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? Apprendimento automatico, algoritmi e creatività. Questi sono i loro trucchi magici per aiutare a rompere i preconcetti degli spettatori e trovare spettacoli che potrebbero non aver pensato inizialmente di guardare. Per coloro che stanno ancora cercando di capire cosa sia un algoritmo, si tratta fondamentalmente di un insieme di istruzioni basate su dati che dicono a Netflix cosa fare.
Il sistema di raccomandazione funziona mettendo insieme dati raccolti da luoghi diversi. Le righe consigliate sono adattate alle tue abitudini di visione. Ecco perché puoi capire quando i tuoi cuginetti hanno usato il tuo account per guardare un miliardo di ore di Peppa Pig. In questo caso, gli algoritmi sono spesso utilizzati per facilitare l’apprendimento automatico. Sistemi come Netflix basati sull’apprendimento automatico si riscrivono man mano che imparano dai loro stessi utenti. Ogni volta che si preme play e si passa un po’ di tempo a guardare una serie TV o un film, Netflix sta raccogliendo dati che informano l’algoritmo e lo aggiornano. Più si guarda, più l’algoritmo è aggiornato.
I dati raccolti sono sfaccettati e complessi, ma coinvolgono molto di più che elaborare il genere di un programma che un utente sta guardando e consigliargli drammi, romanzi o commedie. Todd Yellin, VP di Netflix per l’innovazione dei prodotti, ha detto a Wired nel 2017: “quello che vediamo da quei profili è il seguente tipo di dati – cosa guardano le persone, cosa guardano dopo, cosa guardano prima, cosa hanno guardato un anno fa, cosa hanno guardato di recente e a che ora del giorno”. L’esperienza di Netflix è guidata da una serie di algoritmi di apprendimento automatico: classifica, ricerca, somiglianza, valutazioni e altro. Non possono offrire tutto il loro catalogo in una volta sola, quindi devono curarlo. Poiché qualità e gusto sono raramente la stessa cosa, Netflix non può funzionare come Rotten Tomatoes, Pitchfork o IMDb, devono conoscere i loro utenti e ottenere raccomandazioni su misura per ogni individuo.
Netflix lavora con gruppi di gusto. Ogni spettatore si inserisce in più gruppi e questi influenzano quali raccomandazioni appaiono in cima a ogni interfaccia a schermo, quali righe di genere vengono visualizzate e come ogni riga è organizzata. Se i tuoi schemi di visione sono simili a quelli di un altro utente, Netflix fornirà raccomandazioni basate sul comportamento di quell’altro utente.
I tag utilizzati per gli algoritmi di apprendimento automatico sono gli stessi in tutto il mondo. Netflix ha assunto esseri umani in carne e ossa per categorizzare tutti gli spettacoli televisivi e i film e applicare tag a ciascuno di essi al fine di creare microgeneri iperspecifici come “Drammi nostalgici di grande impatto visivo” o “Film romantici di viaggio su strada”.
Ognuno di questi fattori di dati si riunisce per identificare in quale gruppo di gusto si inserisce. La schermata di ogni utente viene popolata – a sinistra, a destra e dall’alto in basso – in base al gruppo di appartenenza.
Perché le righe?
Chris Alvino, Machine Learning Engineer di Netflix, spiega che hanno scelto le righe per facilitare ai membri la navigazione attraverso una vasta porzione del loro catalogo. Presentando gruppi coerenti di video in una riga, fornendo un nome significativo per ogni riga e presentando le righe in un ordine utile, i membri possono decidere rapidamente se un intero gruppo di video in una riga può contenere qualcosa che sono interessati a guardare in quel preciso momento. Questo permette ai membri di immergersi più a fondo e cercare altri video nel tema o di saltarli e guardare un’altra riga.
Ogni dispositivo ha diverse capacità hardware che possono limitare il numero di righe visualizzate in qualsiasi momento e quanto grande può essere l’intera pagina, ecco perché Netflix deve essere consapevole dei vincoli di ogni dispositivo.
Ogni riga può offrire una fetta unica e personalizzata del catalogo per un membro da navigare. Parte della sfida di Netflix è quella di creare utili raggruppamenti di video per evidenziare la profondità del catalogo e aiutare i membri non solo a rafforzare le loro aree di interesse ma anche a trovarne di nuove. Le raccomandazioni dovrebbero essere fresche e reattive, ma anche stabili in modo che le persone abbiano familiarità con la loro homepage e possano facilmente trovare i video che sono stati raccomandati nel recente passato.
Un’immagine vale più di mille parole
Netflix ha recentemente implementato un nuovo algoritmo di raccomandazione basato sulle opere d’arte. Serve immagini uniche su misura ai suoi abbonati. Queste immagini sono appositamente progettate per tenerti incollato a Netflix. Prende in considerazione molti degli stessi fattori di dati che abbiamo menzionato.
Gopal Krishnan ha spiegato tutto su questo nuovo algoritmo nel suo post sul blog tecnico. Netflix ha lavorato per creare una struttura che permetta loro di intersecare efficacemente i big data con la creatività, aiutando gli utenti a scoprire più velocemente gli spettacoli e i film che gli piaceranno e ad evitare di essere sopraffatti dall’ENORME catalogo di Netflix. Come risultato di questa ricerca, ora hanno la capacità unica di capire quali immagini funzionano meglio per ogni utente.
Dicono che se non catturano l’attenzione di un utente entro 90 secondi, lui o lei probabilmente perderà interesse e passerà a un’altra attività. Avendo un tempo così breve per catturare l’interesse, le immagini diventano il modo più efficiente e convincente per far scoprire agli utenti il titolo perfetto nel più breve tempo possibile.
Hanno costruito un sistema che testa una serie di immagini per molti titoli del loro catalogo aiutando a visualizzare un’immagine convincente per guidare il coinvolgimento. Attraverso molti esperimenti e test, Netflix è arrivata alla conclusione che vedere una certa gamma di emozioni spinge effettivamente le persone a guardare una serie TV o un film. Questo è probabilmente dovuto al fatto che le emozioni complesse trasmettono una grande quantità di informazioni agli utenti per quanto riguarda il tono o la sensazione del contenuto, ma è interessante vedere quanti membri rispondono effettivamente in questo modo nei test. Un esempio di questo è visto nella recente immagine vincente (“vincente” significa che ha portato il maggior coinvolgimento) per la seconda stagione di Unbreakable Kimmy Schmidtbelow:
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).
