Netflix: ’s werelds populairste videostreaming op abonnementsbasis die wereldwijd wordt aangeboden!
“Black Mirror, Dead to Me, en Medici.” – Topaanbevelingen op Netflix om als volgende te bekijken.
Maar hé, hoe kan Netflix nou weten welk genre het beste bij de smaak van de gebruiker past?
Alles dankzij de hypermoderne Recommendation Engines.
Een recommendation engine is een hulpmiddel voor het filteren van gegevens dat gegevens en algoritmen gebruikt om een catalogus te filteren die relevante items en producten voor de gebruiker voorspelt. Aanbevelingsengines combineren zowel op inhoud gebaseerde als op samenwerking gebaseerde benaderingen. Nu berust de op inhoud gebaseerde aanpak op de intrinsieke items waarin de gebruiker eerder belangstelling heeft getoond, waardoor een soortgelijk patroon van deze eigenschappen wordt gesuggereerd. Anderzijds analyseert een op samenwerking gebaseerde aanpak alle gebruikers van de dienst en beveelt een nieuwe gebruiker aan op basis van de relevante items van de andere gebruikers met een vergelijkbare smaak.
1-Miljoen-Dollar: de prijs die Netflix won voor de ideeën die ze projecteren op betere aanbevelingsengines.
De miljoen-dollar-onderneming stak veel belang in het idealiseren van ideeën uit deep learning en machine learning in de engineering achter het product.
Hierover zei de Senior Data Scientist van Netflix, Mohammad Sabah, in 2014,
“75 procent van de gebruikers kiest films op basis van de aanbevelingen van het bedrijf, en Netflix wil dat aantal nog hoger maken.”
Dit moment is Netflix ongetwijfeld het toppunt van inhoudsaanbeveling en gepersonaliseerde gebruikerservaring.
Lang verhaal kort.
De geesten achter Netflix, Randolph, en Hastings verzamelen de gegevens van gebruikersinteractie in een poging om betere en duidelijkere inzichten te krijgen over hoe klanten de dvd-verhuursoftware gebruiken. Waarop ze begonnen met het verzamelen van gegevens door middel van enquêtes en zelfs het maken van telefoontjes naar de woning van de gebruikers. Gelukkig voor hen evolueerde de technologie mee met hun methode om gegevens te verzamelen.
Zelfs na twee decennia staat Netflix nog steeds op het punt om verbeteringen aan te brengen met behulp van belangrijke software-gebruiksinzichten. Uiteindelijk spelen AI en machine learning een grotere rol, waardoor elke abonnee een ervaring kan ondergaan op basis van de granulaire kennis van de abonneebasis.
Welke veranderingen heeft Netflix ondergaan?
De meeste aanbevelingssystemen werken met behulp van het hebben van gebruikers die producten rangschikken op basis van een schaal van 1 tot 5. Nou, Netflix is daar vanaf gestapt. Het miljoenenbedrijf besloot over te stappen op een eenvoudigere versie van duimen omhoog of duimen omlaag beoordelingssysteem, samen met het percentage dat de compatibiliteit tussen de gebruiker en de film aantoont. De verandering vond plaats om bepaalde redenen als zodanig dat mensen over het algemeen films beoordelen in uw naam waardoor hun ratings bevooroordeeld zijn. Juist, tot op zekere hoogte, had dit een invloed op de algoritmen (de input en de output). Dus in plaats van de inputs in de vorm van 0 en 5 te ontvangen, ontvangt het nu een meer gedetailleerde binaire “ja” en een binaire “nee”, afhankelijk van of de gebruiker de film waardeert of niet. En wat de output betreft, moet het systeem een procentuele overeenkomst tussen de gebruiker en de film geven. Je kunt je voorstellen hoeveel werk de algoritme-ingenieurs en AI-ingenieurs erin moesten stoppen.
Naast dit, heeft Netflix besloten om meer gegevens te gebruiken om de beste aanbeveling te bieden. Momenteel zijn de meeste aanbevelingen die Netflix doet gebaseerd op hun wereldwijde publiek. Dus, de suggesties zijn niet meer beperkt tot regio-specifieke. Een andere belangrijke reden waarom Netflix had een snelle expansie.
👉Thumbnail/artwork personalisatie
Thumbnail projectie heeft het nog eenvoudiger voor gebruikers om de films die zij verkiezen te kiezen. De meeste gebruikers hebben de neiging om films of series te kiezen op basis van de thumbnail om te bepalen of het de moeite waard is om de film te bekijken of niet. Met de tijd realiseert Netflix zich dat de titel alleen de gebruiker niet kan overtuigen om de film te bekijken, dus hun projectie in de richting van dynamische gepersonaliseerde thumbnail.
Elke gekozen thumbnail is gebaseerd op een algoritme, waardoor de voorkeur van de gebruikers wordt gekozen, en op basis van de kijkgeschiedenis in het verleden heeft de geselecteerde thumbnail de hoogste omzettingsgraad. Voor elk programma in Netflix is er een divers aanbod van affiches die elk gericht zijn op een specifieke groep kijkers. Aangezien het algoritme gegevens en informatie over de gebruiker verzamelt op basis van de miniaturen, geeft het een beter antwoord bij het identificeren van het genre van de gebruiker.
👉Optimale streamingkwaliteit
De streamingkwaliteit is een cruciale metriek die specifiek bijdraagt aan bouncepercentages. Met meer dan 140 miljoen abonnees wereldwijd, wordt het een uitdaging voor Netflix om de beste streamingkwaliteit te bieden aan zijn kijkers. Met behulp van AI en machine learning kan Netflix nu echter de toekomstige vraag voorspellen en middelen op strategische serverlocaties veel van tevoren plaatsen. Door de video-activa vooraf dichter bij de abonnees te plaatsen, kunnen kijkers zelfs tijdens piekuren video van hoge kwaliteit streamen zonder enige onderbreking.
👉Gespecialiseerde filmaanbevelingen speciaal voor jou
Ondanks het feit dat twee individuen op hetzelfde moment inloggen op Netflix, zouden ze allebei verschillende programma-aanbevelingen krijgen aangeboden. Hoewel dit aan de oppervlakte voor de hand lijkt te liggen, is het verhaal binnenin heel anders. Het aanbevelingssysteem van Netflix werkt op basis van algoritme, maar de belangrijkste factor die de relevantie van deze aanbevelingen verhoogt, is vanwege machine learning en AI. Het algoritme leert naarmate gegevens worden verzameld. Daarom, hoe meer tijd je besteedt aan Netflix, hoe meer relevante programma’s zullen worden aanbevolen.
Netflix’s aanbevolen motor met een waarde van meer dan $ 1 miljard per jaar wordt geleverd met een gepersonaliseerd raster van suggesties die alleen is afgestemd op de smaak van de kijkers.