Comment ça marche · Recommander · module en construction
Classer par les notes
Mis à jour le . Ce sujet évolue vite (règles sur les faux avis, formules des plateformes) : vérifie s'il y a du nouveau depuis cette date.
Étoiles, pouces, votes : partout, des avis servent à classer. Mais comment passer de milliers de notes à une liste ordonnée ? Trie des produits de plusieurs façons, regarde l'incertitude fondre avec le nombre d'avis, fais vieillir un fil d'actualité, et découvre pourquoi les avis en ligne sont si souvent excellents.
Choisis ton niveau et ta façon de lire : tu peux en changer à tout moment.
Étape 0 : La moyenne trompe
Une lampe notée 5 sur 5 par deux personnes passe devant un casque noté 4,5 sur 5 par trois cents personnes si l'on trie par moyenne. Trier par nombre d'avis ne vaut pas mieux : un produit très vendu mais médiocre passe devant. Deux méthodes corrigent ce défaut. La moyenne « bayésienne » fait comme si chaque produit avait déjà reçu quelques avis moyens : avec deux avis, la lampe reste près de la moyenne du site. La méthode de Wilson calcule la part d'avis positifs dont on est raisonnablement sûr : avec deux avis positifs sur deux, seulement 34 %. Aucune ne résiste à des dizaines de faux avis.
Produits et avis inventés pour l'exemple.
🟢 Découverte
Classe ces produits par moyenne : la lampe, notée par deux personnes seulement, passe devant tout le monde. Essaie les autres façons de classer, puis ajoute des avis.
🟡 Curieux
Le problème n'est pas la moyenne, c'est la confiance qu'on lui accorde. Avec deux avis, un hasard suffit à donner 5/5. Les deux méthodes « prudentes » demandent des preuves : plus un produit a d'avis, plus on croit sa note. Aucune ne sait reconnaître un faux avis.
🔴 Ingénieur
Moyenne bayésienne : (somme des notes + m × C) / (nombre d'avis + m), avec C la moyenne de tout le site et m le nombre d'avis « imaginaires ». Wilson : borne basse de l'intervalle de confiance à 95 % de la part d'avis positifs (4 ou 5 étoiles). Le choix de m, du seuil « positif » ou du niveau de confiance reste une décision humaine.
Un peu d'histoire
En 2009, le statisticien Evan Miller publie un billet resté célèbre, « Comment ne pas trier par note moyenne ». Il y dénonce deux erreurs courantes : soustraire les avis négatifs des positifs, ou prendre la moyenne. Il propose d'utiliser une méthode statistique ancienne, l'intervalle de confiance de Wilson, du nom du mathématicien E. B. Wilson.
De son côté, le site de cinéma IMDb publie la formule de son classement des 250 meilleurs films : une « estimation bayésienne » qui tire chaque note vers la moyenne générale, avec un seuil de 25 000 votes pour entrer au classement (état au 17 octobre 2026). Pour ses autres notes, IMDb dit ne pas utiliser la moyenne simple, sans révéler comment il pondère les votes.
Idées reçues
« Plus la note est haute, meilleur est le produit. » Une note dit aussi combien de personnes ont donné leur avis, et lesquelles. 4,6 sur 1 000 avis en dit plus que 5,0 sur 2.
Étape 1 : Combien d'avis pour être sûr ?
Deux avis positifs sur deux, c'est 100 % de satisfaits, mais la vraie part pourrait tout aussi bien être de 40 % : on n'en sait presque rien. Avec 100 avis positifs sur 101, on peut affirmer sans grand risque qu'au moins 95 % des acheteur·ses sont satisfait·es. L'intervalle de Wilson donne cette fourchette ; sa borne basse sert à classer prudemment.
0 %50 %100 %
🟢 Découverte
Règle les avis positifs et négatifs. La barre montre la part de satisfaits qu'on observe, et la zone colorée tout ce qui reste plausible. Moins il y a d'avis, plus la zone est large.
🟡 Curieux
C'est l'idée d'un sondage : interroger 2 personnes ne dit presque rien, en interroger 1 000 donne une fourchette serrée, un intervalle de confianceIntervalle de confiance — Fourchette de valeurs plausibles pour une quantité qu'on ne connaît qu'à travers un échantillon (un sondage, des avis). Plus l'échantillon est grand, plus la fourchette est étroite. « À 95 % » veut dire que la méthode tombe juste dans 95 % des cas.. Classer par le bord gauche de la fourchette, c'est se demander : « au pire, raisonnablement, quelle part de gens est satisfaite ? »
🔴 Ingénieur
Pour p positifs sur n, avec p̂ = p/n et z = 1,96 (95 %) : (p̂ + z²/2n ± z·√(p̂(1−p̂)/n + z²/4n²)) / (1 + z²/n). Contrairement à la formule « p̂ ± z·√(p̂(1−p̂)/n) » des manuels, elle reste correcte pour de petits n et des parts proches de 0 ou de 100 %.
Un peu d'histoire
Reddit, le grand forum américain, a utilisé cette borne pour son tri « meilleurs commentaires » : le code source que le site a publié contient la formule, avec un niveau de confiance de 80 % (z ≈ 1,28) au lieu des 95 % habituels. Ce dépôt de code est aujourd'hui archivé : on ne sait pas exactement ce que le site utilise désormais.
Idées reçues
« 100 % de satisfaits, c'est parfait. » Sur deux avis, 100 % est compatible avec un vrai taux de satisfaction d'environ 34 % seulement. Regarde toujours le nombre d'avis.
Étape 2 : Ce qui est frais
Sur une page d'actualités, si l'on classe par nombre total de votes, une publication d'hier, qui a eu le temps d'accumuler des votes, reste en tête pendant des jours. Les tris « tendance » tiennent compte de l'âge : dans le code publié par Reddit, une publication doit recevoir dix fois plus de votes pour compenser 12 h 30 de retard ; dans une version publique du logiciel de Hacker News, le score est divisé par une puissance de l'âge. Les nouveautés intéressantes peuvent ainsi monter vite, puis redescendre.
Publications et votes inventés. Les vrais sites ajoutent des pénalités et de la modération que leurs formules publiques ne montrent pas.
🟢 Découverte
Sur un fil d'actualité, il faut aussi tenir compte du temps. Avance l'heure et compare le classement par total de votes avec les tris « tendance ».
🟡 Curieux
Classer par total de votes favorise ce qui est ancien : le temps de récolter des votes. Les tris « tendance » font vieillir les publications, pour laisser de la place aux nouvelles. Le réglage (à quelle vitesse une publication vieillit) change toute la page.
🔴 Ingénieur
Reddit (code publié) : log10(votes) + secondes depuis une date fixe / 45 000. 45 000 secondes font 12 h 30. Version publique du logiciel de Hacker News : (points − 1)0,8 / (âge en heures + 2)1,8, multiplié par des pénalités. Le code ne dit pas pourquoi ces constantes ont été choisies.
Un peu d'histoire
Ces deux formules sont parmi les rares formules de classement publiées par de grands sites. Celle de Hacker News vient d'une version libre du logiciel de forum écrit en langage Arc par Paul Graham, entretenue par des bénévoles : ce n'est pas le code qui fait tourner le site aujourd'hui, qui comporte d'autres pénalités et une modération humaine.
Idées reçues
« En tête, c'est ce qui a eu le plus de votes. » Rarement. Presque tous les fils mélangent votes, âge, et souvent bien d'autres critères que le site ne publie pas.
Étape 3 : Les avis en J
Si tout le monde notait un produit, la plupart des notes seraient moyennes, comme une cloche. Mais seules les personnes déjà attirées par le produit l'achètent, et parmi elles, celles qui adorent ou détestent écrivent plus volontiers. Résultat : les avis publiés forment un « J », avec beaucoup de 5 étoiles, quelques 1 étoile et peu de notes moyennes, et leur moyenne est plus haute que l'opinion de l'ensemble.
Simulation : 5 000 opinions inventées. Le mécanisme est celui décrit par Hu, Pavlou et Zhang (2007).
🟢 Découverte
Pourquoi tant de produits ont-ils 4,5 étoiles ? Coche les deux biais un par un et regarde les avis publiés changer de forme.
🟡 Curieux
Les avis ne sont pas un sondage : personne ne les tire au sort. Ceux qui écrivent ont acheté, donc étaient déjà attirés, et ont souvent quelque chose de fort à dire. Une moyenne d'avis mesure l'opinion de ces personnes-là, pas celle de tout le monde.
🔴 Ingénieur
La forme en J vient d'un double filtre : la probabilité d'acheter augmente avec l'attrait pour le produit (biais d'achat), et la probabilité d'écrire augmente avec l'écart à l'avis moyen (biais de déclaration). Corriger demande de connaître ces probabilités, que le site, lui, peut estimer, par exemple en sollicitant aussi les acheteur·ses silencieux·ses.
Un peu d'histoire
En 2007, trois chercheurs en gestion, N. Hu, P. A. Pavlou et J. Zhang, constatent que, sur Amazon, presque tous les produits ont des avis en « J ». Ils parlent d'un biais d'achat et d'un biais de déclaration : on écrit pour « se vanter ou râler ». Pour le vérifier, ils font écouter un même disque à un groupe d'étudiant·es et leur demandent à tous une note : les notes forment une cloche, et leur moyenne (3,12) est plus basse que celle des avis Amazon (3,54). Une petite expérience, mais qui va dans le sens de leur analyse.
Idées reçues
« Les avis reflètent l'opinion des client·es. » Ils reflètent l'opinion des client·es qui écrivent, souvent les plus enthousiastes ou les plus déçu·es.
Étape 4 : Les faux avis
🟢 Découverte
Si les avis font vendre, la tentation est grande d'en fabriquer. Dans la première animation, 30 faux avis suffisaient à faire grimper une montre médiocre, quelle que soit la méthode de calcul. La parade n'est pas mathématique : il faut détecter, et sanctionner.
🟡 Curieux
Les faux avis sont faits pour passer inaperçus : on ne peut donc pas les compter exactement. Des études donnent des ordres de grandeur. À Boston, environ 16 % des avis de restaurants sur Yelp étaient écartés par le filtre anti-fraude du site (un filtre imparfait, qui se trompe dans les deux sens) ; les restaurants à la réputation fragile trichaient davantage. Sur Amazon, des chercheurs ont suivi environ 1 500 produits qui achetaient des avis dans des groupes en ligne : la moitié de ces avis finissaient supprimés, mais en plus de 100 jours en moyenne, et la triche portait surtout sur des produits de mauvaise qualité.
En 2022, les autorités de 26 pays de l'Union européenne, de l'Islande et de la Norvège ont contrôlé 223 grands sites : pour 144 d'entre eux, elles n'ont pas pu confirmer que le site faisait assez d'efforts pour garantir que les avis soient authentiques.
🔴 Ingénieur
Les plateformes repèrent les faux avis par des signaux : comptes récents ou liés entre eux, rafales d'avis, textes semblables, achats non vérifiés. En France, la DGCCRF disait en 2023 développer un outil d'intelligence artificielle d'analyse de texte pour les repérer. Chaque détecteur fait des erreurs : écarter un vrai avis est aussi un problème.
Qui décide ?
État au 17 octobre 2026.
- Union européenne. Depuis la directive « Omnibus » de 2019, appliquée depuis le 28 mai 2022, il est interdit en toutes circonstances d'« envoyer ou charger une autre personne […] d'envoyer de faux avis », ou d'affirmer que des avis viennent de vrais client·es « sans prendre de mesures raisonnables et proportionnées pour vérifier ».
- France. Depuis la loi pour une République numérique (2016), les sites doivent expliquer comment ils collectent et contrôlent les avis. Selon le gouvernement (2023), les pratiques commerciales trompeuses sont punies de deux ans de prison et 300 000 euros d'amende, jusqu'à 10 % du chiffre d'affaires. La DGCCRF a relevé des faux avis écrits par les professionnels eux-mêmes ou par des sociétés d'« e-réputation », des client·es payé·es, et des avis négatifs supprimés ou publiés en retard.
- États-Unis. Une règle de l'autorité de protection des consommateur·rices (FTC), adoptée à l'unanimité en août 2024 et en vigueur depuis le 21 octobre 2024, interdit d'acheter ou de vendre de faux avis, y compris générés par IA. En décembre 2025, la FTC a envoyé des lettres d'avertissement à dix entreprises ; à notre connaissance, aucune sanction n'a encore été prononcée sur cette base.
Idées reçues
« Un avis “vérifié” est forcément sincère. » « Vérifié » veut souvent dire seulement que la personne a acheté le produit. Des vendeurs remboursent ou paient des acheteur·ses en échange d'un avis positif : l'achat est réel, l'avis ne l'est pas.
Lire une note sans se faire avoir
Une note n'est pas une mesure de qualité : c'est le résultat d'un calcul, appliqué à des avis écrits par certaines personnes. Quelques réflexes :
| Réflexe | Pourquoi |
|---|---|
| Regarder le nombre d'avis | Avec peu d'avis, la note dépend du hasard (étapes 0 et 1). |
| Lire les avis à 2 et 3 étoiles | Ils sont rares mais souvent les plus nuancés ; les avis extrêmes sont surreprésentés (étape 3). |
| Se méfier des rafales d'avis récents, très semblables | C'est un signal fréquent de faux avis (étape 4). |
| Chercher comment le site classe | En Europe, il doit expliquer comment il collecte et contrôle les avis, et préciser s'il vérifie que leurs auteur·rices ont acheté. |
| Se demander ce que le tri récompense | Popularité, fraîcheur, prudence : chaque formule fait un choix (étapes 0 et 2). |
Classer par les notes, c'est déjà recommander. Les plateformes vont plus loin : elles devinent ce qui te plaira à partir des notes des autres. C'est le sujet du module Les IA qui recommandent.