O tym dlaczego chcesz oglądać propozycje Netflixa

Minuta – według badań tyle średnio czasu ma Netflix na zainteresowanie swoich odbiorców którymś z setek tytułów dostępnych na ich platformie streamingowej. 60 sekund bez znalezienia odpowiedniej propozycji i użytkownik straci zainteresowanie oglądaniem na rzecz innych aktywności. Kilka takich niepowodzeń w znalezieniu interesujących treści to prosta droga do rezygnacji z subskrypcji. Tymczasem, utrata użytkowników to z pewnością nie jest to, co Netflix (i podobne jemu serwisy) lubi najbardziej. Tylko jak sprawić, żeby odbiorca znalazł to czego szuka – zwłaszcza jeśli nie wie dokładnie czego szuka – w mniej niż minutę? To pytanie jest jednym z kluczowych, które zadają sobie twórcy Netflixa, i jednym z tych, na które odpowiedź przyczynia się znacząco do sukcesu marki.

Co kto lubi

Nie jest tajemnicą, że aby lepiej poznać upodobania swoich klientów w zakresie konkretnych tytułów, Netflix wykorzystuje sztuczną inteligencję, analizując wzorce zachowań użytkowników platformy. Okazuje się jednak, że Netflix analizuje także, które z miniaturek przykuwają większą uwagę konkretnych grup odbiorców i wykorzystuje tę wiedzę, aby przewidzieć, które obrazki najlepiej przyciągną uwagę widzów podczas przeglądania wielu tysięcy tytułów firmy. W końcu biorąc pod uwagę ogromną różnorodność preferencji i wielowymiarowość wielu potencjalnych propozycji, czy nie byłoby lepiej po prostu znaleźć dla każdego z odbiorców grafikę, która podkreśli odpowiednie aspekty, które są dla nich szczególnie istotne? Przykładowo dla serialu takiego jak Stranger Things, jeśli użytkownik ma za sobą historię oglądania filmów z gatunku horrorów, żeby go zainteresować propozycją, prezentowana grafika dla tego tytułu powinna być mroczna, tajemnicza i niepokojąca. Jeśli natomiast widz stawiał w przeszłości raczej na filmy podkreślające więzi między postaciami, prawdopodobnie powinien ukazać mu się obrazek z grupą nastolatków, sugerując tym samym historię ukrytą za tytułem. Zatem biorąc pod uwagę czynniki specyficzne dla odbiorcy, takie jak historia oglądania i kraj, Netflix podkreśla odpowiednie motywy za pomocą grafiki, którą wyświetla, gdy użytkownicy przewijają swoje ekrany. Zwiększa w ten sposób prawdopodobieństwo wybrania konkretnych rekomendowanych tytułów.

Kwestia skali

Zanim jednak Netflix będzie mógł wybrać, które miniatury najlepiej przyciągną uwagę widzów, firma musi wygenerować wiele obrazów dla każdego z tysięcy tytułów, które usługa oferuje swoim członkom. Na początku Netflix pozyskiwał obrazy dla tytułów od swoich partnerów studyjnych, ale wkrótce doszedł do wniosku, że te obrazy nie angażują widzów w wystarczającym stopniu w formacie siatki, w której tytuły są wyświetlane obok siebie tak jak na platformie Netflixa. W rezultacie Netflix zaczął opracowywać własne miniatury ze statycznych ramek wideo, które pochodzą z samej treści źródłowej. Jeśli jednak na przykład godzinny odcinek „Stranger Things” zawiera około 86 000 statycznych klatek wideo, a każdy z pierwszych trzech sezonów serialu ma osiem odcinków, konieczne jest przeanalizownie i wybranie ponad dwóch milionów statycznych klatek wideo. Całkiem sporo, a to tylko jeden z bardzo wielu dostępnych na platformie tytułów. Z tego względu Netflix szybko doszedł do wniosku, że poleganie na wiedzy ekspertów przy wyborze miniatur może nie być dobrą drogą. Aby zwiększyć skalę działania, Netflix opracował AVA – zestaw narzędzi i algorytmów zaprojektowanych do wyłapywania wysokiej jakości obrazów z filmów.

Odpowiednie ujęcie

AVA skanuje każdą klatkę każdego tytułu w bibliotece Netflix, aby ocenić związane z nią metadane (wizualne, kontekstowe i kompozycyjne), a następnie opracowuje na tej podstawie ranking zdjęć, pozwalający na wybranie najlepszych ujęć. Algorytm rankingujący uwzględnia między innymi obecność kluczowych aktorów oraz różnorodność ujęć. Główni aktorzy są wyłaniani przez system bez znajomości, kto tak naprawdę jest kluczowy w danym tytule – odbywa się to w sposób zautomatyzowany przy użyciu algorytmów klastrujących opartych na sieciach głębokich. Dla każdego z aktorów oceniana jest także poza oraz ekspresja emocji, przykładowo odsiewane są obrazy, na których aktor złapany jest w pół słowa. Dla oceny różnorodności obrazów opracowano osobny mechanizm, który pozwala na uchwycenie wariancji heurystycznej, która naturalnie występuje w pojedynczym filmie lub odcinku. W ten sposób zapewniono skalowalny mechanizm umożliwiający szybkie zrozumienie, które elementy wizualne są najbardziej reprezentatywne dla tytułu, a które błędnie go przedstawiają. Zmienne heurystyczne, które wprowadzono do AVA, aby wyeksponować zróżnicowany zestaw obrazów dla tytułu, obejmują takie elementy, jak typy ujęć kamery, podobieństwo wizualne (zasada trójpodziału, jasność, kontrast), kolor oraz mapy istotności (w celu identyfikacji negatywnej przestrzeni i złożoności). Łącząc te zmienne heurystyczne, AVA skutecznie grupuje klatki obrazu w oparciu o niestandardowy wektor różnorodności. Jest to także podstawa do konstruowania indeksu różnorodności, na podstawie którego można ocenić wszystkie obrazy kandydujące do danego odcinka lub filmu. Na wyjściu tego skomplikowanego algorytmy Netflix otrzymuje najlepiej ocenione ujęcia, które mogą stać się miniaturkami reprezentującymi dany tytuł.

O gustach się nie dyskutuje?

Wykorzystanie sztucznej inteligencji do zrozumienia preferencji odbiorców i zaproponowania im tego, co lubią, sprawia, że Netflix jest nie tylko jednym z liderów wśród platform streamingowych, ale także w zakresie wykorzystywania danych behawioralnych do ulepszania swoich produktów i usług. I chociaż popularne twierdzenie mówi, że o gustach się nie dyskutuje, to skuteczność personalizowanych treści dowodzi, że jednak o upodobaniach nie tylko warto rozmawiać, ale także badać je, a zdobytą wiedzę wykorzystywać do kreowania sukcesu marki. Wprawdzie poznanie upodobań odbiorców jest jednym z trudniejszych zadań przed jakimi stoją obecnie firmy, jednak przykłady takich firm jak Netflix pokazują, że warto zainwestować w ten obszar. Niezależnie od tego, czy chcesz ulepszyć silnik rekomendacyjny, poprawić jakość usług, zwiększyć ROI w marketing produktów czy też wpłynąć pozytywnie na lojalność klientów, poznanie ich, jest jednym z ważniejszych kroków do tego celu. Wykorzystanie metod uczenia maszynowego i sztucznej inteligencji pozwala to uczynić w sposób zautomatyzowany, szybki i kompleksowy.

TIDK z przyjemnością pomoże Ci odkryć upodobania Twoich klientów po to, abyś mógł im dostarczać rozwiązania jak najlepiej trafiające w ich gusta i potrzeby – nawet jeśli sami zainteresowani nie zawsze umieją wyrazić czego szukają. Umów się z nami i poznaj możliwości zaawansowanej analityki oraz sztucznej inteligencji!