Bagaimana algoritma Netflix menjadi aset paling berharga

Sebuah versi artikel ini awalnya diterbitkan di newsletter Weekend Brief khusus anggota Quartz. Anggota Quartz mendapatkan akses ke newsletter eksklusif dan masih banyak lagi. Daftar di sini.

Netflix memberi dirinya 90 detik. Itulah waktu yang penelitian menunjukkan rata-rata pelanggan akan mencari sebelum kehilangan minat dan berpindah ke pesaing. Dalam waktu singkat itu, mesin rekomendasi perusahaan harus menampilkan sesuatu yang menarik dari katalog berisi ribuan judul. Jika berhasil, pelanggan bertahan. Jika sering gagal, mereka membatalkan langganan.

Kembali pada tahun 2016, saat Netflix memiliki sekitar 80 juta pelanggan, eksekutif perusahaan menilai pencocokan algoritmik ini sebesar $1 miliar per tahun dalam hal mempertahankan pelanggan. Satu dekade kemudian, raksasa streaming ini sekarang memiliki 325 juta pelanggan di seluruh dunia. Meskipun Netflix belum memperbarui angka itu secara publik, perhitungannya menunjukkan bahwa sistem rekomendasinya telah menjadi salah satu perangkat lunak paling berharga di industri hiburan.

Kini, saat Netflix mengejar akuisisi Warner Bros. Discovery senilai $83 miliar, sebuah studio berusia seabad yang membantu membentuk Hollywood, pendekatan algoritmik yang membangun dominasi streamer ini bersiap untuk sepenuhnya menyerap penjaga lama.

Netflix belajar untuk menontonmu kembali

Sistem rekomendasi awal perusahaan mengandalkan rating bintang — apa yang dikatakan pengguna tentang film setelah menontonnya. Namun pada 2017, Netflix meninggalkan pendekatan itu demi sesuatu yang lebih terbuka: data perilaku.

Apa yang benar-benar kamu klik. Berapa lama kamu menonton sebelum meninggalkan sebuah judul. Jam berapa kamu menonton, dan di perangkat mana. Apa yang kamu lewati tanpa memilih. Umpan balik implisit ini ternyata jauh lebih berharga daripada preferensi eksplisit. Ternyata, selera yang dinyatakan orang sering kali tidak dapat diandalkan.

Saat ini, Netflix mencatat ratusan miliar interaksi mikro ini setiap tahun, memasukannya ke dalam sistem algoritma yang saling terhubung untuk mempersonalisasi hampir setiap elemen pengalaman menonton. Film yang sama bisa muncul dengan gambar mini berbeda untuk pengguna berbeda, menonjolkan romansa untuk satu penonton dan aksi untuk yang lain.

Bahkan urutan baris di beranda kamu dihitung khusus untukmu. Di balik layar, tim "tagger" menonton setiap judul dan menetapkan atribut secara mendetail — apakah sebuah acara menampilkan pemeran ansambel, berlatar di luar angkasa, atau dibintangi pemeran utama wanita yang kuat — yang kemudian digunakan oleh sistem machine learning untuk mengelompokkan penonton ke dalam ribuan "komunitas selera."

Efisiensi pendekatan ini menciptakan kategori hiburan baru yang dikritik sebagai "film algoritma" — film yang dirancang untuk menarik minat audiens seluas mungkin dengan menggabungkan elemen-elemen yang sudah terbukti melalui data.