Une brève histoire de la personnalisation Netflix | par Gibson Biddle | juin 2021


Du démarrage en 1998 à aujourd'hui, un historique détaillé de la stratégie, des mesures et des expériences que Netflix exécute pour développer une expérience personnalisée axée sur la diffusion à ses membres des films qu'ils aiment.

Gibson Biddle
Photo : stocks libres via Unsplash

Cet essai détaille les progrès de Netflix depuis son lancement en 1998 jusqu'au lancement récent de son bouton « Je me sens chanceux » – une tactique de marchandisage où les membres de Netflix s'appuient totalement sur les algorithmes de personnalisation de Netflix. C'est un voyage désordonné, avec une stratégie de personnalisation évolutive propulsée par la capacité de Netflix à exécuter des expériences à haute cadence à l'aide de son système de test A/B maison.

En 20 ans, Netflix est passé des membres chen perdant 2% des films suggérés par le système de merchandising à 80% aujourd'hui. Au début, un membre explorait des centaines de titres avant de trouver quelque chose qui lui plaisait. Aujourd'hui, la plupart des membres examinent quarante choix avant d'appuyer sur le bouton « jouer ». Dans vingt ans, Netflix espère vous proposer ce choix qui vous convient, sans navigation ni choix requis.

Voici une minute de lecture pour chaque année des 20 ans d'histoire de Netflix ! J'espère que ça vous plait.

Netflix a commencé comme une startup de DVD par courrier, suite à l'invention du lecteur DVD en 1996. En 1998, Netflix a lancé son site Web avec moins de 1 000 DVD. Voici à quoi ressemblait le site ses premières années :

Netflix en 1999 avait le choix entre 2 600 DVD. Le service était à la carte. Netflix n'est devenu un service d'abonnement « à volonté » qu'en 2000.

En 1999, Netflix disposait de 2 600 DVD mais avait l'intention de porter sa bibliothèque à 100 000 titres. Pour permettre aux membres de trouver plus facilement des films, Netflix a développé un système de marchandisage personnalisé.

En 2000, lorsque Netflix est passé d'une entreprise à la carte à un service d'abonnement à volonté, le service a ajouté une file d'attente, une liste de films créée par chaque foyer en appuyant sur le bouton « Ajouter » pour ajouter un titre à un liste ordonnée de films. Chaque fois qu'un membre renvoyait un DVD, Netflix envoyait le titre en haut de la file d'attente Netflix de chaque membre directement dans sa boîte aux lettres.

Netflix a introduit un système de recommandation de films personnalisé, utilisant les évaluations des membres pour prédire à quel point un membre aimerait un film. L'algorithme s'appelait Cinematch, et c'est un algorithme de filtrage collaboratif.

Voici un moyen simple de comprendre le filtrage collaboratif. Imaginez que j'aime Batman commence et Breaking Bad, et vous aimez les deux aussi. Parce que j'aime Casino, l'algorithme suggère que vous aimerez Casino. Maintenant, appliquez cette approche à des millions de membres et de titres.

Netflix a créé un système de notation cinq étoiles et a finalement collecté des milliards de notes de ses membres. Netflix a expérimenté plusieurs « barres d'étoiles », empilant parfois les étoiles pour indiquer la note attendue, la note moyenne et la note des amis. C'était le bordel.

Les étoiles représentaient à quel point un membre aimerait un film. Si un membre avait déjà regardé le film, il pouvait le noter.

Les étoiles rouges indiquent la note attendue pour un membre, bien que la plupart supposent qu'il s'agit de la note moyenne.

Au-delà de Cinematch, trois autres algorithmes ont travaillé ensemble pour aider à commercialiser des films :

  1. Boutique dynamique : Cet algorithme indiquait si le DVD était disponible. À la fin de l'ère du DVD, l'algorithme a même déterminé si un DVD était disponible dans le hub local d'un membre. En 2008, Netflix ne commercialisait que des titres disponibles localement pour augmenter la probabilité de livraison de DVD le lendemain.
  2. Metasims : Cet algorithme incorporait toutes les données de film disponibles pour chaque titre – synopsis de l'intrigue, réalisateur, acteurs, année, récompenses, langue, etc.
  3. Rechercher: Au début, il y avait peu d'investissements dans la recherche, car l'équipe supposait que les membres recherchaient des DVD coûteux pour les nouvelles versions, ce qui rendait l'économie de l'entreprise plus difficile. Mais l'équipe a découvert que les titres choisis par les membres comprenaient de nombreux titres plus anciens, moins chers et à longue traîne, ils ont donc finalement augmenté leurs investissements dans la recherche.

Avec le temps, Netflix a mélangé de nombreux autres algorithmes pour exécuter son système de marchandisage personnalisé.

Reconnaissant que plusieurs membres de la famille utilisaient un compte partagé, Netflix a lancé des « profils ». Cette fonctionnalité a permis à chaque membre de la famille de générer sa propre liste de films. Les profils étaient une fonctionnalité très demandée, mais seulement 2% des membres l'ont utilisé malgré une promotion agressive. C'était beaucoup de travail de gérer une liste ordonnée de DVD, et une seule personne dans chaque foyer était prête à le faire.

Compte tenu de la faible adoption, Netflix a annoncé son intention de tuer Profiles mais a capitulé face à la réaction des membres. Un petit groupe d'utilisateurs se souciait profondément de la fonctionnalité – ils craignaient que la perte de profils ne ruine leur mariage. À titre d'exemple de « tous les membres ne sont pas créés égaux », la moitié du conseil d'administration de Netflix a utilisé cette fonctionnalité.

L'hypothèse : si vous créez un réseau d'amis au sein de Netflix, ils se proposeront de bonnes idées de films et ne quitteront pas le service car ils ne veulent pas quitter leurs amis. Au lancement, 2% des membres de Netflix se sont connectés avec au moins un ami, mais cette métrique n'a jamais dépassé 5%.

Les amis vous permettent de vous connecter avec des amis sur le service, puis de voir ce qu'ils ont regardé et ce qu'ils vous ont recommandé.

Netflix a supprimé la fonctionnalité en 2010 dans le cadre de sa discipline consistant à «gratter les bernacles» – en supprimant les fonctionnalités que les membres n'appréciaient pas. Contrairement à Profiles, il n'y a pas eu de révolte des utilisateurs.

Deux aperçus sur le social dans le contexte des films :

  1. Vos amis ont mauvais goût.
  2. Vous ne voulez pas que vos amis sachent tous les films que vous regardez.

Ce sont des informations surprenantes au cours d'une décennie où Facebook a appliqué avec succès sa stratégie sociale à de nombreuses catégories de produits.

Voici à quoi ressemblait la stratégie de personnalisation en 2006. Elle est organisée au format stratégie/métriques/tactiques, avec une métrique proxy pour chaque stratégie, ainsi que des tactiques (projets) par rapport à chaque stratégie :

L'intention était de rassembler des données explicites et implicites, puis d'utiliser divers algorithmes et tactiques de présentation pour connecter les membres avec des films qu'ils adoreraient. L'équipe s'est concentrée sur quatre stratégies principales :

  1. Recueillir des données gustatives explicites, y compris les classements de films et d'émissions de télévision, les classements par genre et les données démographiques.
  2. Explorer données de goût implicites, comme les membres de DVD ajoutés à leur liste de films ou plus tard, quels films les membres ont diffusés en streaming.
  3. Créez des algorithmes et des tactiques de couche de présentation pour connecter les membres avec des films qu'ils adoreront. Cette stratégie s'est concentrée sur l'utilisation des données de goût explicites/implicites, ainsi que de nombreuses données sur les films et les émissions de télévision (notes, genres, synopsis, acteurs principaux, réalisateurs, etc.), pour créer des algorithmes qui relient les membres aux titres. On s'attendait à ce que Netflix crée également une interface utilisateur simple offrant un support visuel pour des choix personnalisés.
  4. Améliorer les notes moyennes des films pour chaque membre en les connectant à de meilleurs films et émissions de télévision. L'hypothèse était que si Netflix connectait ses membres avec des films et des émissions de télévision de meilleure qualité, ils conserveraient mieux.

L'hypothèse de haut niveau : la personnalisation améliorerait la rétention en permettant aux membres de trouver facilement des films qu'ils adoreront.

La mesure d'engagement de haut niveau était la rétention. Cependant, il faut des années pour affecter cette métrique. Netflix avait donc une métrique proxy à court terme plus sensible : le pourcentage de membres qui ont évalué au moins 50 films au cours de leurs deux premiers mois avec le service.

La théorie était que les membres évalueraient beaucoup de films pour obtenir de meilleures recommandations. Ces notes indiquent que les membres apprécient les recommandations personnalisées qu'ils reçoivent en échange de leurs notes. Plus de notes étaient un signal que les membres appréciaient les algorithmes de marchandisage personnalisés de Netflix.

Voici un aperçu très approximatif de l'amélioration de cette métrique proxy au fil du temps :

La première mesure de proxy pour les efforts de personnalisation de Netflix était le pourcentage de membres qui ont évalué au moins 50 films ou émissions de télévision au cours de leurs deux premiers mois avec le service.

Pourquoi la baisse de 2011 de la métrique ? À cette époque, la plupart des membres diffusaient des films en streaming et Netflix avait un signal implicite fort sur les goûts des membres. Une fois que vous avez appuyé sur le bouton « Play », vous avez continué à regarder ou vous vous êtes arrêté. Netflix n'avait plus besoin de collecter autant d'étoiles.

Il a fallu plus d'une décennie à Netflix pour démontrer qu'une expérience personnalisée améliorait la rétention. Mais la croissance constante de cette métrique proxy a convaincu l'entreprise de continuer à doubler la personnalisation.

La boîte de Pétri originale pour la personnalisation était une zone sur le site avec un onglet « Recommandations ». Mais les tests ont révélé que les membres préféraient un langage moins normatif. Le nouvel onglet lisait « Films que vous aimeriez » et cela a généré beaucoup de clics. L'équipe de conception pensait que l'onglet était « fugly », mais cela a fonctionné.

Lorsque les membres sont arrivés dans la zone « Films que vous aimerez », le site leur a présenté l'« Assistant d'évaluation » :

Les membres se sont « affolés » en attendant l'arrivée de leurs DVD. L'assistant d'évaluation a été essentiel pour déplacer la métrique proxy « pourcentage de membres qui notent au moins 50 films au cours de leurs deux premiers mois ». Alors que les membres ont évalué de nombreux films à l'aide de la « barre des étoiles » sur tout le site, l'assistant d'évaluation a été la principale source d'entrée de goût.

Netflix a collecté des données sur l'âge et le sexe de ses membres, mais lorsque l'équipe a utilisé des données démographiques pour informer les prédictions sur le goût du film d'un membre, les algorithmes n'ont pas amélioré le pouvoir prédictif. Hein?

Comment Netflix a-t-il mesuré le pouvoir prédictif ? La métrique proxy pour les algorithmes de personnalisation était RMSE (Root Mean Square Error) – un calcul qui mesure le delta entre la note prévue de l'algorithme et la note réelle d'un membre. Si Netflix a prédit que vous voudriez Amis et Seinfeld, quatre et cinq étoiles respectivement, et vous avez évalué ces émissions quatre et cinq étoiles, la prédiction était parfaite. Le RMSE est une métrique « vers le bas et vers la droite » qui s'est améliorée au fil du temps, principalement grâce à des améliorations de l'algorithme de filtrage collaboratif. Vous pouvez voir les améliorations dans le graphique approximatif ci-dessous :

L'erreur quadratique moyenne est un calcul des cotes prévues par rapport aux cotes réelles pour tous les membres de Netflix. Il s'agit d'une mesure « vers le bas et vers la droite » qui s'est améliorée avec le temps.

Malheureusement, les données sur l'âge et le sexe n'ont pas amélioré les prédictions – il n'y a pas eu d'amélioration du RMSE. Les goûts cinématographiques sont difficiles à prévoir car ils sont idiosyncratiques – ils sont très particuliers et varient radicalement d'un individu à l'autre. Connaître mon âge et mon sexe n'aide pas à prédire mes goûts cinématographiques. Il est beaucoup plus utile de connaître quelques films ou émissions de télévision que j'aime.

Pour voir cet aperçu en action aujourd'hui, créez un nouveau profil sur votre compte Netflix. Netflix vous demande quelques titres que vous aimez pour démarrer le système de personnalisation. C'est tout ce dont ils ont besoin pour semer le système.

Le QUACL est la couche de confirmation d'ajout de file d'attente. Une fois qu'un membre a ajouté un titre à sa file d'attente, une couche de confirmation apparaît et suggère des titres similaires. Ci-dessous, un membre a ajouté Eiken à leur liste de films, et l'algorithme de filtrage collaboratif suggère six titres similaires :

Le QUACL, ou Queue Add Confirmation Layer, était une source importante de merchandising personnalisé.

Au fil du temps, Netflix s'est amélioré pour suggérer des titres similaires aux membres à ajouter à leur file d'attente. Cela a conduit le QUACL en tant que source de marchandisage de 10 % à 15 % du total des ajouts de file d'attente sur quelques années. Le QUACL était un excellent environnement de test pour les tests d'algorithmes. En fait, Netflix a exécuté certains de ses premiers tests d'apprentissage automatique au sein du QUACL.

Comme toute startup, Netflix avait des ressources limitées. Ils avaient prouvé la valeur de Cinematch mais n'avaient qu'un seul ingénieur concentré sur l'algorithme. La solution : externaliser le développement d'algorithmes via le prix Netflix.

Netflix a offert 1 million de dollars à toute équipe susceptible d'améliorer le RMSE d'au moins 10 %.

Netflix a offert un prix d'un million de dollars à toute équipe qui a amélioré de 10 % le RMSE de son algorithme Cinematch. L'équipe de personnalisation a fourni des données anonymisées des membres de Netflix en tant que données de formation pour les équipes, ainsi qu'un deuxième ensemble de données qui comprenait les notes réelles des membres afin que les équipes puissent tester la puissance prédictive de leurs algorithmes. Il a fallu deux ans aux équipes pour gagner de l'argent – ​​plus à ce sujet dans un instant.

Netflix a lancé le streaming en 2007. Il s'agissait d'un module complémentaire gratuit pour le service de DVD par courrier. La première offre de diffusion en continu lancée au Canada en 2010.

Netflix a lancé le streaming en janvier 2007. Pour la première fois, l'équipe Netflix disposait de données en temps réel sur les films que les membres regardaient, alors qu'auparavant, ils n'avaient qu'une activité de location de DVD. Au fil du temps, ces données implicites sont devenues plus importantes pour prédire les goûts des membres en matière de films que les données explicites collectées par Netflix via son système de notation cinq étoiles.

Au moment du lancement du streaming en 2007, Netflix avait le choix entre près de 100 000 DVD. Le défi du marchandisage de DVD consistait donc à aider les membres à trouver des « joyaux cachés » dans son immense bibliothèque de DVD. Cependant, avec le streaming, le défi était d'aider les membres à identifier quelques films qu'ils trouveraient intéressants parmi les 300 titres assez médiocres disponibles au lancement.

Le prix Netflix a offert 1 million de dollars à toute équipe susceptible d'améliorer de 10 % le pouvoir prédictif de l'algorithme de filtrage collaboratif de Netflix, tel que mesuré par le RMSE, le delta entre la note attendue et la note réelle pour chaque film. Deux ans plus tard, « Bellkor’s Pragmatic Chaos » a remporté le concours, battant 5 000 autres équipes.

Il y avait deux idées du concours:

  • Toutes les évaluations ne sont pas créées égales. Les concurrents ont découvert que les évaluations des membres pour les films récents offraient un pouvoir prédictif supérieur à celui des évaluations plus anciennes.
  • Plus il y a d'algorithmes, mieux c'est. À la fin de chaque année, Netflix a versé un prix de progression de 50 000 $ à l'équipe leader. Le dernier jour de l'année, les équipes aux deuxième et troisième places ont combiné leurs algorithmes et se sont hissées au sommet du classement pour remporter le prix de progression annuel. C'est ainsi que les équipes ont appris l'importance de combiner de nombreux algorithmes. C'est aussi pourquoi les noms des équipes étaient si étranges – lorsque les équipes combinaient leur travail, elles créaient des noms « mashup ».

Après deux ans, la meilleure équipe a enregistré une augmentation de 10,06 % du RMSE pour remporter le prix d'un million de dollars. "BellKor's Pragmatic Chaos" a soumis son algorithme gagnant 24 minutes avant l'équipe classée deuxième, "The Ensemble". Les deux équipes ont obtenu des scores identiques, mais « BellKor » a soumis sa candidature en premier. Voici le classement final :

Le classement du prix Netflix à sa conclusion en 2009. L'équipe à la quatrième place, "Opera Solutions et Vandelay United", était la soumission combinée de trois équipes et comprenait une blague d'initié de "Seinfeld".

Lorsque Netflix a annoncé les gagnants de son premier concours, il a lancé un deuxième tour. Le nouveau défi consistait à utiliser les données démographiques et le comportement locatif pour faire de meilleures prévisions. Les algorithmes pourraient prendre en compte l'âge, le sexe, le code postal et l'historique complet de la location d'un membre.

Lorsque Netflix a publié des informations client anonymes pour commencer le deuxième tour, la Federal Trade Commission (FTC) est intervenue avec une action en justice faisant valoir que les données n'étaient pas suffisamment anonymisées. Dans le cadre du règlement de mars 2010 pour cette poursuite, Netflix a annulé le deuxième tour.

Netflix a lancé le concours du prix Netflix pour offrir de meilleurs choix de films aux membres, ce qui, selon l'équipe, se traduirait par une amélioration de la rétention. Mais lorsque Netflix a exécuté le nouvel algorithme dans un test A/B à grande échelle, il n'y avait aucune différence de rétention mesurable. Ce fut un résultat décevant.

Une nouvelle hypothèse a émergé. Pour améliorer la rétention, vous aviez besoin de meilleurs algorithmes ainsi que de tactiques de couche de présentation qui fournissaient un contexte expliquant pourquoi Netflix avait choisi un titre spécifique pour chaque membre, comme suit :

  • Meilleurs algorithmes + interface utilisateur/support de conception/contexte = rétention améliorée.

Cela valait-il 1 million de dollars pour exécuter le concours ? Absolument. Le seul avantage du recrutement en valait la peine. Avant le prix Netflix, les ingénieurs considéraient Netflix comme une autre entreprise de commerce électronique. Après le prix, ils ont considéré Netflix comme une entreprise très innovante.

Netflix a publié tous ses enseignements du prix Netflix, et d'autres sociétés ont étudié les résultats. Le service de streaming musical Pandora, dont les efforts de personnalisation se sont concentrés sur son "Music Genome Project", hésitait à pondérer ses algorithmes par la popularité. Au lieu de cela, Pandora avait 40 « musicologues » qui ont étiqueté chaque chanson avec des centaines d'attributs pour expliquer pourquoi un auditeur aimerait une chanson. Par exemple, les musicologues ont qualifié les chansons de Jack Johnson de « musique optimiste, folklorique et acoustique avec des thèmes de surf, d'aventure en plein air et de passage à l'âge adulte ».

Mais alors que Pandora évaluait les résultats du prix Netflix (qui pesait fortement sur la popularité), ils ont également commencé à exécuter des algorithmes de filtrage collaboratifs. Ces changements ont amélioré les métriques d'écoute de Pandora. Conclusion de Pandore : la popularité compte.

Tout en admirant le travail de Pandora et sachant que plus il y avait d'algorithmes, mieux c'était, Netflix a commencé à développer son propre projet de « génome de film ». Ils ont embauché 30 « moviecologues » pour marquer divers attributs de films et d'émissions de télévision.

Pour rappel, l'algorithme de filtrage collaboratif de Netflix prédit que vous aimerez un film, mais l'algorithme ne peut pas fournir de contexte pour expliquer pourquoi vous l'aimerez. L'algorithme de filtrage collaboratif Cinematch conduit à des déclarations telles que « Parce que vous aimez Batman commence et Breaking Bad, nous pensons que vous aimerez Rue de Sesame. " Attends quoi?

Le nouvel algorithme du génome des films de Netflix s'appelle "Category Interest". Maintenant, pour la première fois, Netflix suggérerait un film et expliquerait pourquoi un membre pourrait l'aimer. Dans l'exemple ci-dessous, Netflix sait que j'aime Avion et bruyères, suggère donc Jour de congé de Ferris Bueller et Le club du petit-déjeuner parce que j'aime les « Comédies cultes des années 80 » :

Exécution anticipée de l'algorithme « Category Interest », vers 2011.

L'algorithme "Category Interest" a amélioré les mesures de visionnage de Netflix – le pourcentage de membres qui ont regardé au moins 40 heures par mois – mais l'équipe n'a pas exécuté de test A/B pour voir s'il améliorait la rétention.

En termes plus simples, Netflix crée une liste de classement forcée des films pour chaque utilisateur – du contenu le plus susceptible de plaire au moins. Ensuite, cette liste est filtrée, découpée et découpée en dés en fonction des attributs des films, des émissions de télévision et des goûts du membre. Par exemple, un filtre extrait une sous-liste de films et la présente dans une rangée intitulée « drames originaux avec de fortes héroïnes féminines » ou « émissions de télévision pleines d'esprit et irrévérencieuses ». D'autres titres de ligne peuvent inclure « Parce que vous avez regardé Choses étranges, Nous pensons que vous apprécierez… » ou « Top 10 pour vous. »

L'approche de personnalisation de Netflix comporte trois volets :

  1. Une liste de titres à rang forcé pour chaque membre.
  2. Une compréhension des filtres les plus pertinents pour chaque membre afin que les algorithmes puissent présenter un sous-ensemble de films et d'émissions de télévision de la liste ci-dessus.
  3. La capacité de comprendre les lignes les plus pertinentes pour chaque membre, en fonction de la plate-forme, de l'heure de la journée et de nombreuses données de goût de film explicites/implicites.

La beauté de cette approche est que ces lignes, avec un contexte approprié, peuvent être affichées sur n'importe quel appareil ou écran. Il est facile d'afficher la même structure de lignes sur tous les navigateurs et appareils.

Enfin, en 2011, Netflix a démontré une amélioration de la rétention dans un grand test A/B. Cependant, les résultats étaient controversés, car le test comparait l'expérience personnalisée par défaut à l'époque à une expérience simplifiée sans personnalisation. Les ingénieurs de Netflix se sont plaints que le test était une perte de temps. La plupart des membres de l'équipe avaient déjà accepté que la personnalisation créait une meilleure expérience pour les membres de Netflix.

Reconnaître que Netflix avait fait un investissement à très long terme, 13 ans, « acte de foi » dans la personnalisation jusqu'à ce qu'ils aient finalement une « preuve » de l'amélioration de la rétention en 2011. au moins 50 films au cours de leurs deux premiers mois avec le service – a donné à Netflix la confiance nécessaire pour doubler constamment la personnalisation.

À mesure que Netflix allait au-delà des DVD, il n'était plus nécessaire que les membres créent une liste ordonnée de films. Au lieu de cela, les membres appuient sur le bouton « Play » pour commencer à regarder un film ou une émission de télévision.

Netflix avait une fonction de profil à l'ère du DVD, mais seulement 2% des membres l'utilisaient, principalement parce que la gestion de cette liste de films à classement forcé prenait beaucoup de temps. Mais maintenant, il n'y a plus rien à gérer. Vous fournissez à Netflix votre nom, trois films ou émissions de télévision que vous aimez, et Netflix crée une expérience personnalisée pour chaque utilisateur associé à ce compte.

Aujourd'hui, plus de la moitié des comptes Netflix ont plusieurs profils. Netflix connaît le goût du film pour 200 millions de comptes, ce qui se traduit par une compréhension des goûts du film de 500 millions de spectateurs distincts liés aux 200 millions de comptes.

"House of Cards", le premier gros investissement de Netflix dans le contenu original, était en fait un remake américain de la série télévisée britannique.

En 2007, à l'ère du DVD, le premier effort de contenu original de Netflix, Red Envelope Studios, a échoué. Malgré cet échec, Netflix a réessayé à l'ère du streaming.

Sachant que des millions de membres ont aimé Kevin Spacey et L'aile ouest, Netflix a fait un pari initial de 100 millions de dollars sur Château de Cartes, ce qui a payé. En six saisons, Netflix a investi plus de 500 millions de dollars dans la série. Château de Cartes a été le premier de nombreux films et séries télévisées originaux à succès dans lesquels Netflix a investi.

À ce stade de l'histoire de Netflix, il est clair que la personnalisation ravit les clients de manière difficile à copier et améliorant les marges. En facilitant la recherche de films, Netflix améliore la rétention, ce qui augmente la valeur à vie (LTV). Et la technologie de personnalisation de Netflix est difficile à copier, surtout à grande échelle.

Mais il y a un autre aspect de la personnalisation qui améliore la marge de l'entreprise : la capacité de Netflix à « dimensionner correctement » ses dépenses de contenu. Voici des exemples du bon dimensionnement de Netflix avec mes meilleures estimations sur plusieurs investissements de contenu :

  • Sur la base de sa connaissance des goûts des membres, Netflix prédit que 100 millions de membres regarderont Choses étranges et investit 500 millions de dollars dans la série.
  • L'équipe de science des données a prédit 20 millions de téléspectateurs pour le dessin animé original pour adultes Cavalier Bojack, alors Netflix investit 100 millions de dollars dans cette série télévisée d'animation.
  • Sur la base d'une prédiction selon laquelle un million de membres regarderont des documentaires sur l'escalade de l'Everest, Netflix investit 5 millions de dollars dans ce genre.

Netflix a un énorme avantage dans sa capacité à dimensionner correctement son investissement dans le contenu original, alimenté par sa capacité à prévoir combien de membres regarderont un film, un documentaire ou une émission de télévision spécifique. Remarque : Netflix n'apporte pas d'approches basées sur les données au processus de création de films – elles sont sans intervention avec les créateurs.

En 2013, Netflix a remporté un Emmy Award pour les « moteurs de recommandation personnalisés pour la découverte vidéo ». Ce prix fait allusion à la mesure dans laquelle Netflix finira par dominer les Oscars, les Emmy Awards et les Golden Globe Awards pour son contenu original.

Une page d'accueil sur PC de Netflix, en anglais.

De 2015 à 2021, Netflix est passé de 20 à 40 langues, en lançant son service dans 190 pays. L'équipe de personnalisation s'est demandé si elle devait informer les algorithmes de personnalisation avec la langue maternelle et le pays de chaque membre. La réponse courte, basée sur les résultats des tests A/B : Non.

Comme le test démographique de 2006, les goûts des membres sont si idiosyncratiques que la langue et la géographie n'aident pas à prédire les préférences d'un membre en matière de films. Comme auparavant, le moyen le plus efficace de semer le profil de goût d'un membre est de demander quelques émissions de télévision ou films qu'il aime. Au fil du temps, Netflix s'appuie sur cette "graine" en informant ses algorithmes des titres que les membres évaluent, regardent, arrêtent de regarder et même manifestent un intérêt pour un film en cliquant sur la "Page d'affichage du film" ou en regardant un aperçu.

Trois des valeurs culturelles de Netflix sont la curiosité, la franchise et le courage. Netflix encourage les nouveaux employés à défier les idées reçues lorsqu'ils rejoignent l'entreprise. Netflix apprécie la valeur des « yeux frais » et encourage une culture iconoclaste.

Un chef de produit nouvellement embauché chez Netflix a suggéré que l'équipe teste les « lignes flottantes ». L'idée était que les lignes comme "Top 10 pour Gib", "Just Released" et "Continue Watching" devraient être différentes pour chaque membre et même changer en fonction de l'appareil, de l'heure de la journée et d'autres facteurs. La sagesse conventionnelle a suggéré qu'une conception de site incohérente confondrait et ennuierait les clients, il est donc préférable de garder l'interface cohérente. Mais la "vieille garde" a permis au débutant de le tester quand même.

Comme l'a dit un jour Ralph Waldon Emerson, « la cohérence est le farceur des petits esprits ». Étonnamment, l'interface incohérente a mieux fonctionné dans les tests A/B. Aujourd'hui, même l'interface utilisateur est personnalisée en fonction des préférences gustatives des membres.

Notez que les noms de lignes que Netflix vous présente sont extrêmement incohérents. Dans cette capture d'écran pour moi sur PC, Netflix est en tête avec une ligne intitulée "Tendances actuelles" et place la ligne "Continuer à regarder" en deuxième position. L'interface change à chaque fois que vous l'utilisez, en fonction de votre activité récente, de votre plate-forme et de l'heure de la journée.

En 2017, Netflix avait collecté plus de 5 milliards d'étoiles. Mais au cours des 10 dernières années, Facebook a popularisé un système de notation différent : les pouces vers le haut et vers le bas. En 2017, Facebook avait présenté ce geste simple à plus de 2 milliards d'utilisateurs dans le monde.

Découvrir quelle méthode incite les membres à fournir plus de données gustatives est simple : effectuez un test A/B du système cinq étoiles contre un système pouce levé/bas. Le résultat : le système de pouces plus simple a recueilli deux fois plus d'évaluations.

En 2017, Netflix a testé son système de notation cinq étoiles par rapport à l'interface pouce haut/bas de Facebook. Les « pouces » ont doublé la quantité d'entrées gustatives des membres.

Était-ce un résultat surprenant ? Non. Lorsque vous demandez à un membre d'analyser entre trois, quatre ou cinq étoiles, vous le forcez à trop réfléchir. Ils deviennent confus et passent à l'activité suivante sans noter un film. Cliquer sur les pouces vers le haut ou vers le bas est beaucoup plus facile. Ici, comme dans de nombreux cas avec les interfaces utilisateur, de simples atouts complètent.

Si les stars sont parties, comment communiquez-vous la qualité d'un film ? Rappelons que l'une des premières hypothèses de Netflix était qu'au fil du temps, les notes moyennes des films regardés augmenteraient, entraînant une meilleure rétention. Bien qu'il y ait des preuves que les notes moyennes ont augmenté, rien dans les ensembles de données Netflix ne suggère que des notes moyennes plus élevées améliorent la rétention.

Il s'avère que les cotes d'écoute ne sont pas synonymes de plaisir cinématographique. Bien que vous puissiez apprécier cela La liste de Schindler ou alors Hôtel Rwanda sont des films cinq étoiles, cela ne veut pas dire que vous prendre plaisir eux plus qu'un film trois étoiles. Parfois, une comédie « laissez votre cerveau à la porte » comme Paul Blart : flic du centre commercial est tout ce dont vous avez besoin. C'est la raison pour laquelle l'un des premiers gros investissements de Netflix dans le contenu original a été un contrat de quatre films avec Adam Sandler, le roi de la comédie de deuxième année. Mon préféré? Les Six ridicules.

C'était l'un des films de l'accord de contenu original de 250 millions de dollars et quatre images d'Adam Sandler. Parfois, le plaisir d'un film consiste à laisser votre cerveau à la porte avec un bon film trois étoiles.

Ainsi, avec la perte du nombre d'étoiles et l'idée que le nombre d'étoiles n'équivaut pas au plaisir des films, Netflix a changé son système. Ils sont passés à un « correspondance en pourcentage » qui indiquait à quel point vous apprécieriez un film, quelle que soit sa qualité.

Ci-dessous, Netflix me donne un « correspondance à 80 % » pour le Irlandais. Il y a 80% de chances que je l'apprécie, ce qui est au bas de l'échelle pour les suggestions Netflix pour moi.

Netflix n'indique plus la qualité d'un film avec son système cinq étoiles. Il indique simplement dans quelle mesure un titre vous correspond, donnant une indication de combien ils pensent que vous l'apprécierez.

L'équipe de personnalisation de Netflix souhaite vous présenter le bon titre au bon moment avec autant de contexte que possible pour vous encourager à regarder ce titre. Pour ce faire, Netflix utilise des visuels personnalisés qui répondent aux préférences gustatives de chaque membre.

Voici un peu plus d'informations sur le blog technique de Netflix :

Envisageons d'essayer de personnaliser l'image que nous utilisons pour représenter le film Chasse de bonne volonté. Ici, nous pouvons personnaliser cette décision en fonction de la préférence d'un membre pour différents genres et thèmes. Quelqu'un qui a regardé de nombreux films romantiques peut être intéressé par Chasse de bonne volonté si nous montrons l'illustration contenant Matt Damon et Minnie Driver, alors qu'un membre qui a regardé de nombreuses comédies pourrait être attiré par le film si nous utilisons l'illustration contenant Robin Williams, un comédien bien connu.

En utilisant l'exemple ci-dessus, le blog technique de Netflix partage les titres qui prennent en charge chaque scénario, ainsi que l'art cinématographique unique que Netflix présente aux différents membres. La rangée du haut accueille un membre intéressé par les films romantiques, avec l'image de Matt Damon et Minnie Driver en héros. La rangée du bas est réservée aux membres qui aiment regarder des comédiens bien connus. Dans cet exemple, Robin Williams est présenté.

Si vous aimez les comédies romantiques, Netflix utilise l'art du film en haut à droite lorsqu'il vous propose "Good Will Hunting". Si vous aimez les comédiens célèbres, votre art cinématographique personnalisé met en vedette Robin Williams.

Non seulement Netflix utilise sa connaissance des goûts des membres pour choisir le bon film, mais il prend également en compte les goûts des membres pour soutenir ces choix grâce à des visuels hautement personnalisés.

La personnalisation ultime est que vous allumez votre téléviseur et Netflix joue comme par magie un film que vous adorerez. La première expérience de Netflix avec ce concept est une fonctionnalité que le co-PDG de la société, Reed Hastings (en plaisantant), a appelé le bouton "Je me sens chanceux".

Notez que lorsque vous vous connectez à votre profil sur un système basé sur la télévision, il y a un nouveau bouton "Jouer quelque chose". Considérez ce bouton comme un indicateur de la façon dont les algorithmes Netflix connectent les membres avec les films qu'ils adoreront. Je suppose que 2 à 3% des jeux proviennent de ce bouton aujourd'hui. Si ce bouton « Play Something » génère 10 % d'utilisation dans quelques années, c'est une indication forte que la personnalisation de Netflix fait un meilleur travail en connectant ses membres avec des films qu'ils adoreront.

Voici la vision à long terme de la personnalisation : dans vingt ans, Netflix éliminera à la fois le bouton « Play Something » et son système de marchandisage personnalisé, et le film spécial que vous êtes d'humeur à regarder à ce moment-là commencera automatiquement à jouer.

Je suppose que Netflix atteindra cette vision d'ici 20 ans. Ils ont parcouru un long chemin au cours des 20 dernières années, donc je pense que c'est faisable.

Today, more than 80% of the TV shows and movies that Netflix members watch are merchandised to you by Netflix’s personalization algorithms.

Netflix’s personalization journey has had its share of ups and downs. But eventually, personalization enabled Netflix to build a hard-to-copy technological advantage that delights customers in margin-enhancing ways.

For product leaders engaged in innovative projects, Netflix’s journey highlights the need for:

  • A plan: A product strategy with accompanying metrics and tactics.
  • A method to quickly test various hypotheses.
  • A culture that encourages risk-taking, intellectual curiosity, candor, plus the courage to say, “Let’s try this idea.”

The last requirement: patience. It takes decades to build a world-class product and company.

If you have a moment, I’d love your feedback on this essay. Click here to give me feedback. (Many thanks!)

This essay was originally posted in my free Ask Gib product newsletter as a two-part essay. If you’d like more essays like this delivered directly to your inbox, along with lots of answers to questions that product leaders ask, click here.

le Ask Gib product newsletter also provides access to private events, discounts on courses and a community that helps you to connect with other product leaders. I have 6,000 subscribers in my first five months, so I’m confident the newsletter doesn’t suck.



Source link

On voit clairement qu’il est vraisemblable de se lancer rapidement dépourvu argent et inconscient technique particulière. Je vous conseille de vous lancer en dropshipping strictement ne pas mettre trop d’argent sur votre site. Il vous faut principalement avoir un budget marchéage pour fonder venir les internautes sur votre boutique : c’est le nerf de la guerre. Car comme nous-mêmes l’ai dit, vous pouvez avoir la plus belle boutique. Sans trafic, vous ne ferez ne de chiffre d’affaires. Une que vous allez avoir testé, votre marché vous pourrez alors avoir un stock.