More than 80 per cent of the TV shows and movies people watch on Netflix are discovered through the platform’s recommendation system. That means when you think you are choosing what to watch on Netflix you are basically choosing from a number of decisions made by an algorithm.
Netflix offers thousands of TV shows available for streaming. It recommends titles for each user. If you use Netflix you may have noticed they create reeeally precises genres: Romantic Dramas Where The Main Character is Left Handed. How do they come up with those genres? How to they deal with giving great recommendations to their 100 million-plus subscribers who are already used to getting recommendations from pretty much every platform they use? Apprentissage automatique, algorithmes et créativité. Ce sont leurs tours de magie pour aider à briser les idées préconçues des téléspectateurs et trouver des émissions qu’ils n’auraient peut-être pas eu l’idée de regarder au départ. Pour ceux qui essaient encore de comprendre ce qu’est un algorithme, il s’agit essentiellement d’un ensemble d’instructions basées sur des données qui indiquent à Netflix ce qu’il doit faire.
Le système de recommandation fonctionne en rassemblant des données collectées à différents endroits. Les lignes recommandées sont adaptées à vos habitudes de visionnage. C’est pourquoi vous pouvez savoir quand vos petits cousins ont utilisé votre compte pour regarder un milliard d’heures de Peppa Pig. Dans ce cas, les algorithmes sont souvent utilisés pour faciliter l’apprentissage automatique. Les systèmes comme Netflix basés sur l’apprentissage automatique se réécrivent eux-mêmes à mesure qu’ils apprennent de leurs propres utilisateurs. Chaque fois que vous appuyez sur « play » et que vous passez du temps à regarder une émission de télévision ou un film, Netflix collecte des données qui informent l’algorithme et le rafraîchissent. Plus vous regardez, plus l’algorithme est à jour.
Les données collectées ont de multiples facettes et sont complexes, mais elles impliquent bien plus que de traiter le genre d’un programme qu’un utilisateur regarde et de lui recommander des drames, des romances ou des comédies. Todd Yellin, vice-président de l’innovation produit de Netflix, a déclaré à Wired en 2017 : « ce que nous voyons de ces profils, ce sont les types de données suivants – ce que les gens regardent, ce qu’ils regardent après, ce qu’ils regardent avant, ce qu’ils ont regardé il y a un an, ce qu’ils ont regardé récemment et à quelle heure de la journée ». L’expérience Netflix est pilotée par un certain nombre d’algorithmes d’apprentissage automatique : classement, recherche, similarité, évaluations et autres. La société ne peut pas proposer l’ensemble de son catalogue en une seule fois, elle doit donc le sélectionner. La qualité et le goût étant rarement la même chose, Netflix ne peut pas fonctionner comme Rotten Tomatoes, Pitchfork ou IMDb, ils doivent connaître leurs utilisateurs et obtenir des recommandations adaptées à chaque individu.
Netflix travaille avec des groupes de goûts. Chaque spectateur s’inscrit dans plusieurs groupes et ceux-ci affectent les recommandations qui s’affichent en haut de chaque interface à l’écran, les rangées de genre qui s’affichent et la façon dont chaque rangée est organisée. Si vos habitudes de visionnage sont similaires à celles d’un autre utilisateur, Netflix vous servira des recommandations basées sur le comportement de cet autre utilisateur également.
Les balises qui sont utilisées pour les algorithmes d’apprentissage automatique sont les mêmes partout dans le monde. Netflix a embauché des humains en chair et en os pour catégoriser chaque parcelle d’émissions de télévision et de films et appliquer des balises à chacun d’entre eux afin de créer des micro genres hyperspécifiques tels que « Drames nostalgiques visuellement frappants » ou « Films romantiques de voyage en voiture sous-entendus ».
Chacun de ces facteurs de données se réunit pour identifier dans quel groupe de goût vous vous situez. L’écran de chaque utilisateur se peuple – à gauche, à droite et de haut en bas – est basé sur les groupes auxquels il appartient.
Pourquoi des rangées d’ailleurs?
Chris Alvino, ingénieur en apprentissage machine chez Netflix, explique qu’ils choisissent des rangées pour faciliter la navigation des membres dans une grande partie de leur catalogue. En présentant des groupes cohérents de vidéos dans une rangée, en donnant un nom significatif à chaque rangée et en présentant les rangées dans un ordre utile, les membres peuvent rapidement décider si un ensemble de vidéos dans une rangée est susceptible de contenir quelque chose qui les intéresse à ce moment précis. Cela permet aux membres soit de plonger plus profondément et de chercher d’autres vidéos dans le thème, soit de les sauter et de regarder une autre rangée.
Chaque appareil a des capacités matérielles différentes qui peuvent limiter le nombre de rangées affichées à un moment donné et la taille de l’ensemble de la page c’est pourquoi Netflix doit être conscient des contraintes de chaque appareil.
Chaque rangée peut offrir une tranche unique et personnalisée du catalogue pour qu’un membre puisse naviguer. Une partie du défi de Netflix consiste à créer des regroupements utiles de vidéos afin de mettre en évidence la profondeur du catalogue et d’aider les membres non seulement à renforcer leurs centres d’intérêt mais aussi à en trouver de nouveaux. Les recommandations doivent être fraîches et réactives, mais aussi stables, afin que les internautes connaissent bien leur page d’accueil et puissent facilement retrouver les vidéos qui leur ont été recommandées dans un passé récent.
Une image vaut mille mots
Netflix a récemment mis en place un nouvel algorithme de recommandation basé sur les œuvres d’art. Il sert des images uniques et sur mesure à ses abonnés. Ces images sont spécialement conçues pour que vous restiez scotché à Netflix. Il prend en compte un grand nombre des mêmes facteurs de données que nous avons mentionnés.
Gopal Krishnan a tout expliqué sur ce nouvel algorithme dans son billet de blog technique. Netflix a travaillé à la création d’un cadre qui leur permet de croiser efficacement le big data avec la créativité aidant les utilisateurs à découvrir plus rapidement des émissions et des films qu’ils apprécieront et les empêchant d’être submergés par l’ÉNORME catalogue de Netflix. Grâce à cette enquête, ils ont maintenant la capacité unique de comprendre quelles images fonctionnent le mieux pour chaque utilisateur.
Ils disent que s’ils ne captent pas l’attention d’un utilisateur dans les 90 secondes, il est probable qu’il perde son intérêt et passe à une autre activité. Ayant un temps aussi court pour capter l’intérêt, les images deviennent le moyen le plus efficace et le plus convaincant pour faire découvrir aux utilisateurs le titre parfait le plus rapidement possible.
Ils ont construit un système qui teste un ensemble d’images pour de nombreux titres de leur catalogue aidant à afficher une image convaincante pour stimuler l’engagement. Grâce à de nombreuses expériences et tests, Netflix est arrivé à la conclusion que le fait de voir une certaine gamme d’émotions incite les gens à regarder une émission de télévision ou un film. Cela est probablement dû au fait que les émotions complexes transmettent aux utilisateurs une foule d’informations sur le ton ou l’ambiance du contenu, mais il est intéressant de voir combien de membres répondent réellement de cette manière lors des tests. On peut en voir un exemple dans la récente image gagnante (« gagnante » signifie qu’elle a suscité le plus d’engagement) pour la deuxième saison de Unbreakable Kimmy Schmidtci-dessous :
That winning image is the one that would work best for a majority of Netflix users. But they have pushed even further and given the enormous diversity in taste and preferences, they decided to put together different artwork for each user to highlight the aspects of a show or movie that are relevant to them.
In order to choose which image each user has on their feed, Netflix focuses on what other shows and movies users have been watching. For example, a member who watches many movies featuring Uma Thurman would likely respond positively to the artwork for Pulp Fiction that contains Uma. Meanwhile, a fan of John Travolta may be more interested in watching Pulp Fiction if the artwork features John.
Not all the scenarios for personalizing artwork are this clear and obvious but data does all the work in order to choose the artwork for each user and improve the Netflix experience (and keep users binging, of course).
