Apprentissage non supervisé : explorer de nouvelles stratégies de référencement seo

Le paysage du référencement SEO (Search Engine Optimization) est en constante évolution. Avec une estimation de 15 % des requêtes sur Google étant nouvelles chaque jour, les professionnels du marketing digital sont confrontés à des défis croissants pour maintenir et améliorer le positionnement de leurs sites web. Les algorithmes de recherche deviennent de plus en plus sophistiqués, exigeant une adaptation rapide et des stratégies innovantes. Les techniques traditionnelles de référencement, bien que toujours importantes, peuvent s'avérer insuffisantes pour exploiter pleinement le potentiel des données et maximiser la visibilité en ligne. Face à cette complexité, l'apprentissage non supervisé émerge comme une approche prometteuse pour automatiser, analyser et optimiser le SEO de manière plus efficace, permettant ainsi un meilleur retour sur investissement pour les campagnes de marketing digital.

L'apprentissage non supervisé est une branche de l'intelligence artificielle qui permet aux machines d'apprendre à partir de données non étiquetées, c'est-à-dire sans supervision humaine. Contrairement à l'apprentissage supervisé, où les données sont pré-classifiées, l'apprentissage non supervisé vise à découvrir des structures cachées, des relations complexes et des tendances significatives au sein des données. En d'autres termes, l'algorithme explore les données de manière autonome pour identifier des modèles et des regroupements sans avoir besoin d'instructions explicites. Cette capacité à extraire des informations précieuses sans intervention humaine ouvre de nouvelles perspectives pour améliorer les stratégies de référencement, notamment en matière de recherche de mots-clés et d'optimisation de contenu.

Les fondamentaux de l'apprentissage non supervisé

L'apprentissage non supervisé offre une palette d'algorithmes pouvant être appliqués au SEO, permettant d'automatiser des tâches complexes et d'extraire des informations précieuses à partir de vastes ensembles de données. Comprendre ces algorithmes et les types de données qu'ils exploitent est crucial pour mettre en œuvre des stratégies SEO innovantes et efficaces. Bien que les concepts mathématiques sous-jacents puissent être complexes, il est possible d'appréhender leur fonctionnement de manière simplifiée pour en tirer parti dans le domaine du référencement. Cette section vise à démystifier les principaux algorithmes et à illustrer leur pertinence pour l'optimisation du positionnement en ligne et le marketing de contenu.

Types d'algorithmes d'apprentissage non supervisé pertinents pour le SEO

Plusieurs types d'algorithmes se distinguent par leur utilité dans le contexte du SEO. Parmi eux, le clustering, la réduction de dimensionnalité et la détection d'anomalies offrent des perspectives uniques pour analyser et optimiser différents aspects du référencement. Chacun de ces algorithmes possède ses propres forces et faiblesses, et leur application dépend du type de données disponibles et des objectifs spécifiques de l'analyse. Il est donc important de comprendre les principes de base de chaque algorithme pour choisir la méthode la plus appropriée à une situation donnée, que ce soit pour l'optimisation on-page ou le link building.

Clustering (regroupement)

Le clustering, ou regroupement, est une technique qui consiste à diviser un ensemble de données en groupes (clusters) d'éléments similaires. L'objectif est de maximiser la similarité entre les éléments d'un même cluster tout en minimisant la similarité entre les éléments de clusters différents. Plusieurs algorithmes de clustering existent, chacun utilisant une approche différente pour définir la similarité et former les clusters. Cette technique est particulièrement utile pour organiser et analyser de grandes quantités de données, facilitant ainsi la segmentation de mots-clés et l'identification de niches de marché.

• **K-means :** Un algorithme itératif qui assigne chaque point de données au cluster dont la moyenne (centroïde) est la plus proche. Idéal pour segmenter les utilisateurs en fonction de leur comportement.
• **Clustering hiérarchique :** Construit une hiérarchie de clusters en fusionnant ou en divisant progressivement les clusters existants. Utile pour créer une taxonomie de mots-clés.
• **DBSCAN (Density-Based Spatial Clustering of Applications with Noise) :** Identifie les clusters en fonction de la densité des points de données, en regroupant les points densément regroupés et en marquant les points isolés comme du bruit. Permet de détecter des communautés de liens.

Par exemple, l'algorithme K-means pourrait être utilisé pour regrouper des mots-clés en fonction de leur performance (taux de clics, taux de conversion, position moyenne). Cela permettrait d'identifier des thématiques communes et d'optimiser le ciblage des mots-clés, augmentant ainsi le trafic organique. Un autre exemple pourrait être le regroupement d'utilisateurs en fonction de leur comportement sur un site web, permettant ainsi de personnaliser l'expérience utilisateur et d'améliorer les taux de conversion. L'application de ces algorithmes permet d'identifier des tendances cachées dans les données du marketing digital.

Réduction de dimensionnalité

La réduction de dimensionnalité est une technique qui vise à réduire le nombre de variables (dimensions) d'un ensemble de données tout en conservant l'information essentielle. Cette technique est particulièrement utile lorsque l'on travaille avec des données complexes et de grande dimension, car elle permet de simplifier l'analyse et de réduire le risque de surajustement. En réduisant le nombre de variables, on peut identifier les facteurs les plus importants et faciliter la visualisation des données, contribuant ainsi à une meilleure prise de décision en matière de SEO.

L'Analyse en Composantes Principales (ACP/PCA) est une méthode de réduction de dimensionnalité couramment utilisée. La PCA transforme les variables d'origine en un ensemble de variables non corrélées appelées composantes principales, qui sont ordonnées par ordre d'importance en fonction de la variance qu'elles expliquent. En conservant uniquement les composantes principales les plus importantes, on peut réduire la dimensionnalité des données tout en minimisant la perte d'information. Cette technique permet de simplifier l'analyse des données, rendant plus facile l'identification des facteurs clés influençant le positionnement.

Par exemple, la PCA pourrait être utilisée pour identifier les facteurs clés influençant le positionnement SEO d'une page web. En analysant un ensemble de variables telles que le volume de recherche, le taux de clics, le nombre de backlinks et la qualité du contenu, la PCA pourrait révéler que certains facteurs ont un impact plus important que d'autres. Ceci permet d'identifier rapidement les priorités et d'allouer les ressources de manière plus efficace. Une étude récente a montré que l'utilisation de PCA peut améliorer l'efficacité des campagnes SEO de près de 20%.

Détection d'anomalies

La détection d'anomalies est une technique qui vise à identifier les points de données qui s'écartent significativement du comportement normal. Ces anomalies peuvent représenter des erreurs, des fraudes, des spams ou d'autres événements inhabituels qui nécessitent une attention particulière. Plusieurs algorithmes de détection d'anomalies existent, chacun utilisant une approche différente pour définir ce qui est considéré comme normal et ce qui est considéré comme anormal. L'efficacité de ces algorithmes dépend du type de données et de la qualité de leur pré-traitement.

Isolation Forest et One-Class SVM sont des algorithmes couramment utilisés pour la détection d'anomalies. Isolation Forest isole les anomalies en construisant des arbres de décision aléatoires et en mesurant le nombre d'étapes nécessaires pour isoler chaque point de données. Les anomalies sont plus facilement isolées et nécessitent donc moins d'étapes. One-Class SVM apprend une frontière autour des points de données normaux et identifie les points qui se trouvent en dehors de cette frontière comme des anomalies. La détection précoce de ces anomalies est très importante pour la sécurité et la performance du site web.

Par exemple, la détection d'anomalies pourrait être utilisée pour identifier des spams ou des attaques SEO négatives ciblant un site web. En analysant le trafic, les backlinks et le contenu, l'algorithme pourrait détecter des comportements suspects, tels qu'une augmentation soudaine du nombre de liens de mauvaise qualité ou une publication massive de commentaires spam. Cela permettrait de prendre des mesures rapides pour contrer ces attaques et protéger la réputation du site, évitant ainsi une perte de positionnement dans les résultats de recherche. Il est essentiel de surveiller constamment les données pour une protection optimale.

Données nécessaires pour l'apprentissage non supervisé en SEO

Pour exploiter efficacement l'apprentissage non supervisé en SEO, il est crucial de disposer de données pertinentes et de qualité. Ces données peuvent provenir de différentes sources, notamment des outils d'analyse web, des plateformes de recherche de mots-clés, des outils de suivi des backlinks et des données de la concurrence. La combinaison de ces différentes sources permet d'obtenir une vision complète de l'écosystème SEO et d'identifier des opportunités d'amélioration. La collecte de ces données doit être automatisée et continue, assurant ainsi une analyse à jour et pertinente.

• **Données de recherche :** Volume de recherche, CPC (coût par clic), données de la Search Console (impressions, clics, CTR), données de Google Analytics (trafic organique, taux de rebond, durée des sessions). Le CTR moyen pour les premières positions est d'environ 31.7%.
• **Données de contenu :** Analyse sémantique du contenu, mots-clés présents, structure des pages (nombre de balises Hn, densité de mots-clés). La longueur idéale d'un article de blog SEO est d'environ 1500 mots.
• **Données de backlinks :** Sources des backlinks, ancres, qualité des domaines référents (autorité de domaine, trafic organique). Un backlink provenant d'un site avec une autorité de domaine supérieure à 50 est considéré comme de haute qualité.
• **Données de la concurrence :** Positionnement des concurrents pour des mots-clés cibles, stratégies de contenu, profils de backlinks. Les concurrents qui se positionnent dans le top 3 des résultats de recherche sont considérés comme des concurrents directs.

L'utilisation d'outils tels que Ahrefs, Semrush et Google Search Console est essentielle pour collecter ces données. Il est également important de mettre en place une infrastructure de stockage de données efficace pour pouvoir analyser les données sur le long terme et identifier les tendances. Une stratégie de données bien définie est la clé du succès pour l'utilisation de l'apprentissage non supervisé en SEO.

Applications concrètes de l'apprentissage non supervisé pour le SEO

L'apprentissage non supervisé n'est pas qu'une théorie ; il offre des applications pratiques et concrètes pour améliorer le SEO de manière significative. De l'optimisation de la recherche de mots-clés à l'amélioration de l'expérience utilisateur, en passant par l'optimisation du link building et l'analyse de la concurrence, l'ANS peut être utilisé pour automatiser des tâches, découvrir des insights cachés et améliorer le positionnement dans les résultats de recherche. Cette section explore quelques-unes des applications les plus prometteuses de l'ANS en SEO, démontrant son potentiel à transformer la manière dont les stratégies de référencement sont mises en œuvre.

Optimisation de la recherche de Mots-Clés

La recherche de mots-clés est une étape fondamentale du SEO. L'utilisation d'algorithmes d'apprentissage non supervisé offre des possibilités d'optimisation avancées. Cette optimisation peut permettre d'identifier les mots-clés les plus pertinents, d'améliorer le ciblage et d'augmenter le trafic organique. En 2023, environ 70% du trafic web provient de la recherche organique.

Clustering de mots-clés

Le clustering de mots-clés consiste à regrouper les mots-clés en fonction de leur similarité sémantique, de leur intention de recherche et de leur performance. Cette technique permet de créer des groupes thématiques pour cibler efficacement les différentes intentions des utilisateurs et d'optimiser le contenu pour chaque groupe. En analysant la performance de chaque cluster, on peut identifier les thématiques les plus rentables et concentrer les efforts sur ces domaines. Le clustering de mots-clés permet également de découvrir des opportunités de mots-clés à longue traîne qui pourraient être négligées avec les méthodes traditionnelles, contribuant ainsi à une diversification du trafic et une meilleure couverture des besoins des utilisateurs.

Cette approche permet de créer des groupes thématiques pour cibler efficacement les différentes intentions des utilisateurs. On peut utiliser l'analyse des sentiments combinée au clustering pour identifier les mots-clés associés à des sentiments positifs ou négatifs. Par exemple, regrouper "meilleur logiciel SEO" (sentiment positif) et "logiciel SEO cher" (sentiment négatif) permet d'adapter le contenu et le ciblage en conséquence, offrant ainsi une expérience utilisateur plus personnalisée. En segmentant les mots-clés en fonction des sentiments associés, on peut mieux comprendre les besoins et les préoccupations des utilisateurs et adapter le message en conséquence, augmentant ainsi les chances de conversion.

Découverte de mots-clés latents (LSI)

Les mots-clés latents, ou LSI (Latent Semantic Indexing), sont des termes et des concepts qui sont implicitement associés aux mots-clés cibles. L'analyse du contenu des pages les mieux classées pour un mot-clé cible permet d'identifier les termes LSI qui sont fréquemment utilisés dans ce contexte. En intégrant ces termes LSI dans le contenu, on peut améliorer la pertinence et la compréhension par les moteurs de recherche et augmenter les chances de se positionner favorablement. Il faut faire attention à ne pas sur-optimiser et à intégrer les mots-clés LSI de manière naturelle dans le contenu.

En analysant le contenu des pages les mieux classées pour "formation marketing digital", on peut identifier des termes LSI tels que "stratégie digitale", "réseaux sociaux", "email marketing" et "analyse de données". L'intégration de ces termes dans le contenu permet d'améliorer la pertinence et la compréhension par les moteurs de recherche, signalant ainsi la qualité et la profondeur du contenu. L'objectif est d'améliorer les chances d'obtenir un bon positionnement et d'attirer un trafic qualifié.

Amélioration de l'expérience utilisateur (UX)

L'expérience utilisateur est un facteur de plus en plus important pour le SEO. Les moteurs de recherche accordent une attention particulière à la manière dont les utilisateurs interagissent avec un site web, et les sites qui offrent une expérience utilisateur positive sont généralement mieux classés. L'apprentissage non supervisé peut être utilisé pour analyser le comportement des utilisateurs, identifier les points de friction et personnaliser le contenu pour améliorer l'UX, contribuant ainsi à une meilleure satisfaction et fidélisation des utilisateurs.

Analyse du comportement des utilisateurs

Le clustering peut être utilisé pour segmenter les utilisateurs en fonction de leur comportement de navigation (pages visitées, temps passé, taux de rebond). En analysant les caractéristiques de chaque segment, on peut identifier les points de friction et les opportunités d'amélioration de l'UX. Par exemple, si un segment d'utilisateurs a un taux de rebond élevé sur une page spécifique, cela peut indiquer un problème de contenu, de navigation ou de design sur cette page. Le taux de rebond moyen pour les sites web est d'environ 40-60%.

L'utilisation d'algorithmes de détection d'anomalies peut également aider à identifier les pages ou les sections du site qui génèrent des expériences utilisateur négatives. En identifiant et en corrigeant ces problèmes, on peut améliorer l'engagement des utilisateurs et réduire le taux de rebond. Une analyse approfondie du comportement des utilisateurs est primordiale pour comprendre leurs besoins et leurs attentes. Une page avec un temps de chargement anormalement long ou un formulaire difficile à remplir peut être rapidement identifiée grâce à cette approche, permettant une correction rapide et une amélioration de l'UX.

Personnalisation du contenu

La personnalisation du contenu consiste à adapter le contenu d'un site web aux besoins et aux préférences de chaque utilisateur. L'apprentissage non supervisé peut être utilisé pour recommander du contenu pertinent aux utilisateurs en fonction de leur historique de navigation et de leurs préférences. Par exemple, si un utilisateur a consulté plusieurs articles sur le marketing digital, on peut lui recommander d'autres articles sur ce sujet ou lui proposer une formation en ligne. Il est important de respecter la vie privée des utilisateurs et d'obtenir leur consentement avant de collecter et d'utiliser leurs données.

L'objectif est d'adapter la présentation du contenu pour optimiser l'engagement et la conversion. Par exemple, on peut afficher des témoignages de clients différents en fonction du secteur d'activité de l'utilisateur. L'utilisation des données permet d'afficher le contenu le plus pertinent possible, augmentant ainsi les chances de conversion. Une attention particulière à l'optimisation de l'engagement et de la conversion doit être apportée pour maximiser le retour sur investissement.

Optimisation du link building

Le link building, ou acquisition de liens, est une stratégie SEO qui vise à obtenir des liens provenant d'autres sites web vers un site web cible. Les liens sont considérés comme des votes de confiance par les moteurs de recherche, et les sites qui ont un grand nombre de liens de qualité sont généralement mieux classés. L'apprentissage non supervisé peut apporter une grande aide pour l'optimisation du link building, permettant d'identifier les sources de liens les plus pertinentes et d'éviter les liens toxiques.

Identification de domaines potentiels pour le link building

Le clustering peut être utilisé pour identifier des sites web similaires et pertinents pour un secteur d'activité. En analysant le contenu, les mots-clés et les backlinks de ces sites, on peut identifier des opportunités de partenariats et de collaborations. L'analyse des profils de backlinks des concurrents permet également d'identifier des sources de liens de qualité qui pourraient être intéressantes pour le site cible. La qualité des domaines référents doit être prise en compte, en privilégiant les sites avec une autorité de domaine élevée et un trafic organique conséquent.

Une approche efficace consiste à utiliser des outils de suivi des backlinks tels que Ahrefs ou Majestic SEO pour identifier les sites qui pointent vers les concurrents mais pas vers le site cible. Cela permet de découvrir des opportunités de liens potentielles et d'établir des relations avec les propriétaires de ces sites. Un backlink de qualité peut augmenter significativement la visibilité d'un site web dans les résultats de recherche.

Détection de liens toxiques

Les liens toxiques sont des liens provenant de sources suspectes ou de mauvaise qualité qui peuvent nuire à la réputation d'un site web. L'utilisation d'algorithmes de détection d'anomalies permet d'identifier ces liens et de mettre en place des stratégies pour les désavouer et protéger la réputation du site. Cette étape est cruciale pour maintenir un bon positionnement dans les résultats de recherche et éviter les pénalités de Google. La réputation en ligne est essentielle pour le succès d'une stratégie SEO.

L'analyse du contenu des pages d'où proviennent les backlinks permet d'évaluer la pertinence contextuelle du lien et son impact potentiel sur le SEO. Un lien provenant d'une page non pertinente ou de mauvaise qualité peut être considéré comme toxique, même s'il provient d'un domaine réputé. Il est donc important d'analyser attentivement le contexte du lien avant de décider de le désavouer. Une approche rigoureuse est nécessaire pour éviter de nuire au site et de maintenir une bonne réputation auprès des moteurs de recherche.

Analyse de la concurrence

L'analyse de la concurrence est une étape essentielle du SEO. Comprendre les stratégies SEO des concurrents permet d'identifier les opportunités d'amélioration et de gagner des parts de marché. L'apprentissage non supervisé peut être utilisé pour automatiser et approfondir l'analyse de la concurrence, fournissant ainsi des informations précieuses pour prendre des décisions stratégiques éclairées.

Benchmarking SEO

Le benchmarking SEO consiste à comparer la performance SEO d'un site web avec celle de ses concurrents. En analysant les données de positionnement, de trafic, de backlinks et de contenu, on peut identifier les forces et les faiblesses du site cible par rapport à ses concurrents. Cette analyse permet d'identifier les opportunités d'amélioration et les stratégies à adopter pour gagner des parts de marché. Une analyse constante est nécessaire pour s'adapter aux changements du marché et aux stratégies des concurrents.

Il est important de se concentrer sur les métriques les plus importantes, telles que le trafic organique, le nombre de mots-clés positionnés et l'autorité de domaine. En comparant ces métriques avec celles des concurrents, on peut identifier les domaines où le site cible est en retard et mettre en place des actions correctives. Le benchmarking SEO permet de rester compétitif et d'améliorer continuellement la performance du site web.

Détection des stratégies SEO des concurrents

L'analyse des profils de backlinks, du contenu et des mots-clés ciblés par les concurrents permet de comprendre leur stratégie SEO. En identifiant les tactiques qui fonctionnent, on peut les adapter pour le site cible et améliorer sa performance. Il est important de noter que copier simplement les stratégies des concurrents n'est pas toujours la meilleure approche. Il faut plutôt s'inspirer de leurs succès et adapter les tactiques à la situation spécifique du site cible. L'innovation est essentielle pour se démarquer et gagner des parts de marché.

L'utilisation d'outils tels que Semrush ou SpyFu permet d'analyser en détail les stratégies SEO des concurrents, y compris les mots-clés ciblés, les backlinks acquis et le contenu publié. En analysant ces données, on peut identifier les opportunités de différenciation et mettre en place des stratégies innovantes pour se positionner favorablement dans les résultats de recherche.

Avantages et inconvénients de l'apprentissage non supervisé pour le SEO

Comme toute technologie, l'apprentissage non supervisé présente des avantages et des inconvénients qu'il est important de prendre en compte avant de l'adopter pour le SEO. Si les avantages sont nombreux et peuvent améliorer considérablement l'efficacité des stratégies SEO, les inconvénients doivent être gérés avec soin pour éviter les erreurs et les mauvaises interprétations. Une évaluation honnête des avantages et des inconvénients est essentielle pour prendre une décision éclairée et maximiser le retour sur investissement.

Avantages

• Automatisation de tâches répétitives et chronophages, libérant ainsi du temps pour des tâches plus stratégiques.
• Découverte d'informations cachées et d'opportunités non évidentes, permettant d'identifier des niches de marché et des mots-clés à longue traîne.
• Prise de décision plus éclairée basée sur des données objectives, réduisant ainsi le risque d'erreurs et d'inefficacités.
• Amélioration de l'efficacité et de la performance des stratégies SEO, conduisant à une augmentation du trafic organique et des conversions.

Inconvénients

• Nécessité de compétences en programmation et en analyse de données, nécessitant une formation ou l'embauche de personnel qualifié.
• Complexité de la mise en œuvre et de la configuration des algorithmes, pouvant nécessiter l'intervention d'experts.
• Interprétation des résultats et transformation en actions concrètes, nécessitant une bonne compréhension du SEO et du marketing digital.
• Risque de faux positifs ou de mauvaises interprétations, pouvant conduire à des décisions erronées et à des pertes de ressources.

Pour atténuer ces inconvénients, il est possible d'utiliser des plateformes SEO qui intègrent déjà des fonctionnalités d'apprentissage non supervisé. Ces plateformes simplifient la mise en œuvre et l'utilisation des algorithmes, et fournissent des interfaces conviviales pour l'interprétation des résultats. Ces outils permettent d'exploiter le potentiel de l'apprentissage non supervisé sans nécessiter des compétences techniques approfondies. La courbe d'apprentissage peut être plus rapide avec ces outils, permettant une adoption plus facile et une mise en œuvre plus rapide des stratégies SEO.

Tendances futures et l'evolution du SEO avec l'ANS

L'avenir du SEO est inextricablement lié à l'évolution de l'intelligence artificielle, et en particulier de l'apprentissage non supervisé. L'intégration croissante de l'ANS dans les outils SEO, la personnalisation du SEO à grande échelle, le SEO prédictif et l'impact de l'ANS sur le SEO vocal et la recherche d'image sont autant de tendances qui vont façonner le futur du référencement. Il est important de se préparer à ces changements et d'acquérir les compétences nécessaires pour exploiter pleinement le potentiel de l'ANS.

• Intégration croissante de l'ANS dans les outils SEO : Une augmentation de la disponibilité et de la facilité d'utilisation des outils SEO intégrant l'apprentissage non supervisé est à prévoir, rendant cette technologie accessible à un plus large public. On estime que d'ici 2025, plus de 50% des outils SEO intégreront des fonctionnalités d'ANS.
• Personnalisation du SEO à grande échelle : Un avenir où le SEO est entièrement personnalisé pour chaque utilisateur en fonction de ses préférences et de son comportement est envisagé, offrant ainsi une expérience utilisateur plus pertinente et engageante. La personnalisation du SEO peut augmenter le taux de conversion de près de 20%.
• SEO prédictif : La capacité à anticiper les changements dans les algorithmes de recherche et les tendances de recherche des utilisateurs grâce à l'ANS va se développer, permettant ainsi d'adapter les stratégies SEO en temps réel et de rester en tête de la concurrence. Le SEO prédictif peut réduire le temps nécessaire pour atteindre un certain positionnement dans les résultats de recherche de près de 30%.
• Impact de l'ANS sur le SEO vocal et la recherche d'image : L'ANS aidera à optimiser pour ces formats de recherche en comprenant le contexte et l'intention derrière les requêtes, offrant ainsi de nouvelles opportunités pour atteindre les utilisateurs et améliorer la visibilité de la marque. Le SEO vocal représente déjà plus de 20% des recherches sur mobile.

Le marché du SEO est estimé à plus de 80 milliards de dollars en 2023, et on prévoit une croissance de 10 % par an au cours des cinq prochaines années. Cette croissance est tirée par la nécessité pour les entreprises de se démarquer dans un environnement numérique de plus en plus concurrentiel. Le référencement est essentiel pour les entreprises de toutes tailles, et l'ANS va aider à optimiser les stratégies SEO et à obtenir un meilleur retour sur investissement. Une étude récente a montré que les entreprises qui utilisent l'ANS dans leur stratégie SEO obtiennent un retour sur investissement 2 fois supérieur à celles qui n'utilisent pas cette technologie.