Hoe werkt de aanbevelingsengine van Netflix?
Wat moet ik deze avond kijken na een hectische dag op kantoor?
Dit is de vraag die in je opkomt als je weer thuis bent van kantoor en voor de TV zit zonder dat je nog weet wat voor programma’s je onlangs hebt gezien. Vandaag wil iedereen een intelligent streamingplatform dat zijn voorkeuren en smaken kan begrijpen zonder alleen op de automatische piloot te draaien. Van Netflix tot Amazon Prime – aanbevelingssystemen worden steeds belangrijker, omdat ze elke dag rechtstreeks interageren (meestal achter de schermen) met gebruikers.
Met meer dan 139 miljoen betaalde abonnees (totale kijkerspool -300 miljoen) in 190 landen, 15.400 titels in zijn regionale bibliotheken en 112 Emmy Award-nominaties in 2018 – Netflix is ’s werelds toonaangevende internettelevisienetwerk en de meest gewaardeerde grootste streamingdienst ter wereld. Het verbazingwekkende digitale succesverhaal van Netflix is onvolledig zonder de vermelding van zijn recommender-systemen die zich richten op personalisatie.
Heb je ooit nagedacht waarom het Netflix-artwork verandert voor verschillende shows wanneer je inlogt op het account? De ene dag is het misschien een afbeelding van de hele brugbemanning, terwijl het de andere dag Worf is die je veroordelend aankijkt. Als je Netflix-gebruiker bent, is het je misschien ook opgevallen dat het platform heel precieze genres toont, zoals romantische drama’s waarin het hoofdpersonage linkshandig is. Hoe komt Netflix aan zulke precieze genres voor zijn meer dan 100 miljoen abonnees? Hoe verandert het Netflix-kunstwerk? Het is machinaal leren, AI en de creativiteit achter de schermen die gissen wat een gebruiker ertoe zal aanzetten een bepaalde show te kiezen om naar te kijken. Machine learning en data science helpen Netflix om de ervaring voor u te personaliseren op basis van uw geschiedenis van het kiezen van shows om te kijken.
Did You Know?
Netflix begon in 2000 analytische hulpmiddelen te gebruiken om video’s aan te bevelen voor gebruikers om te huren.
Netflix heeft gewoon een venster van 90 seconden om kijkers te helpen een film of een tv-show te vinden voordat ze het platform verlaten en een andere service bezoeken. Dat is een van de belangrijkste redenen waarom Netflix zo geobsedeerd is met het personaliseren van aanbevelingen om gebruikers aan de haak te slaan.
Netflix’s gepersonaliseerde aanbevelingsalgoritmen produceren $ 1 miljard per jaar aan waarde uit klantenbehoud.
Meerderheid van Netflix-gebruikers houdt rekening met aanbevelingen, waarbij 80% van de Netflix-weergaven afkomstig is van de aanbevelingen van de service.
Netflix heeft 1300 aanbevelingsclusters opgezet op basis van de kijkvoorkeuren van gebruikers.
Netflix segmenteert zijn kijkers in meer dan 2K smaakgroepen. Op basis van de smaakgroep die een kijker valt, dicteert het de aanbevelingen.
Met meer dan 7K tv-programma’s en films in de catalogus, is het eigenlijk onmogelijk voor een kijker om films te vinden die ze leuk vinden om te kijken op hun eigen. Netflix’s aanbevelingsengine automatiseert dit zoekproces voor zijn gebruikers.
Personalisering van film-/tv-showaanbevelingen
Netflix’s chief content officer Ted Sarandos zei –
Er bestaat niet zoiets als een ‘Netflix-show’. Ons merk is personalisatie.
Personalisatie begint op de homepage van Netflix die groep video’s toont gerangschikt in horizontale rijen. Elke horizontale rij heeft een titel die betrekking heeft op de video’s in die groep. De meeste van de gepersonaliseerde aanbevelingen beginnen op basis van de manier waarop rijen worden geselecteerd en de volgorde waarin de items worden geplaatst. Recommender systems at Netflix span various algorithmic approaches like reinforcement learning, neural networks, causal modelling, probabilistic graphical models, matrix factorization, ensembles, bandits.
Netflix’s aanbevelingssystemen zijn ontwikkeld door honderden ingenieurs die de gewoonten van miljoenen gebruikers analyseren op basis van meerdere factoren. Telkens wanneer een gebruiker toegang krijgt tot Netflix-services, schat het aanbevelingssysteem de waarschijnlijkheid in dat een gebruiker een bepaalde titel bekijkt op basis van de volgende factoren –
- interacties van kijkers met Netflix-services, zoals kijkersbeoordelingen, kijkgeschiedenis, enz.
- Informatie over de categorieën, het jaar van uitgave, de titel, genres en meer.
- Andere kijkers met vergelijkbare kijkvoorkeuren en -smaken.
- Tijdsduur van een kijker die naar een show kijkt
- Het apparaat waarop een kijker kijkt.
- Het tijdstip van de dag waarop een kijker kijkt -Dit komt omdat Netflix de gegevens heeft dat er verschillend kijkgedrag is op basis van het tijdstip van de dag, de dag van de week, de locatie en het apparaat waarop een show of film wordt bekeken.
Voor elke nieuwe abonnee vraagt Netflix hen om titels te kiezen die ze graag willen bekijken. Deze titels worden gebruikt als de eerste stap voor gepersonaliseerde aanbevelingen. Later, wanneer kijkers in de loop van de tijd blijven kijken, worden de aanbevelingen aangedreven door de titels die ze meer recent hebben bekeken, samen met andere hierboven genoemde factoren. De aanbevelingen op basis van machinaal leren van Netflix leren van hun eigen gebruikers. Telkens wanneer een kijker tijd besteedt aan het bekijken van een film of een show, verzamelt het gegevens die het machine learning-algoritme achter de schermen informeert en ververst. Hoe meer een kijker kijkt, hoe actueler en nauwkeuriger het algoritme is.
Personalisering van Artwork/ Thumbnails
Het belangrijkste doel van Netflix is om gepersonaliseerde aanbevelingen te doen door de juiste titels op het juiste moment aan elk van de kijkers te laten zien. Maar waarom zou een kijker zich iets aantrekken van de titels die Netflix aanbeveelt? Hoe overtuigt Netflix een kijker ervan dat een titel het bekijken waard is? Hoe trekt Netflix de aandacht van een kijker naar een nieuwe en onbekende titel? Het beantwoorden van deze vragen is belangrijk om te begrijpen hoe kijkers geweldige inhoud ontdekken, met name voor nieuwe en onbekende titels. Netflix pakt deze uitdaging aan door middel van artwork personalisatie of thumbnails personalisatie die de titels uitbeelden.
Netflix onderscheidt zich van honderd andere mediabedrijven door de zogenaamde artworks te personaliseren. Ze zeggen dat een afbeelding duizend woorden waard is en Netflix tikt daar op in met zijn nieuwe aanbevelingsalgoritme op basis van artwork. Het artwork voor een titel wordt gebruikt om de aandacht van de kijker te trekken en geeft hen een visueel bewijs waarom het voor hen een perfecte keuze zou kunnen zijn om het te bekijken. De thumbnail of het artwork kan een spannende scène uit een film uitlichten, zoals een achtervolging, een bekende acteur die de kijker herkent, of een dramatische scène die de essentie van de TV show of een film weergeeft. Voor elke nieuwe titel worden verschillende afbeeldingen willekeurig toegewezen aan verschillende abonnees op basis van de smaakgemeenschappen. Netflix presenteert vervolgens het beeld met de hoogste waarschijnlijkheid op de homepage van een gebruiker, zodat ze het zullen proberen.
Netflix maakt gebruik van duizenden videoframes van bestaande tv-shows en films voor het genereren van thumbnails. De beelden worden vervolgens geannoteerd en gerangschikt om te voorspellen hoe groot de kans is dat ze door een kijker worden aangeklikt. Deze berekeningen zijn afhankelijk van waar andere kijkers met vergelijkbare smaak en voorkeuren op hebben geklikt. Bijvoorbeeld, kijkers die een bepaalde acteur leuk vinden, hebben de meeste kans om op afbeeldingen met de acteur te klikken.
Andere toepassingen van Machine Learning bij Netflix
- Machine learning geeft vorm aan de catalogus van tv-programma’s en films door kenmerken te leren die inhoud succesvol maken onder kijkers.
- Het drijft de reclame-uitgaven, reclamecreaties en kanaalmix aan om Netflix te helpen nieuwe abonnees te identificeren die van hun service zullen genieten.
- Optimaliseer de productie van tv-programma’s en films.
- Optimaliseer audio- en videocodering, in-house CDN en adaptieve bitrate-selectie.
We moeten machine learning en data science bedanken voor het volledig verstoren van de manier waarop media- en entertainmentindustrieën werken. Het is vrij duidelijk dat Netflix’s samensmelting van gegevens, algoritmen en personalisatie gebruikers waarschijnlijk aan hun scherm gekluisterd zal houden. Het zal interessant zijn om te zien hoe de media- en entertainmentindustrie opnieuw vorm zal krijgen met machine learning en kunstmatige intelligentie.