personnalisées dans la Recherche et met en avant les meilleures pages de compte à rebours par volume de presaves. Le jour de la sortie, Spotify envoie une notification push aux personnes ayant effectué des presaves et ajoute automatiquement la musique à leur bibliothèque. Les presaves concentrent l'engagement du premier jour de vos auditeurs les plus engagés, fournissant des signaux précoces forts pendant la fenêtre où votre titre a le moins de données comportementales.
Submit your pitch 7+ days before release Connectez-vous à
Spotify for Artistset soumettez avec des tags de genre, d'humeur et de culture précis pour garantir l'inclusion dans Release Radar et l'éligibilité éditoriale.Drive pre-saves before release day Coordonnez vos e-mails, réseaux sociaux et publicités pour augmenter le volume de presaves. Les personnes ayant effectué des presaves reçoivent une notification push et un ajout automatique à leur bibliothèque le jour de la sortie.
Concentrate day-one engagement Reciblez les personnes qui ont déjà montré une intention : abonnés e-mail, auditeurs précédents, spectateurs YouTube récents. Optimisez les destinations publicitaires pour les saves et les écoutes complètes, pas pour les clics.
Monitor algorithmic pickup after 72 hours Vérifiez l'onglet Playlists dans
Spotify for Artistspour voir si vous vous développez au-delà des abonnés vers la Radio, l'Autoplay ou Découvertes de la semaine.
Métadonnées
Les métadonnées sont une couche de routage et d'alignement de contexte, pas du SEO pour Spotify. Des tags de genre, d'humeur et d'instrumentation propres déterminent avec quels contextes d'auditeurs votre titre sera comparé. Des crédits d'artiste cohérents, des ISRC corrects et une pochette haute résolution empêchent votre titre de tomber dans des catégories non classées. Le formulaire de pitch utilise des tags de genre, d'humeur et de culture comme champs structurés, et les Prompted Playlists font correspondre le langage utilisateur aux métadonnées du titre, donc la précision ici affecte directement si votre musique apparaît dans les surfaces de découverte dirigées par l'utilisateur.
Base d'abonnés et signaux multiplateformes
Les abonnés sont directement liés à la distribution Release Radar. Une base d'abonnés plus large augmente le volume d'auditeurs qualifiés précoces, ce qui fournit des données plus solides pour les modèles collaboratifs. Considérez la croissance des abonnés comme un multiplicateur de portée Release Radar.
Le système de recommandation de Spotify met l'accent sur les comportements côté Spotify : écoute, saut, sauvegarde, suivi et ajouts aux playlists. Il n'existe aucune preuve publique que Spotify ingère directement les vues TikTok ou le temps de visionnage YouTube comme caractéristiques de classement. Mais l'activité multiplateforme affecte fortement la distribution Spotify indirectement en générant des recherches, des streams, des follows, des saves et des ajouts aux playlists sur Spotify lui-même. Un moment viral sur TikTok compte parce qu'il envoie de vrais auditeurs sur Spotify qui génèrent ensuite les signaux d'engagement que l'algorithme lit réellement.
Discovery Mode
Les campagnes Discovery Mode sont configurées mensuellement via Spotify for Artists. Il n'y a pas de budget initial. Au lieu de cela, Spotify applique une commission de 30 % sur les redevances d'enregistrement générées par les streams des chansons sélectionnées dans les contextes Discovery Mode. Les autres streams restent sans commission. Il s'agit de l'un des rares leviers payants adjacents à l'algorithme que Spotify documente ouvertement. Consultez le fonctionnement de Discovery Mode pour plus de détails sur le calendrier et la configuration des campagnes.
Détection de fraude et règles de redevances
Spotify a agi de manière agressive pour réduire le streaming artificiel. Les titres doivent atteindre au moins 1 000 streams au cours des 12 derniers mois pour être inclus dans le pool de redevances de musique enregistrée. Les distributeurs font face à des frais de pénalité par titre lorsque Spotify signale un streaming artificiel, avec des sources de l'industrie rapportant des frais d'environ 10 EUR par titre signalé. Au cours des 12 mois se terminant en septembre 2025, Spotify a supprimé plus de 75 millions de titres spam de la plateforme.
Warning La détection de fraude de Spotify facture aux distributeurs des amendes par titre. Vérifiez tous les placements et surveillez les sources de stream dans
Spotify for Artists.
Les modèles de détection ciblent la répétition non naturelle provenant de petits pools de comptes, les modèles géographiques et d'appareils anormaux, les nombres de streams élevés avec extrêmement peu de saves ou de follows, et la manipulation coordonnée des playlists. L'approche la plus sûre : utilisez un marketing axé sur la conversion qui aboutit à des auditeurs diversifiés et réels avec un comportement d'engagement normal. Évitez toute promotion qui incite au comportement de « lecture en boucle », et surveillez la répartition de vos sources de stream pour tout ce qui semble artificiel.
Ce qui a changé en 2025-2026
Plusieurs changements au cours de l'année écoulée affectent la façon dont les artistes interagissent avec le système de recommandation de Spotify.
| Date | Changement | Impact |
|---|---|---|
| Mai 2025 | Hub Upcoming Releases dans la Recherche |
Les presaves apparaissent maintenant dans un onglet de découverte dédié avec des notifications push le jour de la sortie |
| Juin 2025 | Contrôles de genre Découvertes de la semaine |
Les auditeurs peuvent orienter leur mix avec jusqu'à 5 filtres de genre, rendant les métadonnées précises plus importantes |
| Sep 2025 | Renforcement de la protection IA | 75M de titres spam supprimés ; les fermes de contenu ciblées tandis que l'utilisation légitime de l'IA reste autorisée |
| Oct 2025 | Exclusion du profil de goût | Les auditeurs peuvent exclure des écoutes ponctuelles de l'influence sur leurs recommandations |
| Nov 2025 | Shuffle « Moins de répétitions » | Le shuffle par défaut utilise l'écoute récente pour réduire les répétitions, affectant la façon dont les titres du catalogue refont surface |
| Déc 2025 | Bêta Prompted Playlists |
Les utilisateurs tapent des instructions en langage naturel pour générer des playlists à partir de leur historique d'écoute complet |
| Fév 2026 | Test de Smart Reorder | Trie les playlists par BPM et tonalité comme un set de DJ, rapporté en test |
La tendance est claire : Spotify donne aux auditeurs plus de contrôle sur le fonctionnement des recommandations. Les Prompted Playlists, les contrôles de genre sur Découvertes de la semaine et les exclusions de profil de goût signifient tous que des métadonnées précises et un engagement réel des auditeurs comptent plus que jamais. Les titres avec des signaux clairs de genre, d'humeur et de tempo sont plus susceptibles de correspondre à ces surfaces dirigées par l'utilisateur.
Spotify présente la musique générée par IA comme un outil créatif, et non comme quelque chose à bannir. Leur politique cible l'utilisation abusive par les fermes de contenu et les acteurs malveillants, et non l'IA comme méthode de production. Les titres sont traités de la même manière dans les recommandations, quelle que soit la façon dont ils ont été produits.
Mesurer les progrès
Suivez les deltas plutôt que les absolus. Construisez une base de référence par sortie, puis essayez de vous dépasser.
| Métrique | À surveiller |
|---|---|
| Taux de save | saves / auditeurs est le meilleur moyen de comparer les sources de trafic et la qualité créative |
| Taux de saut | Concentrez-vous sur les sauts avant 30 secondes ; plus bas est le mieux |
| Taux d'achèvement | Part des lectures qui atteignent la fin du titre |
| Taux d'ajout aux playlists | Proxy pour la réapparition à long terme, car les ajouts aux playlists sont une entrée algorithmique confirmée |
| Part de stream algorithmique | Suivez les pourcentages de source Découvertes de la semaine, Release Radar et Radio au fil du temps |
| Croissance des abonnés | Détermine directement la portée Release Radar pour votre prochaine sortie |
Si une source de trafic gonfle les streams mais fait chuter les saves et entraîne des sauts, coupez-la. Si une création augmente de manière fiable les saves, déployez-la dans toutes les régions. Utilisez les benchmarks de taux de save et les événements de save comme votre chaîne de KPI principale.
FAQ
Plus de streams signifie-t-il un meilleur support algorithmique ?
Non. Si ces streams s'accompagnent de sauts élevés et d'aucune save, ils nuisent. La recherche de Spotify utilise à plusieurs reprises le taux de saut comme proxy de satisfaction, et leur détection de fraude cible exactement ce modèle : streams élevés avec un engagement faible. La qualité de l'interaction compte plus que le volume.
Les publicités payantes nuisent-elles à la portée algorithmique ?
Non. Le trafic de faible qualité nuit. Le trafic à forte intention qui enregistre et termine peut entraîner l'algorithme en votre faveur, car les modèles collaboratifs répondent à la qualité de l'interaction, pas au canal d'acquisition.
Comment le taux par stream de Spotify se compare-t-il aux autres plateformes ?
Le RPM de Spotify est généralement inférieur à celui de certaines grandes plateformes d'écoute, mais ses surfaces de découverte algorithmique peuvent générer un volume bien plus important. Comparez les données de redevances Spotify actuelles avec celles d'Amazon Music, Apple Music et YouTube Music and Art Tracks, puis modélisez le volume et l'écoute répétée séparément. Un RPM plus faible avec une portée algorithmique bien plus forte peut toujours être gagnant.
Être sur une grosse playlist garantit-il la croissance ?
Non, et les mauvais placements peuvent nuire activement. La performance du placement régit si le système étend votre portée ou se rétracte. Une playlist mal assortie génère des sauts et envoie des signaux négatifs. Une playlist plus petite et bien assortie peut générer des saves qui se composent grâce à la reprise algorithmique.
L'algorithme favorise-t-il les majors ?
Pas sur les surfaces algorithmiques. Les playlists éditoriales sont curatées par des humains qui peuvent avoir des relations avec les labels. Mais Découvertes de la semaine, Radio et Autoplay se classent purement sur l'adéquation à l'auditeur et les signaux d'engagement. Les artistes indépendants avec un fort engagement apparaissent régulièrement dans les placements algorithmiques.
Devez-vous sortir le vendredi ?
Le vendredi s'aligne sur l'actualisation de Release Radar et le cycle mondial des charts, mais la fenêtre de pitch de sept jours compte plus que le jour de sortie lui-même. Consultez notre étude de données sur le meilleur jour pour sortir de la musique pour en savoir plus sur le timing de sortie.