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? Aprendizagem da máquina, algoritmos e criatividade. Esses são seus truques de magia para ajudar a quebrar as noções preconcebidas dos telespectadores e encontrar mostras de que eles podem não ter pensado inicialmente em assistir. Para aqueles que ainda estão tentando descobrir o que é um algoritmo, é basicamente um conjunto de instruções em banco de dados que diz à Netflix o que fazer.
O sistema de recomendações funciona reunindo os dados coletados de diferentes lugares. As linhas recomendadas são adaptadas aos seus hábitos de visualização. É por isso que você pode dizer quando seus primos pequenos têm usado sua conta para ver um bilhão de horas de Peppa Pig. Neste caso, os algoritmos são frequentemente utilizados para facilitar a aprendizagem da máquina. Sistemas como o Netflix, baseados na aprendizagem de máquinas, reescrevem-se à medida que aprendem com os seus próprios utilizadores. Cada vez que você pressiona play e passa algum tempo assistindo um programa de TV ou um filme, o Netflix está coletando dados que informam o algoritmo e o atualizam. Quanto mais você assiste, mais atualizado o algoritmo é.
Os dados coletados são multifacetados e complexos, mas envolvem muito mais do que apenas processar o gênero de um programa que um usuário está assistindo e o recomendam para dramas, romances ou comédias. Todd Yellin, VP de inovação de produtos da Netflix, disse à Wired em 2017: “o que vemos desses perfis são os seguintes tipos de dados – o que as pessoas observam, o que observam depois, o que observam antes, o que observaram há um ano, o que observaram recentemente e a que hora do dia”. A experiência Netflix é impulsionada por uma série de algoritmos de aprendizagem de máquinas: ranking, pesquisa, similaridade, classificações e muito mais. Eles não podem oferecer todo o seu catálogo de uma só vez, então eles devem curá-lo. Como a qualidade e o gosto raramente são a mesma coisa, a Netflix não pode funcionar como Tomate Podre, Pitchfork ou IMDb, eles têm de conhecer os seus utilizadores e obter recomendações adaptadas a cada indivíduo.
A Netflix trabalha com grupos de gosto. Cada visualizador se encaixa em múltiplos grupos e estes afetam quais recomendações aparecem no topo de cada interface na tela, quais linhas de gênero são exibidas e como cada linha é organizada. Se os seus padrões de visualização são semelhantes aos de outro usuário, a Netflix servirá recomendações baseadas no comportamento desse outro usuário também.
As tags que são usadas para os algoritmos de aprendizagem da máquina são as mesmas em todo o mundo. A Netflix contratou humanos da vida real para categorizar cada bit de programas de TV e filmes e aplicar tags a cada um deles, a fim de criar microgêneros hiperespecíficos, tais como “Dramas nostálgicos visualmente marcantes” ou “Understated romantic road trip movies”.
Cada um desses fatores de dados se reúne para identificar em qual grupo de gosto você se encaixa. A tela de cada usuário é preenchida – esquerda, direita e de cima para baixo – é baseada em quais grupos eles pertencem.
Porquê Linhas Enfim?
Chris Alvino, Engenheiro de Aprendizagem de Máquinas da Netflix, explica que eles escolhem linhas para facilitar a navegação dos membros através de uma grande parte do seu catálogo. Ao apresentar grupos coerentes de vídeos em fila, fornecendo um nome significativo para cada fila, e apresentando filas em uma ordem útil, os membros podem rapidamente decidir se todo um conjunto de vídeos em fila é susceptível de conter algo que eles estão interessados em assistir naquele preciso momento. Isto permite que os membros mergulhem mais fundo e procurem mais vídeos no tema ou que os ignorem e olhem para outra linha.
Cada dispositivo tem diferentes capacidades de hardware que podem limitar o número de linhas exibidas a qualquer momento e o tamanho que a página inteira pode ter, é por isso que a Netflix deve estar ciente das restrições de cada dispositivo.
Cada linha pode oferecer uma fatia única e personalizada do catálogo para um membro navegar. Parte do desafio da Netflix é criar agrupamentos úteis de vídeos para destacar a profundidade do catálogo e ajudar os membros não só a reforçar as suas áreas de interesse, mas também a encontrar novas áreas. As recomendações devem ser frescas e receptivas, mas também estáveis para que as pessoas estejam familiarizadas com sua página inicial e possam facilmente encontrar vídeos que tenham sido recomendados no passado recente.
An Image is Worth a Thousand Words
Netflix implementou recentemente um novo algoritmo de recomendação baseado em obras de arte. Ele serve imagens únicas feitas sob medida para seus assinantes. Estas imagens são especialmente desenhadas para mantê-lo preso na Netflix. Ele leva em conta muitos dos mesmos fatores de dados que mencionamos.
Gopal Krishnan explicou tudo sobre este novo algoritmo em seu post técnico no blog. O Netflix tem trabalhado para criar um framework que lhes permite efetivamente cruzar grandes dados com criatividade, ajudando os usuários a descobrir programas e filmes que eles irão desfrutar mais rapidamente e evitar que fiquem sobrecarregados com o catálogo ENORME do Netflix. Como resultado dessa investigação, eles agora têm a capacidade única de entender quais imagens funcionam melhor para cada usuário.
Dizem que se não capturarem a atenção de um usuário em 90 segundos, ele provavelmente perderá o interesse e passará para outra atividade. Tendo um tempo tão curto para capturar o interesse, as imagens se tornam a forma mais eficiente e convincente de fazer os usuários descobrirem o título perfeito o mais rápido possível.
Eles construíram um sistema que testa um conjunto de imagens para muitos títulos no seu catálogo, ajudando a exibir uma imagem convincente para impulsionar o engajamento. Através de muitas experiências e testes, a Netflix chegou à conclusão de que ver uma certa gama de emoções realmente compele as pessoas a ver um programa de TV ou filme. Isto deve-se provavelmente ao facto de as emoções complexas transmitirem uma grande quantidade de informação aos utilizadores relativamente ao tom ou sensação do conteúdo, mas é interessante ver o quanto os membros respondem realmente desta forma nos testes. Um exemplo disso é visto na recente imagem vencedora (“vencer” significa que foi a que mais se empenhou) para a segunda temporada do Inquebrável 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).
