Rahasia Dibalik Personalized Thumbnails Netflix yang Berubah

Rahasia Dibalik Personalized Thumbnails Netflix yang Berubah

Kalau kamu subscriber Netflix, pasti kamu pernah memperhatikan thumbnails netflix sering berubah. Kamu pasti tidak asing lagi dengan peribahasa “jangan menilai buku dari sampulnya” kan? Pada kenyataannya, orang lebih cenderung menonton sesuatu jika thumbnails menunjukkan sesuatu yang menarik minat mereka. Dengan kata lain, sebuah gambar bernilai seribu kata.

Netflix mengambil kesempatan ini untuk meningkatkan loyalitas pelanggan. Lagi pula, semakin banyak kamu menonton, semakin besar kemungkinan kamu untuk tetap berlangganan. Dan terlebih lagi, sebagai layanan streaming pertama yang benar-benar sukses, mereka memiliki sedikit lebih banyak waktu untuk mencari tahu apa yang menarik perhatian kamu dan apa yang tidak.

Aspek paling menarik dari pemilihan gambar adalah Netflix tidak hanya memikirkan cara membuat kamu menonton sesuatu, mereka juga membidik kamu secara spesifik, dengan benar-benar menganalisis media yang kamu konsumsi dan membangun pengalaman yang dirancang khusus untuk kamu. Yuk kita bahas tentang bagaimana Netflix menemukan apa yang perlu mereka lakukan untuk mendapatkan perhatian dan bagaimana proses mereka telah berubah selama bertahun-tahun.

Netflix Menggunakan AI dan Machine Learning

Akhir-akhir ini Netflix mulai menggunakan Artificial Intelligent dengan nama “Contextual Bandits” yang bisa bekerja lebih aktif, konsisten, dan kontekstual dengan menggunakan data sebelumnya dan apa yang Anda lihat dalam waktu kurang lebih secara real time.

5 Penggunaan AI/Data/Pembelajaran Mesin di Netflix:

  1. Personalisasi Rekomendasi Film — Pengguna yang menonton film A cenderung menonton filmB. Ini mungkin fitur Netflix yang paling terkenal. Netflix menggunakan riwayat menonton pengguna lain dengan selera yang sama untuk merekomendasikan apa yang mungkin paling menarik untuk kamu tonton selanjutnya sehingga kamu tetap terlibat dan melanjutkan langganan bulanan kamu.
  2. Personalisasi Thumbnail — Menggunakan ribuan bingkai video dari film atau series yang ada sebagai titik awal untuk pembuatan thumbnails, Netflix memberi peringkat pada setiap gambar dalam upaya mengidentifikasi thumbnails mana yang memiliki kemungkinan paling tinggi untuk dihasilkan. Perhitungan ini didasarkan pada apa yang telah diklik oleh orang lain yang serupa dengan kamu. Salah satu temuannya adalah pengguna yang menyukai aktor/genre film tertentu lebih cenderung mengklik thumbnail dengan atribut aktor/gambar tertentu.
  3. Penelusuran Lokasi untuk Produksi Film (Pra-Produksi) — Menggunakan data untuk membantu memutuskan di mana dan kapan terbaik untuk merekam set film — mengingat kendala penjadwalan (ketersediaan aktor/kru), anggaran (tempat, biaya penerbangan/hotel), dan produksi persyaratan pemandangan (pemotretan siang vs malam, kemungkinan risiko peristiwa cuaca di suatu lokasi). Perhatikan ini lebih merupakan masalah pengoptimalan ilmu data daripada model pembelajaran mesin yang membuat prediksi berdasarkan data masa lalu.
  4. Pengeditan Film (Pasca Produksi) —Menggunakan data historis saat pemeriksaan kontrol kualitas gagal di masa lalu (saat sinkronisasi subtitle ke suara/gerakan tidak aktif di masa lalu) — untuk memprediksi kapan pemeriksaan manual paling bermanfaat dalam hal lain menjadi proses yang sangat memakan waktu dan melelahkan.
  5. Kualitas Streaming — Menggunakan data penayangan sebelumnya untuk memprediksi penggunaan bandwidth guna membantu Netflix memutuskan kapan harus menyimpan cache server regional untuk waktu pemuatan yang lebih cepat selama permintaan puncak (yang diharapkan).

Penggunaan terkait AI ini akan semakin kuat seiring waktu. Tetapi sebelum penggunaan ini menjadi hal yang biasa seperti sekarang ini dan digunakan oleh pengguna seperti kamu dan saya, seseorang atau beberapa grup di Netflix menghubungkan solusi AI ini dengan benar dengan kebutuhan bisnis. Tanpa tautan bisnis ini, kasus penggunaan ini hanya akan menjadi ide-ide yang berada di bawah backlog seperti banyak ide hebat lainnya. Hanya melalui penentuan posisi dan koneksi yang tepat dengan masalah bisnis inti Netflix, ide-ide ini menjadi kenyataan seperti sekarang ini.

Sedangkan, Machine Learning adalah solusi AI yang potensial — tetapi kita harus mendefinisikan masalahnya terlebih dahulu sebelum menentukan solusi itu. Kebutuhan bisnis inti inilah yang mendorong parameter model Machine Learning yang digunakan, data apa yang dikumpulkan dan diproses, dll. Kami tidak melakukan Machine Learning untuk menyediakan personalisasi hanya karena itu adalah teknologi yang menarik — kami perlu menautkannya ke masalah bisnis. Ilmuwan data adalah spesialis dalam mengungkap wawasan dari data, tetapi adalah peran manajer produk untuk menghubungkannya dengan kebutuhan atau masalah bisnis dan membandingkannya dengan prioritas yang bersaing.

Thumbnails Netflix Berubah, kenapa?

Tujuan awal Netflix adalah membuat satu thumbnails yang bisa menarik perhatian pelanggan mereka, namun belakangan ini prosedur mereka telah berubah. Untuk film original Netflix seperti Stranger Things, mereka menyediakan berbagai macam pilihan thumbnails yang spesifik untuk beberapa pelanggan dengan minat yang sama. Algoritma Netflix akan melihat kebiasaan kamu dalam menonton film.

Netflix Series Stranger Things Personalized Thumbnails

Kalau kamu suka nonton film jadul seperti Ghostbusters, Stranger Things akan menampilkan thumbnails ini di account kamu:

Netflix Series: Stranger Things Personalized Tumbnails

Namun kalau kamu menyukai film horor, Netflix akan menampilkan thumbnails ini:

Netflix belum menyempurnakan modelnya, tetapi mereka telah menyesuaikan algoritma mereka dari waktu ke waktu menjadi lebih pribadi untuk setiap pengguna individu. Awalnya Netflix hanya melihat sekumpulan kebiasaan menonton pengguna, mempelajari apa yang mereka bisa selama periode waktu tertentu, dan kemudian membangun algoritme seputar data.

Personalized Thumbnails

Kasus penggunaan ini adalah bagian dari Rekomendasi Film. Mengingat bahwa rekomendasi film diberikan kepada pengguna, kami sekarang memiliki masalah bisnis / pengguna lain.
Masalah: Bagaimana (dan kapan) sebaiknya kami menyajikan rekomendasi film tersebut kepada pengguna dengan cara yang memaksimalkan penayangan dan loyalitas pelanggan bulanan?

Nah, salah satu cara untuk memberikan rekomendasi itu adalah melalui thumbnail gambar — tapi thumbnail seperti apa yang kami sediakan? Dan seberapa yakin kami bahwa mengubah gambar mini akan memengaruhi penayangan atau loyalitas pelanggan secara positif? Seberapa pentingkah thumbnail itu? Apakah kita memiliki data untuk itu?

Mengumpulkan Data untuk Mendukung Hipotesis itu kamu dapat yakin bahwa beberapa individu yang berfokus pada produk di Netflix menanyakan pertanyaan yang sama persis ini secara internal. Dan individu atau kelompok itu bekerja bersama (mungkin dengan UX dan pemangku kepentingan terkait) untuk mengumpulkan studi pengguna atau data di tempat lain, untuk membuktikan bahwa memang ada hubungan kuat antara gambar mini gambar dan penayangan. Itulah hipotesis mereka: bahwa menyesuaikan konten artistik dari gambar mini dapat memiliki hubungan yang kuat dengan penayangan.

Pertama, mengingat betapa pentingnya thumbnail bagi keputusan pengguna untuk menonton sesuatu, bagaimana Netflix dapat menghasilkan thumbnail yang lebih baik bagi setiap pengguna untuk meningkatkan kemungkinan pengguna menonton video? Bagaimana jika Netflix kustom membuat thumbnail berbeda untuk setiap pengguna yang dioptimalkan untuk meningkatkan rasio klik?

Apa saja hal-hal dalam thumbnail gambar yang berada dalam kendali Netflix yang dapat mereka sesuaikan untuk meningkatkan rasio klik tersebut?

Aktor/karakter mana yang harus ada di thumbnail itu, jika ada? Berapa banyak? Variasi bingkai atau poster yang dibuat secara otomatis mana yang paling menarik untuk diklik oleh pengguna tertentu? Pencahayaan apa yang paling berhasil? Filter?

Data apa yang kami miliki tentang perilaku mengeklik pengguna lain di masa lalu yang dapat kami kaitkan untuk membantu menginformasikan keputusan gambar mini ini dalam skala besar?

Tingkatkan click-thru-rates (CTR) dari rekomendasi film — menandakan keterlibatan
Hipotesis bahwa tingkat keterlibatan yang lebih tinggi akan menyebabkan kepuasan dan loyalitas pelanggan yang lebih tinggi

Jadi ini adalah masalah yang sangat menarik dengan gambar mini yang dapat berdampak besar pada kemungkinan seseorang akan mengklik video dan menonton.
Jika tujuannya adalah untuk memaksimalkan kemungkinan menonton dengan mengubah gambar mini — apa saja keputusan produk yang perlu dipertimbangkan?

Peran Developer menjadi salah satu hal yang penting bagi semua bisnis, termasuk IDStar. Yuk gabung menjadi Developer Team di IDStar! Submit CV kamu disini

Share

Send Message
Chat with us
Hi IDstar! I want to know more about your services