Kung paano naging pinakamahalagang asset ng Netflix ang kanilang algorithm

Isang bersyon ng artikulong ito ay orihinal na lumabas sa Weekend Brief newsletter na eksklusibo para sa mga miyembro ng Quartz. Ang mga miyembro ng Quartz ay may access sa mga eksklusibong newsletter at iba pa.Mag-sign up dito.

Binigyan ng Netflix ang sarili nito ng 90 segundo. Iyon ang haba ng oras na ipinakikita ng pananaliksik na ang karaniwang subscriber ay magba-browse bago mawalan ng interes at lumipat sa kakumpitensya. Sa panahong iyon, kailangang magpakita ang rekomendasyon ng kumpanya ng isang bagay na kaakit-akit mula sa libu-libong pelikula at palabas. Kapag tama ang nailabas, mananatili ang subscriber. Kapag madalas na nagkakamali, magka-cancel sila.

Noong 2016, nang may humigit-kumulang 80 milyon na subscriber ang Netflix, binigyang halaga ng mga executive ng kumpanya ang algorithmic matchmaking nito ng $1 bilyon kada taon mula sa mga napanatiling customer. Pagkalipas ng isang dekada, ang streaming giant ay may 325 milyong subscriber sa buong mundo. Bagaman hindi na-update ng Netflix ang bilang na ito sa publiko, ipinapakita ng matematika na ang sistema ng rekomendasyon nito ay isa na sa mga pinakamahalagang piraso ng software sa larangan ng entertainment.

Ngayon, habang tinutulak ng Netflix ang $83 bilyong pagbili sa Warner Bros. Discovery, isang studio na may mahigit isang siglo ang tanda na tumulong mag-imbento ng Hollywood, ang algorithmic na pamamaraang nagpatibay sa dominasyon ng streamer ay nakahandang lubusang lamunin ang mga tradisyunal na studio.

Natutunan ng Netflix na pagmasdan ka rin

Ang unang sistema ng rekomendasyon ng kumpanya ay nakaasa sa star ratings — kung ano ang sinasabi ng mga user tungkol sa mga pelikula matapos nilang mapanood. Ngunit noong 2017, iniwan na ng Netflix ang pamamaraang iyon para sa mas nakalalantad: behavioral data.

Kung ano talaga ang iyong kiniklik. Gaano ka katagal manood bago iwanan ang isang palabas. Anong oras ng araw ka nanonood, at sa anong device. Anong mga palabas ang dinaanan mo lang nang hindi pinili. Napatunayang mas mahalaga ang implicit na feedback na ito kaysa sa explicit na mga kagustuhan. Lumalabas na hindi mapagkakatiwalaan ang sinasabi ng mga tao tungkol sa sarili nilang panlasa.

Ngayon, naglolog ang Netflix ng daan-daang bilyong ganitong micro-interactions kada taon, na pinapakain sa isang sistema ng magkakaugnay na mga algorithm na nagpapersonalisa halos bawat elemento ng karanasan sa panonood. Ang parehong pelikula ay maaaring lumabas na may ibang thumbnail image depende sa user — binibigyang-diin ang romansa para sa isa, aksyon para sa iba.

Pati ang pagkakaayos ng mga row sa iyong homepage ay iniisa-isa para sa iyo. Sa likod ng mga eksena, may mga team ng "taggers" na nanonood ng bawat palabas at naglalagay ng detalyadong katangian — kung ang isang palabas ay may ensemble cast, nasa kalawakan ang setting, o may matapang na babaeng bida — na ginagamit ng machine learning systems upang hatiin ang mga manonood sa libu-libong "taste communities."

Ang pagiging epektibo ng pamamaraang ito ay lumikha ng bagong kategorya ng entertainment na tinawag ng mga kritiko bilang "algorithm movie" — mga pelikulang dinisenyo upang akitin ang pinakalawak na audience sa pamamagitan ng pagsasama-sama ng pamilyar at data-validated na mga elemento.